Reference Trajectories of Extra-Axial Cerebrospinal Fluid during Childhood and Adolescence Defined in a Clinically Acquired MRI Dataset.
正常軌跡為何頻現假性異常？解密建立兒科影像常模必備的統計演進史。
- 橫斷面圖表會壓平生長高峰，導致正常發育被誤判為異常跨界。
- 建立可靠神經影像常模，必須依賴 GAMLSS 模型以精確校正偏態。
- 動態斜率評估需以 Z-score 校正均值迴歸，才能避免極端值誤導。
正常青春期發育在橫斷面常模上，反而會頻繁跨越百分位呈現假性異常，主因是個體生長時程的標準差高達 1 年。追蹤兒科大腦腦脊髓液或身高時，若忽視均值迴歸效應，極易在判讀單次影像與數據時被誤導。
從 Galton 的 9337 筆量測到常模百分位建立
建立任何發育軌跡常模，首先必須收集龐大數據並降維處理。人體測量的初期多為了行政目的，例如評估奴隸勞動力或確保士兵體能。直到十九世紀末，在 Edwin Chadwick 等人推動下才轉向醫學應用。這段期間，比利時統計學家 Adolphe Quetelet 是第一個將常態分佈應用於生物特徵的人。他提出「平均人」概念，利用均值與誤差代表群體，但他的盲點在於將變異視為單純測量誤差，忽略真實生物多樣性。
為了解決此理論缺陷，Francis Galton 於 1884 年倫敦國際健康展覽會設立測量實驗室。他總共收集了 9337 位自願者數據（含 2954 位兒童），每人測量視力、聽力與身高體重等 17 項參數（Figure 3 為 Galton 自己填寫職業為「私人紳士」的測量卡）。Galton 注意到人體數據根本不符常態分佈，因此創新引入「百分位」概念。他在累積對數圖（Figure 4）上，將分佈切成 100 等分。若恰好呈常態分佈，中位數與四分位數距離即 0.6745 個標準差。這套理論演變成現代圖表骨幹，多採用約 0.67 SD 的間距來標示曲線，兼具標準差對稱與極端值反映。
| 時代與代表人物 | 核心統計概念 | 優點與臨床貢獻 | 技術侷限 |
|---|---|---|---|
| 19世紀初 (Quetelet) | 常態分佈與平均人 | 將大量特徵濃縮為平均值與可能誤差 | 忽略生物多樣性，將變異視為單純誤差 |
| 1884年 (Galton) | 百分位 (Percentiles) | 切割 100 等分，處理非常態分佈數據 | 缺乏平滑化與年齡跨度的高階預測 |
| 20世紀中 (Cole) | 三分之二 SD 間距 | 結合標準差對稱性與直觀的極端值標示 | 僅針對靜態數據，未徹底處理偏態 |
| 現代 WHO 標準 | LMS 與 GAMLSS 模型 | 校正偏態與峰度，提供連續年齡的精確 Z-score | 建構門檻極高，需龐大且無偏差的數據集 |
不同時代的模型特徵比較
GAMLSS 模型與 Figure 6 的橫斷面軌跡設計
1891 年，Henry Bowditch 分析麻州兒童數據時嘗試了三種圖表佈局。其中第三種佈局（原文 Figure 6）將身高繪於 Y 軸、年齡繪於 X 軸，並畫出各百分位曲線，使得醫師能同時觀察發育數值的絕對距離與動態速度。這套設計經受百年考驗，成為當代醫學圖表的標準格式。
然而建構神經影像常模（如腦室或皮質發育）時，單純依賴傳統百分位切割會有困難，因發育軌跡常具高度非線性與嚴重偏態。世界衛生組織（WHO）開發最新標準時，評估了 30 種統計法，最終強推 GAMLSS（廣義加法模型，能處理隨年齡變化的偏態與峰度）。GAMLSS 核心為 LMS 方法，利用 Box-Cox 轉換技巧（將非正規偏態數據轉換為常態分佈），以三個參數來捕捉特徵：L（偏態）、M（中位數）與 S（變異係數）。藉由這些隨年齡平滑變動的參數，不僅能重建百分位曲線，還能逆向把患者測量值轉為 Z-score，將概略對應升級為精確的量化分析。
Figure 8A 的青春期發育時程與斜率判讀陷阱
對於忙碌的臨床醫師而言，本篇回顧最令人訝異的現象在於「青春期發育時程的變異」。觀察 Figure 8A 的速度曲線可見，不同個體達到生長高峰的年齡落在 12 到 16 歲不等。若把這些不同時間點達到高峰的數據直接取橫斷面平均，得出的平均曲線會被嚴重壓平、變寬；反之，若像 Figure 8B 依據發育年齡重新對齊，平均曲線形狀即與真實個體斜率吻合。
這凸顯出一個事實：基於橫斷面資料建立的百分位曲線，其斜率遠小於兒童真實的生長斜率。細看 Figure 9，提早進入發育期的兒童生長曲線疊加傳統常模時，會頻繁往上跨越好幾條百分位線，再掉回原位。這極易讓醫師誤以為病患的發育或大腦體積異常加速，但實際上僅是常模設計未經時程校正的假象。這對於判讀神經影像的動態變化有極為關鍵的啟發，警告我們不能將單點影像直接套用靜態常模。
手腕骨 X 光輻射疑慮與 Tanner 縱向常模侷限
為了解決橫斷面常模的誤導，Tanner 與 Whitehouse 開發了調整過發育時程的縱向生長圖（Figure 10）。這種圖表同時具備單一時間點的實線與縱向連續的陰影百分位，甚至加入骨齡作為 X 軸，試圖藉由骨齡來校正每個人不同的發育時程，在 1960 年代曾大受歡迎。
然而，這套解法在現代醫學遇到了不可挽回的阻礙。生長速度圖只能在病人測量跨越高峰期後才能後見之明地確認，對即時診斷無助。更衝擊放射科的是，過去評估骨齡必須常規拍攝手腕骨 X 光片，但近年對於非必要輻射暴露的道德標準提升，這類單純為校正常模而拍 X 光的做法已全面式微。失去骨齡這個校正錨點，高度依賴骨骼成熟度來平滑化曲線的縱向常模，已難以在現代臨床執行。
Figure 11B 均值迴歸校正與 Z-score 應用
從統計學的角度來看，為了解決縱向常模無法實施的困境，學者發展了一套完全無需測量絕對速率，純基於「跨越百分位線統計機率」的嶄新策略——Thrive lines（茁壯線）。如果在不同時間點測量兩次 Z-score（$Z_1$ 與 $Z_2$），相關係數為 $r_1$，便可算出校正均值迴歸的條件化生長速度。
均值迴歸是影像追蹤中最容易被忽略的干擾：體型或腦容積偏低的兒童，後續增長率自然會高於大體型兒童。若未予調整，單看數值增減極易導出錯誤結論。根據文中推導，條件化增量的 Z-score 計算公式為 $(Z_2 - r_1 Z_1) / \sqrt{1 - r_1^2}$。給定目標速度後，我們能反向推演連續數值，畫出輔助線 Thrive line。
若檢視原文 Figure 11A 的範例，一名男嬰在三個月內體重從中位數下滑到第 9 百分位，雖然明顯變慢，但肉眼難以判定嚴重性。一旦套用專供四週區間設計的第 5 百分位 Thrive lines（Figure 11B），醫師比較斜率後立刻能量化發現：該病患連續兩個月生長速度大幅跌破臨界值。這種將高階迴歸預先轉換為視覺輔助線的技術，免去醫師手算麻煩，如今更適合內建於放射科電子病歷軟體中隨時疊加參考。
| 比較維度 | 傳統橫斷面常模百分位 | Tanner 縱向速度圖 | Thrive lines 茁壯線 (Z-score) |
|---|---|---|---|
| 核心指標 | 絕對距離與位置 | 絕對生長速率 (例如 cm/year) | 跨百分位線的斜率與統計機率 |
| 青春期高峰對齊 | 無校正，圖表曲線被壓平 | 依賴事後確認與骨齡 X 光對齊 | 無須依賴骨齡，採均值迴歸校正 |
| 均值迴歸處理 | 未考慮 | 未考慮 | 將起點 Z-score 與相關係數納入條件運算 |
| 臨床實用性 | 易呈現假性異常交叉 | 需拍攝具輻射疑慮的手腕骨 X 光 | 可做成透明覆蓋圖或直接內建於軟體 |
處理縱向發育速度的不同策略
放射科應用的限制與數位常模啟示
回到這份長達兩百年歷史的回顧，作者坦承常模建立有其適用邊界。例如 WHO 2006 年的國際標準，建立樣本群在體重與頭圍上都相對偏小。在英國發布的 UK-WHO 圖表中（Figure 1），特地把出生後前兩週的百分位曲線刻意抽掉。因為英國本地 1990 年出生體重遠高於 WHO 標準，若硬套用會造成大量健康嬰兒被誤判體重過低。這種「參考樣本特性與實際臨床收案數據脫鉤」的現象，是引入國外數據集（如 AI 模型提取的皮質厚度）時必備的警覺。
面對自動化量測軟體普及的今天，這篇文章提供了實務指引：第一，判讀大腦 radiomics（從影像自動抽上千個量化特徵）報告時，務必確認軟體是否使用 GAMLSS 校正偏態，否則產出的百分位數恐有嚴重誤差。第二，看到追蹤影像容積數值跨越百分位線切勿急於下異常結論，因為正常衝刺本來就會跨越壓平的常模曲線。第三，藉由電腦螢幕動態呈現，我們能一鍵切換 Thrive lines，精準分辨數值變化是病理性異常還是生理性追趕發育。
下次當你看到兒科病患追蹤 MRI 上的大腦或腦室體積百分位發生跨越時，請先確認這是否為青春期未經校正的假象，而非急著寫下水腦或腦萎縮的 impression！