机器学习算法揭示青少年家庭收入与社区劣势联合影响的神经发育特征

金钱与社区为何对成长中的大脑至关重要

为什么来自更富裕家庭和更安全社区的儿童在学校表现更好、行为问题更少？本研究探讨是否能在大脑中实际观测到家庭收入和社区环境的痕迹。研究者利用来自数千名美国青少年的脑影像数据和现代计算方法，表明大脑携带着令人意外且明显的社会经济地位“印记”——而这种印记与认知能力和行为有关联。

窥见数千名青少年的大脑

这项工作依托青少年大脑认知发育（ABCD）研究，该项目追踪美国超过11,000名儿童。在这群体中，有超过7,000名九至十岁的儿童拥有高质量的脑扫描及完整的背景信息。家庭报告了总家庭收入，研究者将每个孩子的住址与两个社区指标相连：一个反映总体剥夺程度，另一个侧重于对儿童重要的机会性因素，例如优质学校、公园和医疗服务的可及性。综合这些衡量项，可以勾勒出每个孩子社会与经济环境的丰富图景。

教会计算机在大脑中“读懂”社会线索

研究并非逐一查看单一的大脑指标，而是采用一种称为弹性网（elastic net）的机器学习方法，能同时处理成千上万强相关的脑特征。模型输入了三类脑数据：结构性MRI测量不同脑区的体积与厚度；扩散成像追踪白质的完整性与组织情况，即将脑区连接起来的“布线”；静息态扫描则捕捉儿童静止时大脑网络的自然通信模式。计算模型在80%的样本上训练，再在剩余20%上测试，以确保结果能推广到原始样本之外的人群。

大脑在多大程度上揭示社会处境

模型能够可靠地区分来自较高与较低收入家庭、以及来自较不利与较有利社区的儿童。仅使用大脑数据时，表现最佳的模型在大约四分之三的情况下正确区分了低收入与高收入儿童，这与其他前沿的大脑预测研究的表现相似。加入诸如种族和性别等信息仅略微提高了准确性，暗示大脑本身就包含关于儿童社会经济背景的强有力线索。当研究者聚焦于最极端的对比——例如收入范围底部10–20%与顶部10–20%的儿童时，准确率进一步上升；随着被比较的收入组变得更相近，准确率则稳步下降。

大脑哪些部分在讲述这个故事

最显著的发现之一是大脑的“布线”对社会与经济条件似乎特别敏感。白质完整性的度量（反映神经纤维的组织和绝缘情况）常比传统的大脑体积指标更具信息价值。这些差异在大脑范围内广泛分布，但在连接额叶与深部结构、以及连接顶叶和颞叶等头侧区域的通路中特别显著。这些区域支持计划和注意等执行功能，以及语言和社会理解。相比之下，社区劣势更多与非常全局性的特征相关，例如整个半球的平均值，这表明某些地域性因素以更广泛的方式影响大脑发育。

从大脑差异到日常的思维与行为

研究还检验了与收入和社区相关的大脑模式是否会在日常功能中显现。在几乎所有检验的认知测试和行为评定中，来自低收入家庭或更不利社区的儿童在语言、记忆和问题解决任务上得分较低，在注意力困难和外向性行为的量表上得分较高。最低与最高收入组之间的差异尤为显著——常常约为一整标准差。这意味着机器学习模型识别出的脑特征并非图像中的抽象模式；它们对应着儿童思维、学习与行为方式的实际且重要的差异。

这对儿童和社会意味着什么

简而言之，这项研究表明，成长过程中财务资源匮乏或居住在不利社区会在发育中的大脑上留下可察觉的印记，尤其体现在大脑的“布线”和支持语言与自我控制的区域上。这些大脑差异在儿童晚期就已可检测，并有助于解释学校表现与行为方面的已知差距。与此同时，先前的研究表明，针对性的支持措施——例如减贫项目、优质的早期教育以及以家庭为中心、着眼于照护与认知技能的培训——可以改善低收入儿童的大脑发育与结局。困难影响大脑的诸多途径也意味着有许多介入机会，使这些发现不仅是关于不平等的警示，也是变革的路线图。

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

关键词: 社会经济地位, 青少年大脑, 白质, 机器学习, 神经发育