PsyBrain 脑心前沿 / 神经技术与方法：顶刊文献解读专题 / A · 文献解读 / A025 · 耶鲁团队NHB：特征选择如何扭曲对大脑的理解？超万人研究

A025 耶鲁团队NHB：特征选择如何扭曲对大脑的理解？超万人研究揭示脑-行为关联的复杂性

来源：公众号 PSY-Brain_Frontier ｜发布：2026-04-24 ｜原文链接

认知神经科学前沿文献分享

基本信息

Title: Feature selection leads to divergent neurobiological interpretations of brain-based machine learning biomarkers

发表时间: 2026-04-15

发表期刊: Nature Human Behaviour

影响因子: 15.9

获取原文:

添加小助手: PSY-Brain-Frontier 即可获取PDF版本
点击页面底部“阅读原文”跳转论文网页

研究背景

在人类神经影像学中，一个核心目标是理解认知和心理健康背后的神经生物学基础。近年来，基于大脑结构和功能数据训练的机器学习模型，正越来越多地被用于预测个体的行为表型。为了处理高维的大脑连接数据，研究者通常会采用“单变量特征选择”：即只保留与目标表型相关性最强的脑区连接，而将其他较弱的特征丢弃。

这种做法虽然能简化模型、缩短训练时间，并让结果看起来更容易解释，但它也带来了一个隐患：被选中的特征网络往往被默认是该表型“唯一”的神经基础。然而，大脑与复杂行为之间的关联，往往是由广泛分布的微弱效应网络共同驱动的。传统的特征选择是否为了追求模型的简洁，而过度简化了真实的神经生物学？那些被丢弃的特征，真的毫无价值吗？

为了回答这一问题，研究者利用四个大规模神经影像数据集（包含超过 12000 名参与者和 13 种行为表型），系统评估了被特征选择丢弃的大脑连接是否也能实现准确预测，以及它们会如何改变我们对大脑的解释。

研究核心总结

一、被“丢弃”的弱特征同样具备显著的预测能力

研究者采用了一种基于十分位数（decile）的预测框架。他们首先计算了训练集中每个大脑连接与目标表型（如执行功能、语言能力）的相关性，并按强度将其分为 10 个互不重叠的子集。第一十分位数包含了前 10% 最强的特征（即传统模型会保留的特征），而后续的十分位数则包含了相关性逐渐减弱的特征。

结果出人意料：预测准确性并非排名靠前特征的专利。在预测执行功能和语言能力时，排名较低、通常在建模时被忽略的特征子集（如第二到第六十分位数）依然表现出了显著的预测能力。甚至在某些情况下，排名第五的特征子集在数值上超越了排名前 10% 的特征。这表明，即使是单变量相关性较弱的边缘特征，当它们在多变量模型中结合时，依然蕴含着丰富的行为预测信息。

Fig 1. 采用十分位数划分特征的分析流程，以及不同特征子集在预测执行功能和语言能力时均表现出显著的预测性能。

二、被忽视的特征集在外部数据中依然能够泛化

为了检验这些模型的稳健性，研究者将基于不同特征子集训练的模型应用于三个独立的外部数据集。外部泛化通常被视为评估机器学习模型效用的“黄金标准”。

分析表明，尽管不同十分位数的特征子集之间没有任何重叠，但第一十分位数之外的模型依然成功通过了外部验证。例如，在 PNC 数据集中训练的执行功能模型，其第九十分位数的特征在 HCPD 数据集中的泛化表现，与第一十分位数的特征几乎没有显著差异。这意味着，弱特征的预测能力并非源于对特定训练集的过拟合，而是捕捉到了真实且可泛化的脑-行为关联。

Fig 2. 在跨数据集的外部验证中，第一、第三和第五十分位数的特征子集展现出相似的预测准确度。

三、不同的特征集会得出截然不同的神经生物学解释

既然多个互不重叠的特征子集都能成功预测行为，那么它们依赖的是相同的神经回路吗？研究者通过对比不同模型中功能网络的贡献度发现，不同十分位数模型所依赖的核心网络截然不同。

例如，在预测执行功能时，第一十分位数模型主要依赖视觉联合网络与额顶网络之间的连接；但在第二到第五十分位数模型中，这些连接的贡献度大幅下降，取而代之的是其他网络的参与。随着十分位数的增加，模型所依赖的网络模式变得越来越不相似。这揭示了一个关键现象：对于同一个行为表型，存在多个预测能力相当、但神经生物学解释完全不同的模型。

Fig 3. 不同特征子集虽然预测性能相似，但在规范功能网络和节点层面上提供了独特的神经解剖学贡献。

四、该现象跨越多种表型与成像模态

为了确认这一发现的普适性，研究者进一步将分析扩展到了精神病学、发育和人口统计学表型（如社交沟通障碍、多动症、年龄和性别）。在所有测试的表型中，排名靠后的特征集均保留了预测效用。

此外，研究者还利用 ABCD 数据集的弥散张量成像（DTI）数据，测试了结构连接组是否也存在类似规律。结果显示，与功能连接类似，基于白质纤维束的结构模型在较低十分位数的特征集中依然保持了可观的预测能力。这表明，“弱特征同样有效且解释不同”的现象并非 fMRI 数据特有，而是大脑网络组织的一个普遍特征。