科学家在利用成像技术理解大脑复杂性时，往往只关注最强的信号而忽略其余部分。耶鲁大学医学院的研究团队警告称，这种策略可能只揭示了冰山的尖顶。一项新研究证明，被常规丢弃的连接能够以惊人的准确性预测行为，并指向完全不同的脑网络。
问题所在：“特征选择”造成的盲区
人类神经成像的一个核心目标是揭示驱动认知和精神健康的大脑机制。然而，脑连接的复杂性使数据解读极具挑战。为此，研究人员常用特征选择（feature selection） 方法——只关注最强的前10%脑连接，以使数据更易处理。
但本研究团队质疑：被特征选择丢弃的信号（后90%的连接）是否可能包含关于脑与行为关系的有意义信息？
研究方法：分组建模，逐层测试
研究团队分析了来自美国四个主要数据集的超过12,000名参与者的脑成像和行为数据。他们：
-
计算每个脑连接与待预测行为之间的关联强度。
-
将所有连接从最强到最弱排序，并划分为10个不重叠的组：
-
第1组：前10%最强连接（传统方法关注的）
-
第2-10组：剩余90%连接（通常被视为“噪音”丢弃的）
-
-
为每组分别构建一个预测模型，共10个模型。
核心发现：弱连接同样能精准预测行为
结果出乎意料：
排名较低的连接（第2-9组）始终能达到与前10%最强连接相似的预测精度。 在某些情况下，基于较低排名连接构建的模型，其表现甚至优于基于最强连接训练的模型。
作者认为，这可能是因为预测信息广泛分布于整个脑连接网络中，而非仅集中在一小部分最强连接内。
“令我们惊讶的是，即使我们完全排除了人们通常用来预测行为的那些网络，仅使用那些通常被丢弃的连接，我们仍然能达到几乎相同的预测精度，”第一作者Brendan Adkinson博士表示。
对精神疾病治疗的启示
这一发现对理解脑疾病具有深远意义：
-
避免过度简化：聚焦最强信号会过度简化大脑的真实复杂性。对于抑郁症等精神疾病，不同个体可能依赖完全不同的神经通路来实现同一行为。
-
扩大治疗靶点：如果多个脑回路能达到相似的预测精度，那么治疗靶点就不应仅限于最强网络。
-
解释个体差异：“虽然传统干预所针对的网络可能对大多数患者有效，但这些被忽视的网络可能对某些特定亚群的患者更有用，”Adkinson说。“这或许可以解释，为什么有些人对他人的有效治疗没有反应。”
从“生物标志物”到“精准分层”
研究团队希望，通过更好地反映大脑的复杂性和个体变异性，这些发现能够提高基于脑的生物标志物的临床疗效。未来的精神健康治疗可能不再追求“一刀切”的靶点，而是根据患者个体所依赖的特定脑网络（无论其信号强弱）进行精准干预。
研究意义总结
| 传统做法 | 本研究揭示 |
|---|---|
| 只关注前10%最强连接 | 后90%的“弱”连接同样具有预测力 |
| 假设信息集中分布于少数强连接 | 预测信息广泛分布于整个连接组 |
| 治疗靶点限于最强网络 | 被忽视的网络可能对特定患者更有效 |
| 难以解释治疗反应的个体差异 | 为治疗分层提供生物学基础 |
文献信息
Adkinson, B. D., et al. (2026). Feature selection leads to divergent neurobiological interpretations of brain-based machine learning biomarkers. Nature Human Behaviour.
DOI: 10.1038/s41562-026-02447-y