是的，你看到了那個亮亮的部分嗎？這就是說明這條死三文魚的某些身體部位在判斷圖片中的人的情緒哦！你是不是覺得很荒誕？這里的原因就是沒有做多重檢驗校正。圖中激活的部分并不是因為死三文魚在進行情緒判斷的認知活動，而是因為隨機誤差造成的虛報。如果我們進行多重檢驗校正以后，這條三文魚就全都黑下去了。

在了解了多重檢驗校正在fMRI實驗數(shù)據(jù)分析中的重要性之后，我們回過頭來看現(xiàn)在這篇文章。這篇文章在這條死三文魚之上，更進一步。因為業(yè)界大家都知道需要多重檢驗校正了，但是對于如何正確地多重檢驗校正并不同意。最暴力的方法是諸如bonferroni這樣的控制family-wise error(FWE)的方法：為了控制FWE程度上的虛報率p < 0.05, 直接上來給定這樣每一個Voxel的虛報率就要控制在以下——如果你沒有概念，我只能告訴你這是一個非常非常苛刻的要求。所以，大多數(shù)研究人員都不會選擇這樣的校正方法。于是一幫人選擇了clusterwise inference：

通過設(shè)置某個p-value的閾值(比如常用的0.01, 0.001)來篩選voxels，然后將相鄰的超過這個閾值的voxels構(gòu)成clusters, 這時候得到的clusters并不一定是顯著的。事實上clusterwise inference是通過尋找這些clusters來構(gòu)建新的統(tǒng)計量(比如cluster size, cluster mass等等)，然后用新的統(tǒng)計量來進行全局的假設(shè)檢驗，從而達到修正多重檢驗的目的。之后需要估計的就是在零假設(shè)下，滿足這樣的閾值條件所找到的clusters的分布。這篇文章說的就是在使用參數(shù)方法(gaussian random field)估計這一分布時候存在的問題。——@Yuanning

而本文就是發(fā)現(xiàn)，后面一種clusterwise inference，雖然理論上能夠控制整體的虛報率，但是在實際數(shù)據(jù)分析中會產(chǎn)生非常高的虛報率。他們說，這個虛報率甚至高達70%。也就是說，我們用這樣的校正方法，還是可能發(fā)現(xiàn)死三文魚在做認知任務(wù)這個問題上。

這項研究的作者是非常勤奮的，他們當(dāng)然不會只用三文魚來說事。他們使用了當(dāng)前學(xué)界最常用的3大分析軟件，對同一個包含將近400個人類被試的數(shù)據(jù)集進行了1000次隨機篩選，對于每一次隨機篩選使用了以前的實驗設(shè)計。這個數(shù)據(jù)集有意思的地方在于這是一個靜息態(tài)的數(shù)據(jù)集，所以作者假設(shè)這個數(shù)據(jù)集不應(yīng)該產(chǎn)生任何任務(wù)相關(guān)的激活。你可以這么想，你躺在掃描儀里面，閉上眼睛什么都不干。然后我告訴你，你此刻的大腦在分析一個你看都沒看到的圖片上的人臉的情緒，你會覺得這一定有問題。根據(jù)這樣的邏輯，文章作者就把這個把這個數(shù)據(jù)集丟進了若干實驗設(shè)計，一分析，一校正，發(fā)現(xiàn)：我勒個去，竟然看到了大腦部分區(qū)域激活了！這不科學(xué)！于是他們覺得，當(dāng)前使用的校正方法一定是有問題。為什么有問題呢？他們發(fā)現(xiàn)clusterwise inference的統(tǒng)計理論假設(shè)中對于空間信息和噪聲的假設(shè)并不能在實際數(shù)據(jù)中得到滿足，實際數(shù)據(jù)信息并不是空間高斯分布的。這個原因直接導(dǎo)致了使用clusterwise這一校正方法無法很好地控制虛報率。截止到這里，作者的研究結(jié)果都是非常有說服力的。