当一个人注视面孔时，大脑在毫秒内便开始提取特征、表情与身份信息。然而，对于许多自闭症人士来说，这一过程从起始阶段就走上了一条迥异的神经路径。近日，耶鲁大学医学院 James McPartland 教授团队在《自然·精神卫生》（Nature Mental Health）发表了一项里程碑式研究，首次在全头皮尺度上结合机器学习解码，系统描绘了自闭症儿童面孔加工神经活动的时空图谱，揭示出神经信号模糊、发育轨迹停滞等关键特征，为自闭症的生物学诊断提供了全新视角。

从“单一街道”到“全城卫星”：全头皮 EEG 解锁隐藏信息

以往大多数研究借助脑电图考察面孔加工时，往往只聚焦于少数几个电极位点，尤其是枕颞区经典的面孔敏感成分 N170。McPartland 形象地将这种策略比喻为“仅用一台安装在市中心街道的摄像机来估算整个城市的交通流量”。为了突破这一局限，新研究采用了来自自闭症生物标志物临床试验联盟（ABC-CT）的大规模数据集，纳入了约400名年龄跨度较广的自闭症和神经典型儿童。实验期间，儿童观看面孔和物体图片，研究者同步记录其头皮上均匀分布的128个电极的脑电信号，而后运用机器学习算法解析全脑活动模式能否解码出被试正在观看的内容。

结果呈现出鲜明的对比：当神经典型儿童观看面孔时，头皮记录的神经活动模式足够清晰，使得机器学习模型能够较为准确地判定其观看的是面孔；但自闭症儿童的面孔诱发信号则更加弥散、不典型，解码准确率显著下降。第一作者、休斯顿大学心理学助理教授 Jason Griffin（原 McPartland 实验室博士后）指出：“我们在自闭症儿童头皮上测量到的神经活动就是不够鲜明。” 这种“模糊”不仅体现在空间分布上，更反映了对面孔特异性编码的减弱。

面孔信号随年龄精细化的发育停滞

研究中另一个震撼的发现是发育轨迹的分离。在神经典型儿童中，随着年龄增长，大脑对面孔的反应信号逐渐变得更加精细和专门化，使机器学习模型对面孔的解码能力随之提高。然而，在自闭症儿童中，这种与年龄相关的精细化过程近乎缺席。 McPartland 解释道：“当我们在非自闭症人群中看到这种预期的精细化与专门化时，在自闭症人群中我们看到的却是发育变化的减少。” Griffin 则直接点出：“他们的面孔特异性加工并未遵循相同的轨迹。”

这一发现深刻地改变了我们对面孔加工差异出现的时间节点的认识。长久以来，领域内的目光锁定在约170毫秒出现的 N170 成分上——已知自闭症人群的 N170 潜伏期延迟、波幅异常。但此次运用覆盖全时段信息的新解码方法后，研究者意识到自闭症相关的差异在比 N170 更早的时间窗口就已显现。McPartland 强调：“当你用一种对完整时间信息更具包容性的方法去考察面孔加工时，我们看到的就是自闭症的差异发生得更早。” 这意味着，导致后续社交困难的底层神经差异可能在视觉信息流进入高级加工区之前便已存在。

早期神经差异呼唤早期支持，新生物标志物浮出水面

这些发现对于理解和干预自闭症具有重要启示。过去临床上有过强制要求自闭症患者进行目光接触的做法，如今已被证明无效且可能带来伤害。研究的深层价值在于，它提示如果要从神经基础上改善面孔情绪解读困难，支持性干预可能需要在童年早期、这些发育差异刚出现时便开始实施。 McPartland 用现实场景阐释了面孔加工困难对日常生活的影响：“想象一下，当你难以感知他人面孔中的信息时，要如何应对日常生活——从游乐场到求职面试。这是让许多自闭症人士感到艰难的关键领域之一。”

此外，这一全脑解码范式还有望催生新的生物标志物。当前自闭症的诊断完全依赖行为观察，缺乏客观的生物学工具。McPartland 团队认为，全头皮 EEG 结合机器学习解码所揭示的面孔特异性神经表征的发育迟滞，有潜力成为识别自闭症亚型、预测治疗反应乃至辅助诊断的生物学指标。“这是引入一种新生物标志物的第一步，” McPartland 说道。随着未来更大范围和纵向研究的推进，这种基于脑电的全脑解码技术或将为自闭症的精准医学打开一扇窗。