核心发现
方法论
采用ABIDE-I和ABIDE-II两个独立队列，利用三种不同架构（Swin、ViT、ResNet）及随机初始化模型，分析深层特征中的站点信息。通过线性和非线性探测器评估站点、临床和人口变量的可解性，结合INLP和ComBat等方法进行站点偏差消除，验证站点信息的固有性和可移除性。
关键结果
- 在ABIDE-I队列中，深层特征的站点线性可解性达0.9左右，明显高于性别、年龄、诊断等临床变量的0.4-0.5，且随机初始化模型即表现出类似的站点识别能力，说明该指纹源于低层次图像统计特征而非预训练。
- 在ABIDE-II队列中，站点可解性保持在0.88-0.95范围，验证了该现象的跨队列稳定性。残差化人口变量后，站点可解性几乎无变化，确认其为采集驱动而非人口驱动的偏差。
- 通过Null-space投影和ComBat方法，成功显著降低站点信息（0.94降至0.07/0.00），但在密集分割任务中，站点信息与解剖结构线性缠结，移除会影响任务性能。
研究意义
该研究揭示了脑MRI基础模型中固有的站点指纹，强调了多站点数据分析中潜在偏差的普遍性和隐蔽性。对模型的泛化能力、数据共享和联邦学习提出警示，促使行业重视模型偏差的系统性检测与校正，推动更公平、稳健的神经影像分析方法发展。
技术贡献
首次系统性量化冻结模型中站点信息的线性可解性，揭示低层次图像统计特征的固有指纹。提出随机初始化模型即能实现高效站点分类，强调架构本身的偏差特性。结合INLP和ComBat实现站点偏差的后处理移除，为多模态、多中心数据融合提供新工具。研究还揭示站点与解剖信息的线性缠结，提出在密集分割任务中需权衡偏差消除与解剖保真。
新颖性
本研究首次系统性揭示冻结脑MRI基础模型中站点信息的固有存在，强调低层次图像统计特征在偏差中的作用。不同于传统的预训练偏差校正，强调模型架构本身的偏差特性，拓展了模型偏差和表示分析的理论边界，为模型公平性和泛化提供新视角。
局限性
- 研究仅基于ABIDE数据集，未涵盖其他类型的MRI或不同成像协议，偏差的普遍性仍需验证。
- 站点偏差的线性可解性虽被证实，但在密集分割等任务中，偏差与解剖信息缠结，完全移除可能影响任务性能。
- 模型偏差的根源尚未深入分析，未来需结合成像硬件和协议的具体差异进行更细粒度的研究。
未来方向
未来将探索多模态、多任务场景中站点偏差的系统性识别与校正，结合硬件信息实现偏差根源追踪。推动开发更鲁棒的模型架构，减少偏差的固有性，并在联邦学习中实现无偏差的模型共享与融合。同时，研究偏差对临床决策的潜在影响，确保模型的公平性和可靠性。
AI 总览摘要
随着多中心神经影像研究的兴起，数据的采集环境差异成为影响分析结果的关键因素。传统的偏差校正方法如ComBat虽然在后处理阶段有效缓解了部分站点差异，但未能根本解决模型中固有的偏差问题。本研究通过系统性审查，揭示了当前广泛使用的冻结脑MRI基础模型中，站点信息以低层次图像统计特征的形式深藏于深层特征中，且具有极高的线性可解性。无论模型是否经过预训练，随机初始化的模型都能达到约0.9的站点分类准确率，表明偏差源于模型架构本身对低层次特征的敏感性。这一发现具有重要意义，因为它表明模型偏差不仅仅是训练过程中的偶然现象，而是架构固有的属性。进一步分析显示，站点信息在不同队列、不同架构中具有高度一致性，残差化人口变量后仍然稳固存在，确认其为采集驱动的偏差。通过Null-space投影和ComBat方法，研究成功显著降低了站点信息，但在密集分割任务中，站点与解剖信息线性缠结，移除偏差可能影响模型性能。该研究强调了在多站点神经影像分析中，偏差检测和校正的重要性，呼吁对冻结模型进行站点审计，并提供开源工具支持未来的公平性研究。这些发现推动了神经影像模型的透明性和稳健性，为未来多中心合作和临床应用提供了理论基础和实践指南。
深度解读
原文摘要
Frozen foundation-model (FM) embeddings are increasingly used as off-the-shelf brain-MRI representations, on the assumption that they capture anatomy. We audit what they actually encode and find that acquisition site is a large, intrinsic component of the representation. Across two independent cohorts (ABIDE-I, ABIDE-II), three frozen 3-D encoders (brain-pretrained, CT-pretrained, and randomly initialized), and every network depth, site is linearly decodable at roughly 0.9 balanced accuracy at deep layers, exceeding the decodability of every clinical or demographic variable (sex, age, autism diagnosis) at every layer. The effect is intrinsic rather than learned: a randomly initialized encoder is already a ~0.9 site classifier on both cohorts and across three architecture families (Swin, ViT, ResNet), and site is decodable at ~0.95 directly from the raw downsampled image with no encoder, so the fingerprint reflects low-level image statistics that any encoder preserves rather than a product of pretraining. Residualizing measured population covariates leaves site decodability essentially unchanged, indicating an acquisition- rather than population-driven effect. A nonlinear probe matches the linear one, so the fingerprint is fully linearly accessible. The site subspace is removable post hoc by iterative null-space projection or ComBat (site decodability 0.94 -> 0.07/0.00), and is a site-attribution concern for shared or federated embeddings; but for dense segmentation this removal is not free, because site and anatomy occupy an entangled linear subspace (a matched-rank random-direction projection is Dice-neutral, whereas removing the site subspace is destructive). We recommend site-audited use of frozen brain-MRI FMs and release an open audit toolkit.