在利用神经影像学解析大脑复杂性的进程中，科研界长期存在一种“择优录取”的倾向：分析者往往习惯于保留强度最高的那部分信号，而将其余的视为无意义的“噪声”予以剔除。然而，近日发表于《自然-人类行为》（Nature Human Behaviour）的一项研究发出警示：这种策略可能仅揭示了冰山一角。耶鲁大学研究团队证实，那些在常规特征选择（Feature selection）中被过滤掉的“弱连接”信号，不仅能以极高的精度预测行为，还揭示了此前从未被关注的神经网络。
这一发现不仅动摇了当前神经影像学的主流数据处理范式，更为精神疾病的精准干预开启了大量此前处于“视野盲区”的新靶点。
范式之困：被“特征选择”过滤掉的神经生物学
目前，人类神经影像研究致力于阐明驱动认知与心理健康的底层机制。然而，大脑连接图谱的维度极高，为了提高数据解释力，研究者普遍采用特征选择技术，通常只筛选关联强度排名前 10% 的大脑连接。
耶鲁大学医学院的 Brendan Adkinson 博士指出：“这种将大脑精简为‘窄带信号’的做法，极大地简化了复杂的神经生物学基础。我们的研究表明，大脑中存在多个功能互补且互不重叠的神经网络，它们在预测特定行为方面的能力其实是不相上下的。”
实验突破：90% 的“噪声”并非干扰，而是分布式特征
为了验证这一假设，研究团队调取了全美四个大型数据库、超过 12,000 名受试者的多模态影像与行为数据。研究人员将大脑连接按关联强度从高到低进行分层，并均分为 10 个互不重叠的组别：
-
Top 10% 组：最强连接组（传统研究的唯一重点）；
-
Remaining 90% 组：被分为 9 个组别（常规分析中的“弃子”）。
实验结果出人意料：排名在第 2 至第 9 组的“中弱连接”信号，在预测个体行为方面的准确率与 Top 10% 组高度一致。在某些特定任务模型中，基于这些“次要信号”构建的预测精度甚至超过了最强连接模型。这说明，驱动行为的预测信息在大脑中呈现出高度的**分布式（Distributed）**特征，而非仅富集于少数几个强连接节点中。
临床启示：解释个体差异与疗效“脱靶”
这一发现对精神障碍的精准诊疗具有重要指导意义。对于抑郁症等复杂疾病，不同患者在大脑回路的利用上存在显著的个体异质性。
目前的神经调控治疗（如 TMS 或深部脑刺激）大多聚焦于那些“共性强网络”。Adkinson 解释称，虽然主流靶点对多数人有效，但这些被长期忽视的“弱连接网络”可能对某些特定的患者亚群更具临床价值。这或许能合理解释，为何某些在临床金标准中有效的疗法，在部分患者身上却遭遇了“脱靶”困境。
结语：重塑生物标志物的“认知粒度”
该研究提醒科研界，在开发基于脑影像的生物标志物（Biomarkers）时，必须充分考量大脑的复杂性溢出效应。
耶鲁大学放射学与生物医学成像副教授 Dustin Scheinost 博士表示，这项成果将推动生物标志物在临床中的精准投放。通过捕捉那些曾经迷失在“背景噪声”中的微弱信号，未来的精神疾病诊疗有望从“一刀切”转向更具颗粒度的特异性方案。
参考文献：Brendan D. Adkinson et al, Feature selection leads to divergent neurobiological interpretations of brain-based machine learning biomarkers, Nature Human Behaviour (2026). DOI: 10.1038/s41562-026-02447-y
编辑：王洪
排版：李丽
评论 (0)