機械学習アルゴリズムが明らかにする思春期における家計収入と地域不利の複合的な神経発達の特徴

なぜお金と地域が発達中の脳に影響するのか

なぜ裕福な家庭や安全な地域で育った子どもたちは学業成績が良く、行動上の問題が少ないことが多いのか。本研究は、家庭の収入や地域の状況の痕跡が実際に脳の内部に見て取れるかを問う。米国の何千人もの思春期の脳スキャンと最新の計算手法を用い、研究者は脳が社会経済的地位の驚くほど強い「痕跡」を帯びていること、そしてその痕跡が認知機能や行動と結びついていることを示す。

何千人ものティーンの脳をのぞく

本研究は、米国内の1万1千人以上の子どもを追跡しているAdolescent Brain Cognitive Development（ABCD）研究に基づく。この集団のうち、7,000人以上の9〜10歳児が高品質な脳スキャンと完全な背景情報を有していた。家族は総家計収入を報告し、研究者は各児童の自宅住所を地域の二つの指標に紐づけた。ひとつは全体的な困窮度を捉える指標、もうひとつは良い学校や公園、医療へのアクセスなど子どもにとって重要な機会に焦点を当てた指標である。これらを合わせることで、各児童の社会的・経済的環境の詳細な像が描き出される。

脳の中にある社会的手がかりをコンピュータに学習させる

本研究では脳の指標を1つずつ見るのではなく、elastic netと呼ばれる機械学習手法を用い、数千に及ぶ高度に相関した脳特徴を同時に扱った。モデルには三種類の脳データが投入された。構造的MRIは異なる脳領域の大きさや皮質の厚さを測り、拡散イメージングは領域をつなぐ配線である白質の組織性や配列を追跡し、安静時機能的スキャンは子どもが静かにしているときに脳ネットワークが自然にどのように通信しているかを捉える。コンピュータモデルはサンプルの80%で訓練され、残りの20%で検証され、結果が元のグループを越えて一般化することが担保された。

脳はどれほど社会的状況を明らかにするか

モデルは高収入対低収入の子どもや、より恵まれた地域対不利な地域の子どもを確実に識別できた。脳データのみを用いた最良モデルは、低収入と高収入の子どもをおおむね4分の3の確率で正しく分類し、これは他の最先端の脳予測研究での成績と同程度である。人種や性別といった情報を加えても精度はわずかにしか向上せず、脳自体が子どもの社会経済的背景について堅牢な手がかりを保持していることを示唆する。収入の最も極端な比較、すなわち収入分布の下位10〜20%の子どもと上位10〜20%の子どもを比べると、正答率はさらに上がり、比較する収入グループが似てくるにつれて着実に下がった。

どの部位が物語を語るか

もっとも印象的な発見の一つは、脳の配線（白質）が社会的・経済的条件に特に敏感に反応しているらしいことだ。神経線維の配列や絶縁性がどれほど整っているかを反映する白質の指標は、伝統的な脳サイズの指標よりも有益な情報を示すことが多かった。これらの違いは脳全体に広く分布していたが、とくに前頭葉を深部構造や頭側の側頭・頭頂領域へつなぐ結線で強く現れた。これらの領域は計画や注意といった実行機能、言語、社会的理解を支える。対照的に地域の不利さは、半球全体の平均のような非常に全体的な特徴とより密接に結びついており、場所のいくつかの側面が脳発達に広範囲な影響を与えることを示唆している。

脳の違いから日常の思考や行動へ

研究はまた、収入や地域に結びつく脳パターンが日常機能に現れるかを検証した。調べられたほぼすべての認知検査と行動評価において、低収入家庭やより不利な地域出身の子どもは言語、記憶、問題解決課題で低い得点を示し、注意困難や外向的行動の尺度では高い得点を示した。差は特に大きく、最低収入群と最高収入群の間ではしばしば1標準偏差ほどに達した。これは、機械学習モデルが同定した脳の署名が単なる画像上の抽象的なパターンではなく、子どもの思考、学習、行動における実質的な差異に対応していることを意味する。

子どもと社会にとって何を意味するか

簡潔に言えば、本研究は、経済資源が少ない環境や不利な地域で育つことが発達中の脳に顕著な痕跡を残すこと、とくに脳の配線や言語や自己制御を支える領域に影響することを示している。これらの脳差は児童期後期ですでに検出可能であり、学校成績や行動に見られるよく知られた格差の一因を説明する。また先行研究は、貧困対策プログラム、充実した早期教育、介護や認知技能に焦点を当てた家族向け支援などのターゲットを絞った支援が、低所得環境の子どもの脳発達と成果を改善しうることを示している。困難が脳に影響を及ぼす経路は多様であり、それゆえ介入の機会も多い。本研究の知見は不平等への警鐘であると同時に、変化のための道筋を示すものでもある。

引用: Hercules, K. Machine learning algorithm reveals neurodevelopmental signatures of combined family income and neighborhood disadvantage in adolescents. Sci Rep 16, 11344 (2026). https://doi.org/10.1038/s41598-026-42346-w

キーワード: 社会経済的地位, 思春期の脳, 白質, 機械学習, 神経発達