《Scientific Reports》：Machine learning algorithm reveals neurodevelopmental signatures of combined family income and neighborhood disadvantage in adolescents
編輯推薦：
這項研究旨在解決如何用客觀的神經生物指標衡量和解析社會經濟狀態對大腦的復雜影響。研究人員通過應用彈性網絡等機器學習模型，分析多模態腦影像（sMRI/RSFC/DTI）與SES（特別是家庭收入與社區環境）的關聯。研究結果成功用腦數據（尤其DTI）預測SES，最佳模型區分收入高低組AUC可達~0.97，揭示了與認知控制、語言相關的白質完整性等是關鍵特征。該工作為理解社會不平等如何“嵌入”大腦提供了新視角與方法。
在社會生活中，家庭收入和鄰里環境常常交織在一起，構成了一個復雜的社會經濟網絡。長久以來，人們認識到成長于不同社會經濟背景下的兒童，在認知、行為和健康方面可能存在差異。但這些差異是如何在大腦中留下“印記”的？傳統研究通常將“社會經濟狀態”（SES）作為一個簡單的復合指標，并采用常規統計方法，探究其與大腦結構或功能區域的關聯。然而，這種方法面臨一個根本性挑戰：大腦是一個極其復雜的動態系統，其特征之間存在高度的共線性，傳統方法難以捕捉其整體的、相互作用的模式。更重要的是，構成SES的不同層面——比如家庭經濟資源和社區環境劣勢——對大腦的影響是獨立存在，還是協同作用？我們能否僅僅通過觀察一個人的大腦掃描圖像，就推斷出其成長的社會經濟環境？這不僅是一個有趣的科學問題，更對理解社會不平等如何塑造個體發展的生物學路徑至關重要。
為了回答這些問題，一組研究人員在《Scientific Reports》上發表了一項開創性研究。他們摒棄了傳統的線性分析思路，轉而采用機器學習的力量。研究人員收集了青少年群體的多模態腦成像數據，包括描繪大腦結構的結構性磁共振成像（sMRI）、反映大腦連接狀態的靜息態功能連接（RSFC），以及至關重要的、能夠追蹤大腦白質纖維微觀結構的擴散張量成像（DTI）。他們將家庭收入和鄰里劣勢結合起來，構建了一個更能反映真實社會經濟環境的復合指標，并將其作為機器學習模型預測的目標。研究者訓練了彈性網絡（elastic net）模型，這是一種能夠處理高維、共線性數據的回歸模型，來探究大腦特征是否能獨立預測SES，以及結合人口統計學信息（如年齡、性別）是否能進一步提升預測效能。
研究人員運用了幾個關鍵技術方法來推動這項研究。首先，核心是機器學習建模，特別是彈性網絡回歸模型，用于從高維、共線性的腦成像特征中篩選并預測社會經濟狀態指標。其次，研究依賴于多模態神經影像數據的采集與分析，包括結構性磁共振成像用于量化腦區體積和皮層特征，靜息態功能磁共振成像用于構建大腦功能連接網絡，以及擴散張量成像用于評估白質纖維的微觀結構和組織完整性。此外，研究采用了受試者操作特征曲線下面積（AUC）等指標來嚴格評估模型的預測性能與區分能力。本研究的樣本隊列來源于參與大型神經影像學研究的青少年群體。
研究結果揭示了幾個關鍵結論。首先，神經特征獨立預測社會經濟狀態的能力得到證實。研究結果顯示，僅使用神經影像特征構建的模型就能有效預測SES，而加入年齡、性別等人口統計學信息后，模型性能的提升非常有限。這表明大腦本身攜帶了與社會經濟環境相關的強烈生物學信號。
其次，預測模型性能優異，尤其在區分極端收入群體時表現最佳。在所有模型中，預測家庭收入的模型以及結合了所有模態數據的多模態模型表現最好。表現最優的基礎模型（使用多模態數據預測收入）在不加入人口統計信息時，在測試集和訓練集上的AUC分別達到了0.75和0.811；加入人口信息后，性能提升至0.779和0.836。而專門針對極端群體的次級模型表現更為驚人：用于區分收入分布頂端和底部約10-20%兒童的模型，在不使用人口信息時，測試和訓練AUC分別達到0.81和0.969；加入人口信息后，更是達到了0.863和0.986。這表明大腦特征對極端社會經濟環境的差異最為敏感。
第三，不同腦成像模態的貢獻度存在差異，白質微觀結構最為關鍵。在sMRI、RSFC和DTI這三種模態中，DTI被證明是最具區分力的，其次是sMRI。這意味著，反映大腦白質纖維的完整性、組織性和連接效率的指標，是預測社會經濟狀態最強的神經生物標志物。
第四，最具區分力的大腦特征具有全局分布性，并與高級認知功能相關。研究發現，對預測貢獻最大的大腦特征并非局限于某個特定腦區，而是廣泛分布于全腦。這些特征主要與執行功能（EF）和語言功能相關。執行功能涉及認知控制、工作記憶和靈活思維，而語言功能則是社會認知和學習的基礎。這表明，社會經濟環境對大腦的影響，可能特別體現在那些支持復雜認知控制和語言處理的大規模腦網絡的組織效率上。
最后，收入差距與模型預測性能呈正相關。研究觀察到，用于預測收入的多模態模型的性能，與家庭收入之間的差距大小存在正相關關系。也就是說，群體間的收入差異越大，模型根據大腦特征區分不同收入水平個體的能力就越強。這進一步證實了社會經濟不平等與大腦發育差異之間的緊密聯系。
綜上所述，本研究得出了明確的結論：利用多模態神經影像數據，特別是結合機器學習方法，可以有效預測青少年的社會經濟狀態，其中家庭收入是最具預測性的指標。即使在不依賴任何人口統計學信息的情況下，僅憑大腦掃描數據也能實現相當準確的預測。這項研究最重要的發現在于確定了最具預測價值的大腦特征：它們主要來源于DTI所測量的白質完整性與組織性；這些特征在全腦范圍內廣泛分布而非局限于特定區域；并且它們與認知控制和語言功能密切相關。這項研究的意義深遠，它首次通過數據驅動的方法，系統性地描繪了家庭與社區社會經濟環境“嵌入”青少年大腦的神經發育圖譜，為理解社會不平等影響個體發展的生物機制提供了客觀、定量的證據。所建立的預測模型和識別出的關鍵神經特征，未來或可用于評估相關社會政策與干預措施對兒童腦健康的影響，為促進所有兒童公平的神經發育機會開辟了新的科學路徑。
