基于机器学习的研究：不同代谢状态下肥胖患者异常功能连接性的识别

为什么大脑在体重增加中很重要

关于肥胖的讨论通常集中在热量、饮食和意志力上，但这项研究提示了一个更深层的故事：大脑本身的连线可能在不知不觉中推动一些人过度进食。通过观察进餐前后不同脑区之间如何相互交流，并运用强大的机器学习工具，研究者显示肥胖与关键网络的交流减弱有关，这些网络负责食物奖赏、自我控制和身体信号的处理。理解这些隐藏的大脑模式，或许能为以电路为目标的新疗法打开大门，而不仅仅是体重秤上的数字。

研究如何跟踪大脑在一餐中的变化

研究者招募了30名肥胖女性和30名非肥胖女性，年龄均在20至65岁之间。参与者在过夜禁食后到达实验室，然后在四小时内从饥饿到饱腹再回到接近饥饿状态。期间，她们饮用了营养可控的液体膳食，并反复使用脑电图（EEG）记录脑活动，这是一种从头皮追踪电信号的无创方法。记录在禁食时、进餐第一与第二部分后的若干时间点、以及四小时内的不同时间点进行。研究还采集了血糖和胰岛素血样，并对身体成分和饮食习惯进行了详细测量，以表征每位参与者的代谢和行为特征。

将脑信号转换为连接图谱

研究团队并未只关注单一脑区，而是检视了88个区域随时间的相互作用，这一属性被称为功能连接性。他们先用一种称为源定位的技术，从EEG信号估算脑内活动，然后测量不同频段（例如慢的δ波或更快的γ波）中各对区域同步上升和下降的一致性。这产生了成千上万的潜在连接特征。为避免有选择性地挑选结果，团队采用了数据驱动的机器学习流程：算法自动在这张复杂网络中搜索，找出能最好区分肥胖与非肥胖女性的最小连接组合，同时通过谨慎的交叉验证和标签重排测试来防止过拟合。

讲述强烈故事的六条连接

令人惊讶的是，模型仅需六条特定连接就能在所有代谢状态下以约95%的准确率识别出肥胖。在所有情况下，这些连接在肥胖组中都较弱。其中几条连接涉及感知身体、规划运动和评估奖赏的脑区，但有一个结构尤为突出：背侧前扣带回皮层（dACC）。该区域位于大脑前中部，在高频（γ）连接中作为与处理食物情感与动机价值的时叶和额叶等区域的中心枢纽出现。在非肥胖女性中，这些连接较强并随代谢状态变化，反映从饥饿到饱腹时的灵活调整。而在肥胖女性中，这些连接持续性地减弱，暗示沟通通道僵化且反应性较差。

体重下降但连线模式相似时会发生什么

部分肥胖女性还参与了一个短期强化减重项目，并在三个月后再次随访。减重后，她们的大脑连接模式短暂更像瘦者，机器学习模型也更难将两者区分。但到术后三个月，旧的模式在很大程度上又恢复了，即便体重维持减轻。这种反弹提示，改变的连接性可能比体重本身更具稳定性。这些发现与“贝叶斯大脑”观点相符，即大脑不断预测能量需求并与身体信号比较。在肥胖中，dACC、岛叶与眶额皮层之间的联系减弱，可能使大脑对能量是否真正满足缺乏把握，从而倾向于“以防万一多吃点”的策略，促成持续的渴望和过度进食。

这对未来治疗意味着什么

对普通读者来说，关键结论是：肥胖不仅仅是意志薄弱或简单的过量进食问题。在这项研究中，肥胖女性呈现出一种跨越饥饿与饱腹状态并在节食后易复现的脑连接性指纹。dACC显得尤其重要，提示旨在恢复该枢纽通信的方法——例如精细调节的脑刺激或神经反馈——可能有助于重新校准大脑对饥饿、饱足和食物奖赏的解释。尽管仍需更多研究，尤其是在男性和常见精神疾病患者中，但这项研究强化了这样的观点：有效的肥胖治疗可能需在大脑回路层面重塑思维与感受，而不仅仅改变餐盘上的食物。

引用: Yue, Y., Manning, P., De Ridder, D. et al. Machine learning-based identification of abnormal functional connectivity in obesity across different metabolic states. Commun Med 6, 241 (2026). https://doi.org/10.1038/s43856-026-01518-5

关键词: 肥胖, 脑连接性, 脑电图, 机器学习, 食物奖赏