发表机构
Inria; CEA; Université Paris-Saclay; CNRS; CentraleSupélec; L2S（法国国家信息与自动化研究所; 法国原子能和替代能源委员会; 巴黎-萨克雷大学; 法国国家科学研究中心; 中央理工-高等电力学院; 信号与系统实验室）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本研究构建跨6个rs-fMRI数据集的年龄预测基准，对比多种SPD矩阵学习方法的外部泛化性能，发现留一数据集评估下方法差异缩小、误差上升，为相关方法提供统一评估框架。
AI 中文摘要
静息态功能磁共振成像（rs-fMRI）功能连接（FC）矩阵被广泛用于个体水平预测，但在一个队列内的强性能可能无法泛化到新队列。本研究探究当测试数据来自完全保留的rs-fMRI数据集时，数据集内的性能是否仍能保持。每个扫描被表示为正则化对称正定（SPD）相关连接组，这使得方法可以利用SPD流形的几何特性。我们引入了一个跨六个rs-fMRI数据集的可复现年龄预测基准，这些数据集包括COBRE、ADNIDOD、Cam-CAN、ABIDE、OASIS-3和ADNI。该基准在数据集内GroupKFold、合并GroupKFold和留一数据集（LODO）评估设置下，比较了向量化相关基线、切空间岭回归（Tangent-Space Ridge）、SPDNet和分块黎曼协调（split-wise Riemannian harmonization）。数据集内和合并GroupKFold的结果明显优于LODO结果。当整个数据集被保留时，预测误差会增加，方法间的差异会缩小，且性能受年龄范围不匹配和队列异质性的强烈影响。该基准提供了通用输入、模型设置、数据划分和分析脚本，以便未来的SPD矩阵学习方法可以在相同的外部验证协议下进行评估。
英文摘要
Resting-state functional magnetic resonance imaging (rs-fMRI) functional connectivity (FC) matrices are widely used for individual-level prediction, but strong performance within one cohort may not generalize to a new cohort. We ask whether within-dataset performance remains when the test data come from an entirely held-out rs-fMRI dataset. Each scan is represented as a regularized symmetric positive definite (SPD) correlation connectome, which allows methods to use the geometry of the SPD manifold. We introduce a reproducible age-prediction benchmark across six rs-fMRI datasets: COBRE, ADNIDOD, Cam-CAN, ABIDE, OASIS-3, and ADNI. The benchmark compares a vectorized correlation baseline, Tangent-Space Ridge, SPDNet, and split-wise Riemannian harmonization under within-dataset GroupKFold, pooled GroupKFold, and leave-one-dataset-out (LODO) evaluation. Within-dataset and pooled GroupKFold results are substantially more favorable than LODO results. When an entire dataset is held out, prediction error increases, differences among methods narrow, and performance is strongly affected by age-range mismatch and cohort heterogeneity. The benchmark provides common inputs, model settings, data splits, and analysis scripts so that future SPD matrix learning methods can be evaluated under the same external-validation protocol.
Comments33 pages, 5 figures
