脑影像研究里，有一个很有吸引力的目标：能不能从大脑结构和功能中看出一个人的行为特征？过去很多研究会把MRI指标和单个变量联系起来，比如智力、注意力、精神症状、抑郁风险或家庭收入。研究者会问，大脑哪些连接和IQ有关，哪些皮层厚度和心理健康有关，哪些脑网络能预测个体差异。随着ABCD、UK Biobank、HCP这类大规模数据库出现，这种 brain-wide association study，BWAS 变得越来越常见。
但这里也有一个麻烦。大脑和行为之间的关联，未必就说明这个行为本身有一个清楚的神经基础。一个孩子的IQ、睡眠、屏幕时间、压力、家庭收入、学校质量、社区安全、父母教育和健康资源，往往彼此纠缠。脑影像模型如果能预测IQ，它到底是在捕捉高级认知相关脑网络，还是在捕捉某种和社会经济环境共同变化的背景信号？
来自 Washington University School of Medicine、University of Minnesota、University of Southern California、University of Zurich、University of Virginia 等机构的 Scott Marek、Meghan Rose Donohue、Brenden Tervo-Clemmens 和 Nico U. F. Dosenbach 等，在 Science 发表了题为 Patterns of brain-wide associations reflect socioeconomics 的研究。
这项研究没有只盯着一个变量，而是在ABCD研究中把 649个非影像变量 同时映射到儿童大脑功能连接和皮层厚度上。这649个变量覆盖社会经济地位、屏幕时间、认知、人口学、身体健康、心理健康、文化和环境、社会适应、物质使用、养育方式、人格和医疗史等类别。作者不仅比较哪些变量和大脑关联最强，还把这些脑图和已有的神经生物学参考图谱比较，包括任务fMRI中的高级认知图谱、PET中的神经递质受体分布、EEG/功能MRI中的睡眠和警觉性图谱，以及兴奋剂药物效应图谱。
结果非常直接：在9到10岁儿童中，和大脑功能连接、皮层厚度关联最强的，不是IQ，也不是精神病理总分，而是社会经济环境，尤其是孩子居住社区所提供的社会经济机会。更进一步，许多变量的脑图，包括睡眠、屏幕时间和IQ，都和社会经济地位脑图高度相似。这种共同脑图主要落在初级运动和感觉区域，而不是前额叶和顶叶等高级认知区域；它更像睡眠不足、压力和去甲肾上腺素相关唤醒状态的脑图，而不像复杂推理和工作记忆的脑图。
这篇文章的锋利之处在于，它不是简单说“社会经济地位影响大脑”，而是指出：一些看起来像“脑—智力关联”的结果，可能其实是脑影像模型学到了社会经济地位这个捷径。如果不认真处理社会经济环境，BWAS很容易把环境压力、睡眠和唤醒相关的脑差异误读成智力本身的脑基础。
649个变量一起比较，社会经济地位排在最前面
图1先做了一个很基础、但很少被系统完成的比较：如果把大量环境、行为和健康变量一起放进脑影像关联分析，谁和大脑的关联最强？
作者使用ABCD基线数据中的9到10岁儿童，把每个变量分别和静息态功能连接、皮层厚度做全脑关联。传统上常被研究的两个变量是IQ和精神病理总分，也就是p-factor。它们确实和大脑有分布式关联，而且IQ的关联强度高于p-factor。但当作者把649个变量全部排序后，最靠前的几乎都是社会经济变量。
在静息态功能连接中，前40个最强关联变量里有37个与社会经济环境有关；在皮层厚度中，前40个里也有35个是社会经济变量。最强的单一关联来自 Child Opportunity Index 的社会和经济维度，也就是孩子所在邮政编码区域提供的社会经济机会。这个变量和功能连接的关联强度，比功能连接和IQ的关联强约50%，比功能连接和p-factor的关联强约130%。
作者还做了多变量预测，用脑功能连接或皮层厚度预测每个变量。结果同样显示，社会经济变量排在前面。用静息态功能连接预测社会经济地位，样本外相关达到0.40；用皮层厚度预测，样本外相关达到0.36。更重要的是，这种排序能在独立ABCD复制样本、ABCD两年随访样本，以及更大但不严格排除头动的ABCD样本中复现。
图1丨在649个变量中，社会经济环境与儿童大脑的关联最强 图1A-B展示传统BWAS变量IQ和p-factor的脑关联图，IQ关联强于p-factor。图1C把649个变量按单变量脑关联强度排序，静息态功能连接中排名最靠前的主要是社会经济变量。图1D显示多变量脑影像预测结果，最强的预测对象同样集中在社会经济变量。作者在ABCD发现样本、复制样本和两年随访数据中得到相似排序，说明这个结果不是单次样本偶然出现。
这一步改变了问题的起点。过去如果只做“脑影像和IQ的关联”，很容易把注意力集中到IQ；但当649个变量一起比较后，IQ并不是最强信号，社会经济环境才是儿童大脑差异中最突出的维度。也就是说，脑影像里的许多群体差异，首先需要放回生活环境中理解。
社会经济脑图主要落在运动和感觉区域，而不是高级认知网络
图2开始分析这些关联图到底长什么样。社会经济地位和静息态功能连接的BWAS图，最强信号集中在初级运动和感觉区域，包括视觉、听觉、躯体运动网络，以及最近被提出的躯体—认知动作网络SCAN。相反，额顶网络这类常被认为支持复杂认知、工作记忆和流体智力的高级网络，在这个社会经济脑图中并不是主要区域。
这个结果很重要，因为它和一种直觉预期不同。如果社会经济地位主要通过教育机会和认知刺激影响儿童大脑，人们可能会预期最强关联落在前额叶、顶叶和高级认知网络。但作者看到的主图案并不是这样，而是更靠近感觉、运动和唤醒相关系统。
更进一步，作者发现许多其他变量的脑图和社会经济脑图很像。睡眠时间的BWAS图和社会经济图的空间相关达到0.86，屏幕时间相关达到0.80，IQ相关达到0.72，而p-factor只达到0.29且不显著。把649个变量的BWAS图互相做空间相关后，可以看到大量变量共享同一种脑图结构，尤其是社会经济、屏幕时间和认知相关变量。
作者随后做了主成分分析，从649个BWAS脑图中提取第一主成分。这个第一主成分解释了静息态功能连接BWAS图34%的方差，而且几乎和社会经济地位脑图重合，空间相关达到0.97。即使把所有社会经济变量从分析中拿掉，剩下变量提取出的第一主成分仍然几乎一样。作者把这个共同图谱称为 exposome map，可以理解为环境和生活经历在脑影像关联研究中共同呈现出的主轴。
图2丨大量脑—行为关联共享同一个社会经济脑图，主要集中在运动和感觉网络 图2A展示社会经济地位与静息态功能连接的BWAS图，强信号集中在运动和感觉区域。图2B显示睡眠时间、屏幕时间和IQ的脑图都与社会经济脑图高度相似，而p-factor相似度较低。图2C用649个变量的脑图相似矩阵显示，大量变量之间存在共同空间模式。图2D显示所有BWAS图第一主成分形成的exposome map几乎等同于社会经济脑图。图2E展示各变量脑图与exposome map的相似度排序，社会经济变量整体最高，屏幕时间和认知变量也较高。图2F显示exposome map最强地投射到视觉、听觉、躯体运动和SCAN等早期感觉运动网络，而额顶网络最低。
这部分结果非常关键。它说明BWAS中并不是每个变量都有自己独立的脑图；相反，许多变量共享一个共同背景模式，而这个模式最像社会经济地位。换句话说，如果一个变量和社会经济地位高度相关，它的脑图就可能部分继承这个社会经济脑图。IQ、睡眠、屏幕时间都处在这个问题中。
这个共同脑图更像睡眠、压力和唤醒，而不像复杂认知
图3进一步追问这个社会经济脑图对应什么神经生物学含义。作者把exposome map和几类参考图谱比较：一类是高级认知任务fMRI图谱，比如工作记忆、推理和认知控制；另一类是和唤醒状态有关的图谱，比如去甲肾上腺素受体密度、睡眠/警觉性波动、兴奋剂药物甲基苯idate的效应。
结果显示，高级认知任务图谱和exposome map并不相似，甚至呈负相关。工作记忆、推理和认知控制这些任务通常激活前额叶和顶叶网络，而exposome map主要在运动和感觉区域。相反，去甲肾上腺素受体密度、睡眠相关脑图和兴奋剂药物效应，都与exposome map显著相似。
作者还量化了每张图中有多少关联强度落在运动和感觉网络。高级认知任务图谱大约只有20%落在运动和感觉区域，而社会经济、exposome和IQ这些BWAS图，以及睡眠、去甲肾上腺素、兴奋剂这些唤醒图谱，大约有60%落在运动和感觉区域。也就是说，IQ的BWAS脑图在空间上更像唤醒和睡眠相关图谱，而不是复杂认知任务图谱。
图3丨社会经济、exposome和IQ脑图更接近唤醒相关图谱，而不是高级认知任务图谱 图3A比较高级认知任务fMRI图谱、BWAS图谱和唤醒相关图谱。工作记忆、推理和认知控制图谱主要涉及高级认知网络，并与exposome map负相关；社会经济、exposome和IQ的BWAS图则与去甲肾上腺素、睡眠和兴奋剂效应图谱更相似。图3B显示，高级认知任务图谱中运动和感觉区域占比较低，而BWAS图谱和唤醒相关图谱中运动和感觉区域占比较高，两者之间没有显著差异。
这张图让文章的解释从“社会经济地位很重要”推进到“社会经济地位可能通过什么影响大脑”。作者并没有声称自己直接证明了因果通路，但他们提出一个合理推断：社区社会经济机会可能通过睡眠不足、慢性压力、警觉性和去甲肾上腺素相关唤醒系统，影响儿童大脑的功能组织。它不是一个单纯的高级认知刺激故事，而更像是生活压力和生理状态长期写进了感觉运动系统和全脑唤醒状态。
IQ脑图如果不处理社会经济地位，很容易被误读
图4是文章最有争议、也最值得认真理解的部分。作者指出，复杂认知和推理在任务fMRI、损伤研究、电生理和计算模型中，通常和前额叶—顶叶网络有关；但在这个BWAS中，IQ的脑图主要是运动和感觉模式，更像社会经济和唤醒图谱。这就提出一个问题：IQ的脑图是不是被社会经济地位混淆了？
作者做了一个直接测试：把社会经济地位从IQ中回归掉，再重新计算脑—IQ关联。结果显示，调整社会经济地位后，95%的脑—IQ关联都变弱，大约70%的关联不再显著。原来最强的脑—IQ关联，正是调整后下降最多的部分。
脑图也发生了变化。调整前，IQ脑图和兴奋剂/唤醒图谱相似，和推理任务图谱不相似；调整后，它和运动感觉唤醒图谱的相似度消失，同时和前额叶—顶叶推理任务图谱的相似度上升。多变量预测也类似：用静息态功能连接预测IQ，未经调整时样本外相关约0.36；调整社会经济地位后下降到约0.23。皮层厚度预测也从约0.23下降到约0.13。
反过来，如果用脑影像预测社会经济地位，再调整IQ，预测能力只下降约20%。这说明两者不对称：社会经济地位可以解释掉相当一部分脑—IQ关联，但IQ解释不掉社会经济地位和大脑之间的大部分关联。
图4丨调整社会经济地位后，脑—IQ关联明显减弱，并从唤醒样图谱转向更接近认知图谱 图4A显示，回归社会经济地位后，静息态功能连接与IQ的大多数单变量关联变弱。图4B显示，原本越强的脑—IQ关联，在调整社会经济地位后下降越多。图4C显示，调整前IQ脑图与兴奋剂/唤醒图谱相似、与推理任务图谱不相似；调整后，IQ脑图与唤醒图谱相似度消失，并更接近推理任务图谱。图4D显示，多变量脑影像预测IQ的能力在调整社会经济地位后下降约30%到40%。
这部分不是在说IQ和大脑没有任何关系，也不是说所有智力测验都没有意义。作者要指出的是，传统BWAS中“脑—IQ关联”的解释必须非常小心。如果一个脑图主要落在运动感觉区域，并且高度重合于社会经济、睡眠和唤醒图谱，那么把它直接解释成“智力的大脑基础”就很危险。它可能更多反映环境差异如何影响脑状态，再通过环境差异与IQ分数的相关性进入模型。
训练样本换成高社会经济组后，脑影像模型几乎预测不了IQ
图5和图6进一步测试脑—IQ模型能不能跨社会经济背景泛化。作者做了一个非常有针对性的分析：如果脑影像模型真的学到了IQ相关神经特征，那么即使在不同社会经济背景下训练，也应该能在独立样本中预测IQ；如果它学到的是社会经济地位捷径，那么当训练样本中社会经济地位和IQ不再相关时，模型就会失效。
图5中，作者用ABCD发现样本训练脑—IQ模型，再到独立复制样本测试。训练样本有三种：第一种覆盖完整社会经济范围；第二种只包含高社会经济背景儿童；第三种只包含低社会经济背景儿童。三组训练样本的IQ分布都尽量匹配，避免只是IQ范围不同造成影响。
结果很清楚。用完整社会经济范围训练，模型能预测IQ，样本外相关约0.30；只用低社会经济背景儿童训练，模型也能预测，样本外相关约0.30；但只用高社会经济背景儿童训练，模型几乎失效，样本外相关只有0.01。也就是说，当训练样本里社会经济地位和IQ的相关性被削弱，脑—IQ模型就学不到能泛化的东西。
图6把这个过程做得更细。作者连续改变训练样本的社会经济组成，从只包含高社会经济儿童逐渐扩展到完整社会经济范围。随着训练样本中社会经济地位和IQ的相关性从约0.08升到约0.31，脑—IQ模型的泛化能力也从约0.03升到约0.23。换句话说，模型能不能预测IQ，取决于训练样本里社会经济地位和IQ是否相关。
更关键的是，即使脑—IQ模型看起来能泛化，它在测试集中预测社会经济地位往往比预测IQ更好。也就是说，模型名义上训练的是IQ，实际上学到的更像是社会经济地位。作者把这称为 shortcut learning，也就是捷径学习。类似现象在医学AI里很常见，比如模型看似识别疾病，实际学到的是影像背景、扫描设备或医院标记。
图5丨脑—IQ模型的泛化能力依赖训练样本的社会经济组成 图5A-E显示，使用覆盖完整社会经济范围的训练样本时，静息态功能连接模型可以在独立样本中预测IQ。图5F-J显示，当训练样本只来自高社会经济背景儿童时，即使IQ分布被匹配，模型也几乎无法预测独立样本IQ。图5K-O显示，当训练样本只来自低社会经济背景儿童时，模型重新获得较强预测能力。这个结果提示，脑—IQ预测并不是稳定跨背景泛化，而是依赖社会经济地位与IQ之间的相关结构。
图6丨脑—IQ模型出现捷径学习，而脑—社会经济地位模型更稳定 图6A-B显示，随着训练样本从高社会经济组扩展到完整范围，社会经济地位与IQ的相关性上升，脑—IQ模型的样本外预测能力也随之增强。图6C显示，许多训练在IQ上的脑模型，在测试时预测社会经济地位比预测IQ更好，说明模型学到了捷径。图6D-E显示，脑—社会经济地位模型即使在不同IQ组成训练样本中也保持较好泛化，且调整IQ后仍然显著。图6F显示，训练在社会经济地位上的模型更好地预测社会经济地位本身，而不是IQ，没有出现同样的捷径学习证据。
这两张图让文章的论证更强。它不是只说“SES和IQ相关，所以要控制一下”，而是用泛化失败证明：脑—IQ模型的有效性依赖社会经济结构。一个真正稳健的脑—行为模型，不应只在某种社会背景组合中有效；如果模型换到高社会经济样本就失效，它就不该被轻易解释成智力的神经标记。
儿童大脑差异最强的轴线，可能是环境压力如何进入身体
这篇文章最后提出一个更大的解释框架：儿童大脑组织中最强的群体差异轴线，可能来自社会经济环境，而这种环境影响很可能通过睡眠、压力、唤醒系统、屏幕使用、学校质量、社区安全、医疗资源、营养、污染和慢性炎症等多条路径进入大脑。
这里要强调两点。第一，社会经济地位不是一个简单家庭收入数字。本文最强变量是孩子所在社区的社会和经济机会，它可能同时代表学校资源、邻里安全、家庭稳定性、可获得医疗、环境暴露、社区压力、父母工作条件和生活节奏。它像一个综合指标，不是单一机制。
第二，社会经济地位和大脑关联强，不等于“低社会经济地位儿童的大脑有问题”，也不等于可以从一个孩子的脑图推断他的命运。作者明确指出，即使最强的多变量模型，社会经济地位最多也解释约16%的脑差异。群体层面关联不能预测单个孩子未来，社会经济机会不是命运。
这项研究真正反对的是另一种危险解释：把脑影像模型学到的社会环境差异，重新包装成个体能力差异。尤其是IQ相关脑影像研究，如果没有处理社会经济地位，就可能把压力、睡眠不足、环境资源差异造成的感觉运动和唤醒状态变化，误读为“智力的大脑基础”。这不只是统计问题，也是科学叙事问题。
这篇文章也有边界。首先，它是观察性研究，不能直接证明社区社会经济地位导致某种脑连接变化，也不能确定睡眠和压力就是唯一中介。其次，ABCD主样本是9到10岁儿童，虽然作者在成年人UK Biobank中看到社会经济脑图延续，但发育阶段、时间顺序和关键窗口还需要纵向研究。第三，静息态功能连接对头动、睡眠状态、扫描状态敏感，作者用了严格头动控制和复制分析，但这类影像指标本身仍需要谨慎解释。第四，社会经济地位、种族、遗传祖源和美国社会结构高度交织，作者避免把种族当作生物变量直接建模，并做了英国样本和遗传祖源相关控制，但社会结构问题不可能被单个统计模型完全拆开。第五，IQ本身是复杂测量，它受测试内容、文化经验、教育机会和动机影响，不能被简单等同为固定、内在、脱离环境的能力。
不过，这篇文章确实给BWAS研究立了一个更高标准。以后如果有人说“我们用脑影像预测了智力、精神症状或某种行为特征”，至少要继续问：这个模型是不是主要学到了社会经济环境？这个脑图是否落在符合该行为的神经系统上？它能不能跨社会背景泛化？调整社会经济地位后是否还成立？预测目标和被学到的捷径有没有分开？
最后值得继续想的是，儿童大脑不是在真空里发育。它每天生活在某个家庭、某所学校、某条街区、某种睡眠节奏、某种压力水平和某种资源结构里。脑影像看到的很多差异，可能首先是这些生活条件在神经系统中的痕迹。把它们误读成儿童个人能力的本质差异，是科学上不严谨，也是不公平的。
原文链接：https://mp.weixin.qq.com/s/qtC4cVwSEFvkxQKjxGPTLg
文献下载：Patterns of brain-wide associations reflect socioeconomics.pdf
编辑 | 人格与社会课题组黄传斌
