在此基础上，我们提出了一个新的框架，在这个框架中，大脑-认知关系的性质和机制受到整个网络的组织环境的调节。

接下来我们专门研究了hub故障对之前学习中涉及的19个包的影响。我们计算了先前研究中涉及的19个包的聚类系数。这个系数提供了大脑区域在网络中嵌入程度的度量。然后系统地推倒富人俱乐部的行动又重复了一遍。每次攻击后，重新计算19个包的聚类系数。然后，我们可以通过跟踪每次攻击中聚类系数的平均下降来建立19个包与集线器的嵌入性(图6D)。同样，根据儿童的认知分组，同样的攻击会产生不同的结果。认知障碍最常见、最严重的儿童嵌入度最低。认知能力最高的儿童与中心的嵌入程度最高。

到目前为止，儿童的认知状态与他们的学习困难显著相关，这些认知症状可以通过19个与学习相关的皮层包裹大脑的结构状态进行显著预测。至关重要的是，大脑中的这种认知关系并不像那些小得多的研究预测的那样密切。

确定每个子节点的最佳匹配节点(通常称为它们的BMU(最佳匹配节点))提供了捕获这些节点的不同特征的另一种方式。该节点可以区分被引用的子节点和未被引用的子节点。例如，节点3、4、5和6是临床医生或特殊教育转诊的大多数儿童的bmu(分别为80%、60%、80%和97%；参见表S6)。由于学习困难而未被转介的儿童更有可能与节点1和2有关(分别为未被转介儿童的50%和69%)。这六种认知模式在性别上没有显著差异。6个淋巴结的平均年龄没有显著差异。

神经网络学习一个两层结构，顶部有15个节点。这可以用认知数据的方式来描述。根据节点权重的相似性，利用欧氏距离在二维平面上定位节点(图4A)。顶层解释了平均49%的方差，两层合起来解释了73%的方差。相比之下，双因素PCA解决方案解释了49%的差异。前15个节点的权重分布图如图4B所示，正式的网络架构如图4C所示。

接下来，用同样的程序模拟另外1500种情况。此次创建的亚组(每组N = 500)与整体严重程度相匹配，但在颞叶包裹处(左颞叶皮层、左前缘、左右梭状回、右颞叶中皮层、右颞叶皮层)、顶叶包裹处(左顶叶皮层、左顶叶皮层、左上顶叶皮层、左上顶叶皮层)或额叶包裹处(右内侧额叶皮层、右眶部、右三角部等)存在波峰或波谷。)调整这些模拟缺陷的总体严重性，使得每个亚组的总体情况加起来为零。如果机器学习对波峰或波谷的位置也很敏感，不管整体的严重程度如何，那么这三个亚组应该很可能与不同的认知概况相关联。通过系统地改变缺陷的位置来控制严重性的总体差异，确实会显著地改变预测的认知特征(图5C)。简而言之，机器学习对神经轮廓的整体严重程度以及波峰和波谷的位置很敏感。

相反，研究小组发现，儿童的大脑是围绕枢纽组织的，就像一个高效的交通系统或社会网络。大脑连接良好的儿童要么有非常特殊的认知困难，比如听力不好，要么根本没有认知困难。相比之下，与枢纽联系不紧密的孩子，比如与交通枢纽联系很少或没有联系的火车站，会出现普遍而严重的认知问题。

最后，我们只描述样本的认知和学习障碍，而不是他们的社会、环境或行为特征。

该研究的高级作者邓肯·阿斯特尔博士(Dr Duncan Astel)表示，“几十年来，科学家们一直认为大脑的某些区域可以预测某些学习障碍或困难，但我们的研究表明事实并非如此。”“事实上，更重要的是考虑这些大脑区域是如何连接的——具体来说，它们是否通过中枢连接。学习困难的严重程度与这些中枢的连通性密切相关。我们认为这是因为这些中枢在大脑区域之间共享信息方面发挥了关键作用。”

一种可能的解释是，每个人之间的每个诊断都是如此不同，以至于每个诊断都涉及不同的大脑区域组合。然而，剑桥大学MRC认知与脑科学小组的一组科学家提出了一个更具争议的解释:事实上，并不存在导致这些困难的特定大脑区域。

第二个可能的原因是为什么一致的大脑-认知映射如此难以捉摸，因为它们不存在。典型的体素神经成像方法的一个关键假设是，在认知障碍和大脑结构或功能之间存在一致的空间对应关系。然而，这个假设可能不成立。

网络中流行的一个理论是“小世界”是复杂系统的最佳组织。小世界网络(Small world network)是一个数学图形，其中大多数大脑区域并不直接相连，而是围绕少数枢纽区域组织起来，有时被称为“富人俱乐部”。这一组织原则已经在社交网络、基因网络和最近的成人大脑中得到证实。集线器允许在网络内共享信息，同时最大限度地降低布线成本。一种可能是，同一区域的神经功能缺损可能与不同的认知特征有关，因为通过中枢整合，大脑区域存在个体差异。

学习困难是由于连通性差，而不是特定的大脑区域。

儿童的学习困难和发育障碍很常见，但对其底层大脑机制的了解进展缓慢。我们收集了479名儿童(299名男孩，年龄范围从62个月到223个月)的结构神经成像、认知和学习数据，其中337名儿童因学习相关的认知问题被纳入本研究。

正如我们对ADHD的综述所示，有许多可能的神经通路导致相同的认知特征或障碍。这有时被称为等效性。复杂的认知过程或缺陷可能有许多不同的因素。相反，相同的局部神经缺陷可能导致个体之间出现各种不同的认知症状，这有时被称为多变性。发育中的神经系统的复杂性使得有一些补偿成为可能；同样的神经缺陷对不同的孩子有不同的功能后果。

接受教育和临床服务的儿童在语音意识、语言和空间的短时记忆、复杂工作记忆任务、词汇和流推理方面存在缺陷。与未参照的对比样本相比，这些参照的患者与四种认知特征密切相关:广泛损伤(1)相对中度或(2)严重，和(3)在基于声音的任务中更具选择性的损伤，或(4)在包括工作记忆在内的执行任务中的损伤。这与理解发育障碍的交叉诊断方法是一致的——跨越障碍和困难的认知优势和劣势。这与一些理论形成鲜明对比，这些理论将特定的认知障碍指定为导致特定学习问题的方式，但这与早期的观点一致，即发展困难反映了复杂的相关模式，而不是高度选择性的缺陷。

教育和/或临床服务机构转介的大量儿童的大子集，与未转介的对照组相比，在学习能力和计算能力的评估中表现非常差。他们在移动推理、词汇、语音意识、短期空间、空间工作记忆、短期口语和口头工作记忆方面的表现也较差。所有这些测量值的分布可以在图1中看到，我们的样本的描述性统计可以在star方法中找到。

使用原始数据集的相关结构来模拟大脑轮廓。首先模拟1500个剖面，整体平均值为0，标准差为1。用于500个模拟轮廓。每个包装的值增加0.5个标准偏差。对于500个模拟剖面，从每个包中减去0.5个标准偏差。因此，在1500次模拟中，有3个亚组在1个标准差内系统地变化，但在分布图的峰和谷中没有系统的亚组差异。对真实数据重复相同的交叉验证操作，但是使用真实数据作为“训练”集，使用这些模拟作为我们的“测试”集。

枢纽组织似乎很早就出现了，甚至在诞生之前就已经出现了，并且通过优先连接得到了细化。连接优先级描述了在给定现有节点的一些统计属性的情况下，新节点连接到网络中现有节点的可能性。一般来说，优先连接意味着连接的节点越多，接收新连接的可能性就越大。但是很可能许多因素将驱动这个组织中的个体差异，并且它将随着开发时间而动态变化。中枢的个体变异是由脑区之间的时间动态交互作用逐渐产生的。遗传和经验之间的差异可能导致不同的参数几何和非几何规则，这些规则支持这些网络的增长。具有相对特异性区域表达谱的基因和具有中等神经元兴奋性或效率的基因可能在神经元发育的区域特异性变异中起因果作用。例如，语言和罗兰多中的高表达基因可能对罗兰多中语言障碍和癫痫的常见发育表型具有很强的预测作用。相比之下，在多模态中枢区域中高度表达的基因可能在决定网络的整体属性中起关键作用。这两种方法之间的相互作用可以决定儿童认知困难的程度和严重性。这是为什么纵向数据对于建立连接组织的变化以及这种变化如何根据基因表达和经验而变化至关重要的另一个原因。

通过皮质形态学数据分析年龄的影响。我们将年龄建模为二阶多项式函数，并测试我们的19个包是否与月龄显著相关。其中12人成绩显著，3人经家庭矫正后留下。接下来，我们使用回归模型，在该模型中，我们对学习难度、年龄(以月为单位)以及这两个因素之间的相互作用进行建模。根据儿童的学习困难，我们检验了样本中是否存在不同的发展轨迹。

这一发现可以解释为什么药物治疗对发育障碍没有效果。例如，用于治疗多动症的哌甲酯(利他林)似乎可以减少多动症，但它不能纠正认知困难或改善教育进步。药物往往针对特定类型的神经细胞，但对已经存在多年的“中枢”组织几乎没有影响。

通过识别不同诊断类别中儿童的bmu(使用欧几里德距离),可以在图像上描述诊断类别中认知特征的异质性。这项研究针对患有多动症、阅读障碍、自闭症谱系障碍的儿童，并在言语和语言治疗师的护理下进行(图3)。如果这些类别可以预测一个孩子的认知状态，那么这些节点就应该组合在网络中；但是，如果这些诊断标签与认知特征无关，那么它们应该是随机分散在网络中的。

这种不一致的一个可能原因是这些诊断组是高度异质和重叠的。在不同的诊断类别中，症状差异很大，相同的症状可能存在于不同诊断或未诊断的儿童中。

有许多可能的神经通路导致相同的认知特征或障碍，这被称为等价性。相反，相同的局部神经功能缺损可能导致个体之间出现多种不同的认知症状，这种症状称为多原性。发育中的神经系统的复杂性使得有一些补偿成为可能；同样的神经缺陷对不同的孩子有不同的功能后果。

人工神经网络识别的不同大脑特征能在多大程度上预测儿童的认知特征？然后，进行五重交叉验证测试。使用80%的样本，从零开始训练人工神经网络。然后，使用欧几里德距离，从剩下的20%中取出每个孩子，测量他们的BMU(每层)。然后用训练集中占据BMU的儿童来预测被训练儿童的认知状态。然后将该预测和儿童的实际轮廓之间的欧几里德距离与零分布进行比较，该零分布是通过混洗获得的认知数据。然后，使用t检验将实际预测与零分布进行比较。与混沌的零分布相比，这个网络可以对一个孩子的认知状态做出非常准确的预测。再一次，这是一个强大的通用测试，因为它需要准确预测看不见的个体和看不见的结果。然而，这里的影响要低得多——只有科恩的d = 0.15。换句话说，知道孩子大脑区域的轮廓，可以让他们对认知轮廓的预测比偶然预测高出4%左右。如果选择孩子的第二个匹配单元，这个预测的准确率会进一步下降，说明大脑数据中的映射存在一定的颗粒度。

为了测试他们的假设，研究人员使用机器学习绘制了一组近479名儿童的大脑差异图，其中337名儿童与学习相关的认知问题有关，142名儿童来自对比样本。该算法解释了大量的认知、学习和行为测量数据，以及使用磁共振成像(MRI)的大脑扫描数据。研究结果发表在今天的《当代生物学》上。

(a)用欧氏距离和Atlas力的图形来表示Atlas的布局，紫色节点对应顶层。

(c)自组织图学习的分层网络架构。

另一种表明儿童大脑特征与认知特征显著相关的方法是进行c2测试。使用认知和大脑网络的顶层作为数据的简单表示，我们可以测试这两种类型的数据之间是否存在显著的关系。儿童认知网络顶端的BMU与他们大脑结构网络顶端的BMU显著相关。这印证了交叉验证的结果——儿童大脑结构的轮廓与认知轮廓之间存在重要关系。

对结构神经成像数据重复机器学习过程。我们计算了每个孩子68个大脑的分解区域的全脑形态学指标(皮质厚度、脑回、脑沟深度)。在68个区块中的19个中，lasso回归将索引的数量减少到21个不同的索引。

无监督机器学习技术很少用于认知或神经数据，但它们非常适合对高度复杂的多维数据进行建模，例如这个诊断队列。他们捕捉非线性关系，识别亚群体，并揭示潜在的组织原则，线性数据简化方法没有捕捉到。将人工神经网络应用于认知和皮层形态学数据将产生非常不同的网络结构。

虽然等质和多质的概念在发展理论中已经出现了一段时间，但这些概念并没有转化为分析方法。体素合理性的传统逻辑意味着大多数与发育障碍相关的认知症状被认为反映了一组特定的潜在神经连接。

研究人员发现，大脑中的差异没有映射到给儿童的任何标签上——换句话说，例如，没有大脑区域可以预测自闭症谱系障碍或多动症。更令人惊讶的是，他们发现不同的大脑区域甚至无法预测特定的认知困难——例如，没有特定语言问题或记忆困难的大脑缺陷。

同样的神经缺陷怎么会导致多种认知结果？一种可能是，儿童大脑的整体结构对任何特定区域与认知的关系都有重要影响。对于样本的代表性部分(N = 205)，可以获得DWI数据。这些数据可以用来识别白质连接，为每个孩子构建一个全脑连接体(图6A)。图论提供了一个数学框架来捕捉复杂网络的组织属性。特别地，全脑效率描述了网络中可能的全面信息交换。我们比较了来自我们原始认知数据映射的六个认知组的网络效率。无显著差异

描述算法学习到的不同认知轮廓的好方法是在第一层(顶层)画出不同节点的权重轮廓。这些可以在2A的雷达图上看到。网络知道一些儿童的表现与他们的年龄相当(节点1)，高能力儿童(节点2)在需要语音意识的任务(头韵和数字；节点3)、广泛但相对中度的认知障碍(节点4)、广泛和重度的认知障碍(节点5)、在执行功能性测试(空间短时记忆、工作记忆和流动推理)中表现特别差的儿童；6)节点。为了便于比较，图2B中包含了顶部节点的权重分布。使用500个样本的自扩展允许我们测试这种顶级节点分配的一致性。在整个自我发展中，儿童被分配到同一个顶级最佳处理单元(BMU)的可能性比其他任何一个都大2到10倍，其众数值是4.16倍。

“最好关注他们存在认知困难的领域，以及如何支持他们，比如使用特定的干预措施来提高听力技能或语言能力，或者对全班有益的干预措施，比如如何减少学习过程中对工作记忆的需求。”

然后在相同数量的随机选择的外围大脑区域(即，非中枢大脑区域)中重复这个过程。在非中枢基因敲除效应组之间没有显著差异，这证实了不同组之间的差异是特定于中枢依赖性的。我们怀疑这些差异只有在模拟攻击时才会出现。这是因为统计学的力量——在我们的连接体中只有68个皮层包。只有当枢纽逐渐被去除后，枢纽在决定整个网络效率方面的相对重要性才会显现出来。

但是发育中的大脑是如何造成这些困难的呢？这个问题的答案显然是不一致的，广泛的神经基础已经和个别疾病联系起来了。原因之一是研究的不同。不同研究的样本量和构成不同，对照组和分析方法的选择也有很大差异。然而，即使采用相似的设计和分析方法，结果也会有本质的不同。以ADHD为例，该病与前扣带皮层、尾状核、苍白球、纹状体、小脑、前额叶皮层、运动前皮层、顶叶的灰质差异有关。

其他高度相关的领域，如家庭和学校生活、社会处理和行为评级，更难以进行可靠的评估，并且具有难以建模的心理测量特征。例如，儿童的经历(环境相互作用、营养、教育)会影响大脑发育和认知测试表现，但这些因素在当前的研究中并未得到测量。

我们确定了样本中的富人俱乐部(图6B-定义为连通性[连接数]大于平均值的标准偏差的包。然后，我们通过将这些富人俱乐部区域的连接减少到尽可能小的值(完全删除连接是行不通的，因为许多图论度量也考虑连接的数量)来模拟对这些富人俱乐部区域的攻击。为了阐明这一点，我们使用每个孩子的真实数据来计算结构连接词，然后实验性地修改数据，以有效地依次去除每个中枢区域的连接。中心的顺序在参与者中是随机的。对于每次击倒，重新计算整体效率并测量网络效率的相应下降。随着中枢的移除，效率会降低，但这在儿童中并不一致——一些儿童的大脑效率强烈依赖于中枢，而另一些儿童则不那么依赖。重要的是，这种模拟淘汰赛的影响与儿童的认知状态密切相关。我们通过比较在原始映射过程中确定的六个顶级认知组中模拟敲除导致的整体效率降低来测试这一点(图6C)。对于认知障碍最常见、最严重的儿童，网络效率对富人俱乐部的依赖度最低。相比之下，对于认知能力高的孩子，网络效率下降的幅度最大。

全世界有14%-30%的儿童和青少年患有与学习相关的问题，这些问题非常严重，需要额外的支持。他们的困难在范围和严重程度上差异很大，通常与认知和/或行为问题有关。在某些情况下，在学校有困难的儿童将被正式诊断为有特定的学习困难，如阅读障碍、计算障碍或发育性语言障碍(DLD)。其他人可能被诊断患有与学习问题有关的神经发育障碍，如注意力缺陷多动障碍(ADHD)、运动障碍或自闭症谱系障碍(ASD)。然而，在许多情况下，挣扎的儿童要么没有得到诊断，要么接受了多种诊断。

但这种嵌入表现出了高度的个体化异质性(异质性是指自闭症个体之间的差异)，从而再次肯定了上一期《自闭症个体之间的学习风格和能力存在巨大差异》的观点:自闭症儿童需要的是个体化、精准化的干预，而不是“包A”或“包B”之间的选择。

我们认为，只有当我们考虑脑组织的更广泛特征时，才能理解儿童期局部神经影响和认知症状之间的关系。目前，这些观察结果之间的因果关系尚不清楚。例如，是地方差异导致这种更大程度的整合随着发展时间的推移而发展成为一种动态补偿的手段，还是不同儿童之间的这种整合存在差异，从而更容易在某些特定领域获得可持续发展不足的帮助？在当前数据集中，由于样本的被引性质及其年龄分布，我们控制了年龄的影响。然而，未来的纵向数据将是必要的，以分开这些潜在的独立账户。

使用的具体网络类型是自组织映射。该算法将多维数据集表示为二维(2D)地图。一旦训练完成，该图就是原始输入数据的模型，其中单个指标被表示为权重平面。该算法在原算法的基础上进行改进，使算法的规模能够最优匹配输入数据的维度，并表示输入数据中的层次信息。它通过添加额外的节点以最佳方式表示输入数据来实现这一点，并且可以生成从属节点图层来捕获等级关系。

理解自闭症的异质性是我们这个领域最大的挑战之一。更好地了解自闭症个体学习风格和能力的异质性，将有助于我们提供以人为本和真正个性化的学习支持，促进自闭症儿童发展新技能，理解复杂信息和与他人互动。

同样的神经缺陷怎么会导致孩子认知特征的不同？最后，数据显示，一些儿童的大脑高度组织在一个中枢网络周围。使用扩散加权神经成像，我们创造了整个白质连接体。然后，我们通过系统地断开中枢来模拟对每个孩子的连接体的攻击。效率的下降和学习相关领域的嵌入凸显了这些中枢的关键作用。中枢对儿童大脑组织的影响越重要，认知障碍就越轻微或更具体。相比之下，在这些中枢不完善的地方，儿童表现出更严重的认知症状和学习困难。

对每个孩子连接体的模拟攻击表明，一些大脑网络是围绕高度连接的中枢高度组织的。有这些网络的孩子只有选择性认知障碍或者根本没有认知障碍。相比之下，同样的攻击对一些孩子的网络产生了完全不同的影响，因为他们的大脑效率对中枢的依赖程度更低，而这些孩子的认知障碍最为广泛和严重。

发现学习障碍源于非典型的神经发育，但并不表现出基于诊断标签的特异性(无论有无诊断标签)，也不指向特定的脑区或特定的神经学习回路。相反，它是由基于大脑“中枢”的不良连接性引起的，并表现出基于个体化的异质性。

研究发现，最常见、最严重的认知和学习障碍儿童在19个相关脑区的“中枢”中嵌入程度最低。对于认知学习能力最高的孩子来说，19个局部脑区被嵌入到程度最高的“中枢”中。

其次，通过关注交叉诊断认知分组，我们无法检查“纯”诊断与特定大脑结构之间的联系。这是有意的，但尽管如此，我们还没有测试更多罕见的诊断是否与特定的大脑结构显著相关。

剑桥大学的研究人员表示，不同的学习困难并不像以前认为的那样与大脑的特定区域相对应。相反，大脑中“中枢”之间的连通性差，与儿童的困难有更大的关系。

但是，这并不是因为特定的大脑特征可以预测特定的认知特征，这也可以解释为什么大脑认知关系的整体效应比较低。图5A示出了认知节点和脑节点之间的对应关系。一个孩子可以从许多不同的大脑轮廓中获得特定的认知轮廓，反之亦然。

接下来，我们问人工神经网络是否主要理解一组特定大脑值的“严重性”，或者它是否已经学会识别个体轮廓中的波峰和波谷。为此，我们使用了模拟。很明显，这些模拟并不是为了准确反映学习困难或发育障碍的潜在基础。相反，这些模拟旨在测试人工神经网络在儿童之间的差异中学到了什么。

这两个软件包显示了重要的相互作用项目，但他们都没有幸免于家庭误差校正。这是因为，尽管这个队列的整体年龄范围很大，但绝大多数(超过69%)在7至11岁之间——这是首次发现发育障碍和协作学习困难的高峰期。最终的结果是，我们在分析中控制了年龄，先从包裹价值回归，但在机器学习分析中没有包括年龄本身。

认知数据生成一个三层结构，顶部有六个节点。更高维的大脑结构数据产生一个更扁平的两层结构，顶部有15个节点。这两种不同的结构有显著的联系，但并不紧密。具体的大脑结构与具体的认知特征无关。即使是控制严重程度但在不同位置有波峰和波谷的模拟轮廓，也能收敛成非常相似的认知轮廓。文献中已经有一些关于这种“等定性”的证明，但“多定性”的说法更令人惊讶，更具有理论挑战性。假设一些核心的潜在认知缺陷与特定的神经解剖学基底相关是特别具有挑战性的。这是令人信服的证据。与成年后获得性脑损伤的影响不同，神经发育障碍不太可能反映空间重叠的神经影响。相反，这些发现更符合理论解释，即不同的大脑系统在发育过程中存在动态的相互作用。

在机器学习之前，我们进行了特征选择，以减少过多度量的过拟合风险(详见补充资料，图S2)。选取区域(19包):左侧颞上沟、左侧楔状叶、左侧内嗅皮质、左侧梭状回、右侧梭状回、左侧顶叶、右侧枕叶、右侧颞叶中部、左侧中央小叶、左侧额下回眶、右侧额下回三角、左侧扣带回后回、右侧扣带回后回、扣带回皮质右前吻侧、左侧顶上叶、左侧扣带回外侧。

第三，年龄控制是重要限制。与大脑认知的关系在发育过程中可能会发生变化。例如，一个5岁的孩子与言语障碍相关的神经过程可能与一个10岁的孩子非常不同。

认知轮廓与儿童的学习能力密切相关。因此，要测试网络是否能可靠地代表个体的认知差异，一个好的测试就是测试它是否能被归纳成看不见的数据，并预测孩子的学习成绩。我们使用5重交叉验证来测试认知特征是否可以预测学习成绩。训练从网络随机选择的80%样本开始。然后，使用最小欧几里德距离识别剩余20%样本(可以来自三层中的任何一层)中每个个体的BMU。然后，我们让训练集中的孩子分享这个BMU，以预测被淘汰的孩子在学习测试(阅读、写作和计数)中的表现。然后计算预测性能和实际性能之间的欧几里德距离。这为预测的准确性提供了一种测量方法；数值越小，预测结果越接近实际学习成绩。接下来，我们通过重复这个过程创建了一个空的分布，但是打乱了已经撤回的学习度量。这个过程一直重复，直到剩下的20%中所有的孩子都出现。然后，我们可以使用T-test来比较两种分布——真实的预测准确性和加扰数据内的准确性。与零分布相比，网络对孩子的学习能力做出了非常准确的预测。这是对我们模型的普适性的一个特别强大的测试。它准确地对不可见的个体进行分类，并在初始训练中扩展到不可见的度量。预测精度的扩展如图S3所示。

简而言之，不同连接词的属性对同一攻击有不同的反应，从而揭示了不同的潜在组织原则。一些儿童的连接词围绕中枢组织得很好。这些孩子要么根本没有认知缺陷，要么有更多的选择性缺陷。

“被诊断对家庭来说非常重要。可以为孩子的困难提供专业的认可，打开专家支持的大门。但就具体的干预措施而言，比如孩子的老师，他们可能会分心。”

(b)顶部15个节点的皮质轮廓。

全世界14-30%的儿童和青少年有严重到需要额外支持的学习困难。这些困难通常与认知和/或行为问题有关。在某些情况下，在学校挣扎的儿童将被正式诊断为特定的学习困难或残疾，如阅读障碍、计算障碍或发育性语言障碍，或发育障碍，如注意力缺陷多动症(ADHD)、运动障碍或自闭症谱系障碍(ASD)。

简单来说，自闭症儿童或有学习障碍的成人看待事物、倾听事物和理解事物的方式不同。这可能导致学习和使用新信息和技能的困难。但重要的是要记住，每个有学习障碍的自闭症儿童只需要找到他/她独特的学习方式，他/她就有能力学习。通过更多地了解自闭症学习障碍，尤其是您孩子的学习困难，您可以帮助他/她在学校和其他地方取得成功。

阿斯特尔博士说，他们的研究表明，干预应该减少对诊断标签的依赖。

为了测试大脑轮廓和认知轮廓之间的关系，将相同的人工神经网络应用于整个大脑皮层形态数据。该算法在样本中学习不同的大脑轮廓。持续的交叉验证表明，这些大脑轮廓被总结为不可见的数据，一个孩子的年龄校正大脑轮廓显著预测了他们的年龄标准化认知轮廓。但关键的是，没有一对一的映射，这种关系的整体强度很小。一个大脑特征可能与多个认知特征相关联，反之亦然。

学习障碍是各种学习问题的总称。自闭症儿童的学习障碍不是智力问题(“只有30%的自闭症儿童有智力障碍，所以我们需要反思为什么大龄自闭症儿童的结局和就业率这么差？)，并不是说他/她懒，有时候也不是动力的问题。其实只是他/她的大脑连接方式不同，这种不同会影响他们接收和处理信息的方式。

虽然这是中枢及其连接首次在学习困难和发育障碍中发挥关键作用，但近年来它们在大脑障碍中的重要性越来越明显。

这些数据和我们的方法有一些重要的局限性。

这些范畴与一系列独立的认知轮廓无关。

相同的神经病学特征可能与不同儿童的不同认知障碍有关。一种可能性是，一些儿童的大脑组织不太容易受到局部缺陷的影响。这可以通过使用扩散加权成像(DWI)构建整个白质连接体来测试。

首先，虽然这些灰质测量方法应用广泛，但它们可能没有足够的特定脑区数据来建立与认知的联系。选择将分析限制在19个包的功能；这些数据可以通过几个步骤(例如，年龄效应的回归和人工神经网络的训练)进行处理，以去除关键信息。此外，可能存在与特定认知困难相对应的区域性微结构差异，这是当前神经成像方法所不能捕捉到的。简而言之，特定空间中的神经差异可能与不同的童年认知困难有关，但在分析中丢失了或根本没有抓住。

机器学习在样本中识别出了不同的认知特征，并进行了交叉验证，表明这些特征与儿童的学习能力显著相关。将相同的机器学习方法应用于皮层形态学数据，以识别不同的大脑轮廓。交叉验证表明，这些与儿童的认知状况显著相关。重要的是，这些映射不是一对一的。

简而言之，发育障碍明显的“纯度”被夸大了。为了解决这个问题，许多科学家现在提倡一种诊断方法。这种方法首先出现在成人精神病学中，专注于识别可能跨越多种诊断的潜在症状维度。在学习困难领域，主要关注的是识别支持学习的认知症状。

如果机器学习过程对整体严重性敏感，那么系统的严重性操纵应该会改变预测的认知水平。我们根据原始数据中出现的六个顶级认知模式对预测的认知模式进行了分组。事实上，控制所有差异但系统地控制整体严重性确实会显著改变预测的认知特征(图5 b)。机器学习对儿童整体大脑缺陷的严重程度非常敏感。

人工神经网络已经学习了三层表示。以图像形式显示它的一种方法是获取每个节点的权重，然后计算到所有其他节点的欧几里德距离。用一个力图集来布局这些节点，然后在二维空间里画出来。节点之间的距离越近，权重越相似。如图2A。网络的每一层都提供了对原始数据集越来越精细的描述。最上面一层解释了平均52%，最上面两层解释了78%，所有三层解释了原始认知变量的平均83%方差。作为比较，三因素PCA解决方案解释了73%的差异。

认知数据被引入到一个简单的人工神经网络中作为Z得分，使用每个评价的年龄标准化平均值和标准偏差。因此，0用于表示符合年龄期望的表现，而-1用于表示低于年龄期望水平的标准差。测试(识字和算术)已被取消，因为它们将用于随后的交叉验证练习。我们有意不控制自己的能力水平——任何缺陷的严重程度都是理解相关神经连接的关键信息。

发育障碍儿童的不同认知特征不能从灰质的区域差异中得到很好的预测。相同的大脑结构轮廓可能会导致儿童出现一系列不同的认知症状。这些关系的一个重要决定因素是儿童整个大脑网络的组织。一些孩子的大脑是围绕中枢区域组织的，与学习相关的区域很好地嵌入了这些中枢区域。在这些孩子中，认知困难是有限的或不存在的。相比之下，一些孩子的大脑效率对中枢的依赖程度更低——这些孩子更容易出现一般性的认知问题。

本研究的目的是使用交叉诊断的方法来确定大脑差异与儿童认知困难之间的关系。数据收集自儿童教育和/或临床服务专业人员推荐的儿童(n = 812，其中337名也进行了MRI扫描)和大量未推荐的儿童(n = 181，其中142名进行了MRI扫描)。来自479名被扫描儿童的认知数据——包括所有诊断或未诊断的儿童——被输入到一种称为人工神经网络的无监督机器学习算法中。与其他数据简化技术(例如，主成分分析)不同，这种人工神经网络不将变量分组或识别潜在因素。相反，它保留了数据集中有关摘要的信息，可以捕捉非线性关系，并允许跨样本的测量差异相关联。这使得它非常适合交叉诊断队列。交叉验证表明，利用人工神经网络学习的文件可以扩展到没有数据的文件，可以显著预测儿童的学习困难。