医学数据预测中具有统计控制的层级变量重要性

基于摘要分析。该研究针对医学影像预测中复杂模型难以解释、且高度相关特征使条件变量重要性检验效能受限的问题，提出模型无关方法 Hierarchical-CPI，将推断目标转为发现对结局具有联合预测能力的变量组。研究对象是医学数据预测的统计解释，应用同时涵盖 MRI 与 EEG，并非新的 BCI 解码模型。 方法沿层级树探索变量子组，以限制搜索的计算开销，并提供显式的族错误率（family-wise error rate）控制。针对高相关性下条件重要性趋于消失的问题，作者引入基于树的重要性分配机制。摘要未交代层级树的构建方式、条件变量重要性的具体估计过程、统计控制成立所需假设及重要性分配公式，尚不能据此判断其实现细节与适用边界。 作者报告，将 Hierarchical-CPI 与先进的变量重要性方法进行基准比较，并在两个神经影像数据集上展示应用：利用 ADNI 的 MRI 数据分类痴呆诊断，以及利用 TDBRAIN EEG 数据分析 Berger effect。作者报告识别出了具有生物学合理性的变量，但摘要未提供具体变量、效应量、检验效能、错误率或计算成本的数值结果，因此不能量化其相对优势，也不能将解释结果等同于因果机制或 BCI 性能提升。 对 EEG 研究的直接阅读价值在于考察如何在相关特征间进行分组解释并控制多重检验错误。复现与评价需进一步核对 EEG 特征定义、变量分组依据、被试与数据划分、预测模型、比较基线，以及重要性结果的稳定性；实验协议、消融及统计信息尚未验证。