多模态脑影像预测家庭-社区社会经济环境对青少年脑发育的影响

《Scientific Reports》:Machine learning algorithm reveals neurodevelopmental signatures of combined family income and neighborhood disadvantage in adolescents

【字体: 大 中 小 】 时间:2026年03月02日 来源:Scientific Reports 3.9

编辑推荐:

  这项研究旨在解决如何用客观的神经生物指标衡量和解析社会经济状态对大脑的复杂影响。研究人员通过应用弹性网络等机器学习模型,分析多模态脑影像(sMRI/RSFC/DTI)与SES(特别是家庭收入与社区环境)的关联。研究结果成功用脑数据(尤其DTI)预测SES,最佳模型区分收入高低组AUC可达~0.97,揭示了与认知控制、语言相关的白质完整性等是关键特征。该工作为理解社会不平等如何“嵌入”大脑提供了新视角与方法。

  
在社会生活中,家庭收入和邻里环境常常交织在一起,构成了一个复杂的社会经济网络。长久以来,人们认识到成长于不同社会经济背景下的儿童,在认知、行为和健康方面可能存在差异。但这些差异是如何在大脑中留下“印记”的?传统研究通常将“社会经济状态”(SES)作为一个简单的复合指标,并采用常规统计方法,探究其与大脑结构或功能区域的关联。然而,这种方法面临一个根本性挑战:大脑是一个极其复杂的动态系统,其特征之间存在高度的共线性,传统方法难以捕捉其整体的、相互作用的模式。更重要的是,构成SES的不同层面——比如家庭经济资源和社区环境劣势——对大脑的影响是独立存在,还是协同作用?我们能否仅仅通过观察一个人的大脑扫描图像,就推断出其成长的社会经济环境?这不仅是一个有趣的科学问题,更对理解社会不平等如何塑造个体发展的生物学路径至关重要。
为了回答这些问题,一组研究人员在《Scientific Reports》上发表了一项开创性研究。他们摒弃了传统的线性分析思路,转而采用机器学习的力量。研究人员收集了青少年群体的多模态脑成像数据,包括描绘大脑结构的结构性磁共振成像(sMRI)、反映大脑连接状态的静息态功能连接(RSFC),以及至关重要的、能够追踪大脑白质纤维微观结构的扩散张量成像(DTI)。他们将家庭收入和邻里劣势结合起来,构建了一个更能反映真实社会经济环境的复合指标,并将其作为机器学习模型预测的目标。研究者训练了弹性网络(elastic net)模型,这是一种能够处理高维、共线性数据的回归模型,来探究大脑特征是否能独立预测SES,以及结合人口统计学信息(如年龄、性别)是否能进一步提升预测效能。
研究人员运用了几个关键技术方法来推动这项研究。首先,核心是机器学习建模,特别是弹性网络回归模型,用于从高维、共线性的脑成像特征中筛选并预测社会经济状态指标。其次,研究依赖于多模态神经影像数据的采集与分析,包括结构性磁共振成像用于量化脑区体积和皮层特征,静息态功能磁共振成像用于构建大脑功能连接网络,以及扩散张量成像用于评估白质纤维的微观结构和组织完整性。此外,研究采用了受试者操作特征曲线下面积(AUC)等指标来严格评估模型的预测性能与区分能力。本研究的样本队列来源于参与大型神经影像学研究的青少年群体。
研究结果揭示了几个关键结论。首先,神经特征独立预测社会经济状态的能力得到证实。研究结果显示,仅使用神经影像特征构建的模型就能有效预测SES,而加入年龄、性别等人口统计学信息后,模型性能的提升非常有限。这表明大脑本身携带了与社会经济环境相关的强烈生物学信号。
其次,预测模型性能优异,尤其在区分极端收入群体时表现最佳。在所有模型中,预测家庭收入的模型以及结合了所有模态数据的多模态模型表现最好。表现最优的基础模型(使用多模态数据预测收入)在不加入人口统计信息时,在测试集和训练集上的AUC分别达到了0.75和0.811;加入人口信息后,性能提升至0.779和0.836。而专门针对极端群体的次级模型表现更为惊人:用于区分收入分布顶端和底部约10-20%儿童的模型,在不使用人口信息时,测试和训练AUC分别达到0.81和0.969;加入人口信息后,更是达到了0.863和0.986。这表明大脑特征对极端社会经济环境的差异最为敏感。
第三,不同脑成像模态的贡献度存在差异,白质微观结构最为关键。在sMRI、RSFC和DTI这三种模态中,DTI被证明是最具区分力的,其次是sMRI。这意味着,反映大脑白质纤维的完整性、组织性和连接效率的指标,是预测社会经济状态最强的神经生物标志物。
第四,最具区分力的大脑特征具有全局分布性,并与高级认知功能相关。研究发现,对预测贡献最大的大脑特征并非局限于某个特定脑区,而是广泛分布于全脑。这些特征主要与执行功能(EF)和语言功能相关。执行功能涉及认知控制、工作记忆和灵活思维,而语言功能则是社会认知和学习的基础。这表明,社会经济环境对大脑的影响,可能特别体现在那些支持复杂认知控制和语言处理的大规模脑网络的组织效率上。
最后,收入差距与模型预测性能呈正相关。研究观察到,用于预测收入的多模态模型的性能,与家庭收入之间的差距大小存在正相关关系。也就是说,群体间的收入差异越大,模型根据大脑特征区分不同收入水平个体的能力就越强。这进一步证实了社会经济不平等与大脑发育差异之间的紧密联系。
综上所述,本研究得出了明确的结论:利用多模态神经影像数据,特别是结合机器学习方法,可以有效预测青少年的社会经济状态,其中家庭收入是最具预测性的指标。即使在不依赖任何人口统计学信息的情况下,仅凭大脑扫描数据也能实现相当准确的预测。这项研究最重要的发现在于确定了最具预测价值的大脑特征:它们主要来源于DTI所测量的白质完整性与组织性;这些特征在全脑范围内广泛分布而非局限于特定区域;并且它们与认知控制和语言功能密切相关。这项研究的意义深远,它首次通过数据驱动的方法,系统性地描绘了家庭与社区社会经济环境“嵌入”青少年大脑的神经发育图谱,为理解社会不平等影响个体发展的生物机制提供了客观、定量的证据。所建立的预测模型和识别出的关键神经特征,未来或可用于评估相关社会政策与干预措施对儿童脑健康的影响,为促进所有儿童公平的神经发育机会开辟了新的科学路径。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号