学习障碍的个体化异质性的真相

学习障碍是各种各样的学习问题的总称。孤独症孩子的学习障碍不是智力问题(《只有30%孤独症儿童伴有智力障碍，需要反思为什么大龄孤独症的结局和就业率如此的糟糕?》)，也不是他/她们惰性，有的时候也不是动机问题，事实上是他/她们的大脑连接方式不同而已，这种差异会影响它们接收和处理信息的方式。
 
简单地说，有学习障碍的孤独症儿童或成人看、听和理解事物的方式不同。这可能会导致学习和使用新信息和技能的困难。但重要的是要记住，对于每一个有学习障碍的孤独症孩子只需要找到他/她独特的学习方式，他/她是有学习能力的。通过了解更多有关孤独症学习障碍的知识，特别是你的孩子的学习困难，你可以帮助他/她们在学校和其它地方取得成功。
 
研究发现学习障碍源自非典型的神经发育，但并不会表现为基于诊断标签的特异性(有诊断标签无关)，也不是指向某个特定的脑区或者特定的神经学习回路，而是一种基于大脑“枢纽”的连通性差导致的，表现为基于个体化的异质性。
 
有许多可能的神经通路通向相同的认知特征或障碍，被称为等定性(equifinality)。相反，相同的局部神经缺陷可能导致个体间的多种不同认知症状，被称为多定性(multifinality)。发展中的神经系统的复杂性使得它很可能存在某种程度的补偿；同样的神经缺陷对不同的孩子有不同的功能后果。
 
研究发现：认知与学习障碍最普遍和最严重的儿童，相关的19个大脑的局部区域嵌入“枢纽”程度最低。认知与学习能力最高的儿童，相关的19个大脑的局部区域嵌入“枢纽”程度最高。
 
而这种嵌入表现为高度个体化的异质性(异质性是指孤独症个体之间的差异)，借此再次主张上期的《孤独症个体间的学习方式及能力存在着巨大差异》的观点：孤独症孩子需要的是个体化的精准干预，而非‘套餐’A或是‘套餐’B间的选择。
 
理解孤独症的异质性是我们这个领域最大的挑战之一。更好地理解孤独症个体间学习方式及能力的异质性，将有助于我们提供以人为本的真正的个体化的学习支持，来促进孤独症孩子发展新的技能，理解复杂的信息和与他人互动。


学习困难是由于连通性差，而不是特定的大脑区域。
▼
■ 作者 |  ScienceDaily®
■ 翻译 | RAY
剑桥大学研究人员说，不同的学习困难并不像之前认为的那样与大脑的特定区域相对应。相反，大脑内部“枢纽”之间的连通性差与孩子的困难有更大的关系。
 
全世界14-30%的孩子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，在学校挣扎的孩子会被正式诊断为某种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，或发育性障碍，如注意力缺陷多动障碍(ADHD)、运动障碍或孤独症谱系障碍(ASD)。
 
一种可能的解释是，每一种诊断在个体和下一个个体之间差异如此之大，以至于每一种诊断都涉及不同的大脑区域组合。然而，剑桥大学MRC认知和脑科学小组的一组科学家提出了一个更有争议的解释:事实上，没有特定的大脑区域导致这些困难。
 
为了验证他们的假设，研究人员使用机器学习绘制了一组近479名孩子的大脑差异图，其中337名孩子与学习相关的认知问题有关，142名孩子来自一个比较样本。该算法解释了大量认知、学习和行为测量数据，以及使用磁共振成像(MRI)进行的脑部扫描数据。研究结果发表在今天的《当代生物学》上。
 
研究人员发现，大脑的差异并没有映射到孩子被给予的任何标签上——换句话说，例如，没有大脑区域可以预测孤独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不能预测特定的认知困难——例如，没有特定的语言问题或记忆困难的大脑缺陷。
 
相反，研究小组发现，孩子的大脑是围绕枢纽组织的，就像一个高效的交通系统或社交网络。大脑枢纽连接良好的孩子要么有非常特殊的认知困难，比如听力差，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不紧密的火车站——会出现普遍而严重的认知问题。
 
该研究的资深作者邓肯·阿斯特尔博士说， “几十年来，科学家们一直认为大脑的某些特定区域可以预测某种学习障碍或困难，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，它们是否通过枢纽连接。学习困难的严重程度与这些枢纽的连接性密切相关，我们认为这是因为这些枢纽在大脑区域之间共享信息方面发挥着关键作用。”
 
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。
 
“接受诊断对家庭来说很重要。它可以为孩子的困难提供专业的认可，并为专家的支持打开大门。但就具体的干预而言，比如孩子的老师，他们可能会分散注意力。”
 
“最好关注他们认知困难的领域，以及如何支持他们，比如使用具体的干预措施来提高听力技能或语言能力，或者对整个班级都有好处的干预措施，比如如何减少学习过程中的工作记忆需求。”
 
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醋甲酯(利他林)似乎可以减少多动症，但不能矫正认知困难或改善教育进展。药物倾向于针对特定类型的神经细胞，但对一个已经出现多年的“以中心为基础”的组织几乎没有影响。
 
虽然这是第一次证明枢纽及其连接在学习困难和发育障碍中起关键作用，但它们在大脑障碍中的重要性近年来越来越明显。

神经发育障碍的跨诊断的脑映射研究

▼
■ 作者 |  R. Siugzdaite等
■ 翻译 | RAY

孩子学习困难和发育障碍是常见的，但了解其潜在的大脑机制的进展缓慢。我们收集了479名孩子的结构神经影像、认知和学习数据(299名男孩，年龄从62个月到223个月不等)，其中337人是基于与学习相关的认知问题而被转介到本研究的。
 
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，表明这些特征与孩子的学习能力显著相关。同样的机器学习方法应用于皮层形态数据，以识别不同的大脑轮廓。交叉验证表明，这些与孩子的认知状况有显著的关联。至关重要的是，这些映射不是一对一的。
 
相同的神经特征可能与不同孩子的不同认知障碍有关。一种可能性是，一些孩子的大脑组织不太容易受到局部缺陷的影响。这个可以通过使用扩散加权成像(DWI)构建全脑白质连接体来测试的。
 
对每个孩子的连接体进行模拟攻击表明，一些大脑网络是围绕高度连接的枢纽(hubs)高度组织起来的。具备这些网络的孩子只有选择性的认知障碍或者完全没有认知障碍。相比之下，同样的攻击对一些孩子网络的影响却截然不同，因为他们的大脑效率对枢纽(hubs)的依赖程度较低，这些孩子有最广泛和最严重的认知障碍。
 
在此基础上，我们提出了大脑-认知关系的性质和机制受整体网络的组织环境调节的新框架。

介绍
全世界14%-30%的孩子和青少年患有与学习相关的问题，严重到需要额外的支持。他们的困难在范围和严重程度上差别很大，通常与认知和/或行为问题有关。在某些情况下，在学校有困难的孩子会被正式诊断为有特定的学习困难，比如阅读障碍，计算障碍，或者发育性语言障碍(DLD)。其他人可能会被诊断患有与学习问题相关的神经发育障碍，如注意力缺陷多动障碍(ADHD)、运动障碍或孤独症谱系障碍(ASD)。然而，在许多情况下，在挣扎的孩子要么没有被诊断出来，要么接受了多重诊断。
 
但是发育中的大脑是如何导致这些困难的呢? 对这个问题的回答明显不一致，并且广泛的神经基础已经被联系到个别的疾病。其中一个原因是研究的差异性。不同研究的样本量和组成不同，对照组和分析方法的选择也有很大差异。但是，即使采用大致相似的设计和分析方法，结果也会有实质性的差异。以ADHD为例，该疾病与前扣带皮层、尾状核、苍白球、纹状体、小脑、前额皮质，运动前皮质，顶叶的大部分的灰质差异有关。
 
造成这种不一致的一个可能的原因是这些诊断组是高度异质性和重叠的。在不同的诊断类别中，症状差异很大，在不同诊断或无诊断的孩子之间可能存在相同的症状。
 
简而言之，发育障碍的明显的“纯洁性”被夸大了。为了解决这个问题，许多科学家现在提倡采用一种经诊断的方法。该方法首先出现在成人精神病学，侧重于识别可能跨越多个诊断的潜在症状维度。在学习困难的领域内，主要的关注点是识别支撑学习的认知症状。
 
第二个可能原因是，为什么一致的大脑-认知映射如此难以捉摸的，因为它们并不存在。典型体素神经成像方法的一个关键假设是，认知缺陷和大脑结构或功能之间存在一致的空间对应。然而，这个假设可能不成立。
 
有许多可能的神经通路通向相同的认知特征或障碍，正如我们对多动症的回顾所表明的那样。这有时被称为等定性(equifinality)。复杂的认知过程或缺陷可能有多种不同的因素。相反，相同的局部神经缺陷可能导致个体间的多种不同认知症状，这有时被称为多定性(multifinality)。发展中的神经系统的复杂性使得它很可能存在某种程度的补偿；同样的神经缺陷对不同的孩子有不同的功能后果。
 
虽然等定性和多定性的概念已经在发展理论中出现了一段时间，但这些概念还没有被转化为分析方法。传统的体素理性逻辑意味着，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关联。
 
本研究的目的是采用一种跨诊断的方法来确定大脑差异与孩子认知困难的关系。数据收集自孩子教育和/或临床服务专业人员转诊的孩子(n = 812，其中337也接受了MRI扫描)和一大批未转诊的孩子(n = 181，其中142接受了MRI扫描)。来源于479名接受扫描的孩子——包括所有的有或没有诊断的孩子——认知数据输入一种称为人工神经网络的无监督机器学习算法。与其他数据简化技术不同(例如，主成分分析)，这个人工神经网络并不对变量进行分组或识别潜在的因素，相反，它保留了数据集中关于概要的信息，可以捕获非线性关系，并允许跨样本的测量差异相关。这使得它非常适合用于跨诊断队列。保持交叉验证表明，使用人工神经网络学习的档案可以推广到未见数据，并能显著预测孩子的学习困难。
 
为了测试大脑轮廓与认知轮廓之间的关系，同样的人工神经网络被应用于全脑皮质形态数据。该算法学习了样本中不同的大脑轮廓。持续的交叉验证表明，这些大脑轮廓概括为看不见的数据，一个孩子的年龄校正的大脑轮廓显著地预测了他们的年龄规范的认知轮廓。但至关重要的是，没有一对一的映射，而且这种关系的整体强度很小。一种大脑特征可能与多种认知特征相关联，反之亦然。
 
同样的神经缺陷怎么会导致不同的孩子认知特征? 最后，数据显示，一些孩子的大脑是高度围绕一个枢纽(hub)网络组织的。利用弥散加权神经成像，我们创建了全脑白质连接体。然后，我们通过系统地断开连接枢纽(hub)，模拟了对每个孩子连接体的攻击。效率的下降和学习相关领域的嵌入突出了这些枢纽(hub)的关键作用。枢纽(hub)对孩子大脑组织的影响越重要，认知障碍就越温和或更具体。相比之下，在这些枢纽(hub)不太完善的地方，孩子表现出更严重的认知症状和学习困难

结果

儿童教育和/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评估方面表现非常差。他们在流动推理、词汇、语音意识、短期空间、空间工作记忆、短期口语、以及言语工作记忆方面的表现也更差。所有这些测量的分布可以在图1中看到，我们的样本的描述性统计可以在星型方法中找到。

 映射认知症状和学习能力

认知数据被引入到简单的人工神经网络作为Z分数，使用每个评估的年龄标准化平均值和标准差。因此，用0来表示符合年龄预期的表现，用 -1来表示低于年龄预期水平的标准偏差。学习测试(识字和算术)被取消了，因为它们将被用于随后的交叉验证练习。我们有意不控制能力水平——任何缺陷的严重程度都是理解相关神经关联的关键信息。

使用的特定网络类型是自组织映射图。该算法将多维数据集表示为二维(2D)映射图。一旦训练完成，这张映射图就是原始输入数据的模型，其中单个度量被表示为权重平面。该算法在原有算法的基础上进行了改进，使算法的大小能够最优地匹配输入数据的维数，并表示输入数据中的层次信息。它通过增加额外的节点以最优地表示输入数据来实现这一点，并可以产生从属的节点层来捕获层次关系。
 
人工神经网络学习了三层表示。有一种方法可以用图像的形式来显示它，即取每个节点的权值，然后计算到所有其他节点的欧式距离。使用一个力图集，布局这些节点，然后可以绘制在二维空间。节点之间的距离越近，权重就越相似。如图2A所示。网络的每一层都提供了原始数据集越来越细粒度的描述。顶层平均解释了52%，最上面的两层解释了78%，所有三层解释了平均83%的原认知变量的方差。为了进行比较，三因素PCA解决方案解释了73%的方差。
 
描述算法学习到的不同认知轮廓的一个好方法是在第一层(顶层)绘制不同节点的权重轮廓。这些可以在图2A的雷达图中看到。该网络了解到，有些孩子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(头韵和数字前后跨度;节点3)， 广泛但相对中度的认知障碍(节点4)， 广泛和严重的认知障碍(节点5)，在执行功能测试(空间短期记忆、工作记忆和流动推理)方面表现特别差的儿童;节点6)。为了便于比较，图2B中覆盖了顶层节点的权重轮廓。使用500个样本的自展允许我们测试这个顶层节点分配的一致性。在整个自展, child被分配到相同的顶层最佳处理单元(BMU)的可能性比任何其他都大2到10倍，其模式值是4.16倍。
 
确定每个子节点的最佳匹配节点(通常称为它们的BMU，best matching node)提供了捕获这些节点的不同特征的另一种方法。节点可以很好地区分有转介和无转介的儿童。例如，结点3、4、5和6是经临床医生或特殊教育转介的大多数儿童的BMUs(分别为80%、60%、80%和97%转介;见表S6)。因学习困难而未转介的儿童更有可能与节点1和2相关(未转诊的分别为50%和69%)。性别在这6种认知模式中没有显著差异。6个节点的平均年龄无显著差异。

通过识别不同诊断类别的儿童的BMUs(使用欧几里得距离)，可以在图像上描述诊断类别内认知特征的异质性。这项研究是针对多动症、阅读障碍、孤独症谱系障碍以及在言语和语言治疗师的照顾下的儿童进行的(图3)。如果这些类别可以预测一个孩子的认知状况，那么这些节点应该在网络中组合在一起; 然而，如果这些诊断标签与认知特征无关，那么它们应该被随机地分散在网络中。

这些类别都与一系列独立的认知概况无关。
 
 交叉验证:认知特征预测学习能力

认知概况与儿童的学习能力密切相关，因此，要测试该网络是否能可靠地代表个体认知差异，一个好的测试就是测试它是否能概括为看不见的数据，并预测儿童的学习成绩。我们使用了5倍交叉验证来测试认知特征是否能预测学习成绩。网络在随机选取的80%的样本上从零开始训练。然后剩下20%样本中每个个体的BMU(可以来自三层中的任何一层)，使用最小欧几里得距离来识别。然后，我们让来自训练集的孩子们分享这个BMU，来预测被淘汰的孩子在学习测试(读写和计算)中的表现。然后计算预测性能与实际性能之间的欧氏距离。这为预测的准确性提供了一种衡量方法;数值越小，预测结果越接近实际的学习分数。接下来，我们通过重复这个过程创建了一个空分布，但是打乱了已经退出的学习措施。这个过程被重复，直到所有的孩子都出现在剩下的20%中。然后，我们可以使用t检验来比较这两种分布——真正的预测精度与打乱数据内的精度。相对于零分布，该网络对孩子的学习能力做出了非常准确的预测。这是对我们模型通用性的一个特别有力的测试。它准确地分类了看不见的个体，并扩展到在最初的训练中看不见的措施。预测精度的扩展如图S3所示。

对结构神经影像数据重复机器学习过程。我们计算了每个孩子的68块大脑的分解区域的全脑皮质形态指标(皮质厚度、脑回化、脑沟深度)。在68个块中的19个，套索回归将指数数量减少到21个不同的指标。
 
在机器学习之前，我们进行了特征选择，以减少过多措施的过拟合风险(详见补充信息，图S2)。选择的区域(19个包裹)：左颞上沟、左楔状叶、左内嗅皮层、左梭状回、右梭状回、左顶叶、右外枕叶、右前额内侧、右中颞叶、左侧旁中央小叶、左侧额下回眶部、右侧额下回三角部、左侧后扣带、右后扣带、扣带皮层前右吻侧、左上顶叶、右上颞叶、左侧上缘板，和左额极。
 
年龄的影响进行了皮质形态学数据的分析。我们将年龄建模为一个二阶多项式函数，并测试我们的19个包裹是否与月的年龄显著相关。其中12人是显著的，3人在家庭纠错后留了下来。接下来，我们使用了一个回归模型，其中我们对学习困难程度、年龄(以月为单位)以及这两个因素之间的相互作用进行了建模。根据儿童的学习困难，进行了测试样本中是否有不同的发展轨迹。

(A)用欧几里得距离和阿特拉斯力的图形表示网络构造阿特拉斯的布局，紫色的节点对应顶层。
(B) 最上层的15个节点的皮质形态剖面。
(C)分层增长的自组织图学习的网络体系结构。
 
两个包裹显示了显著的交互项，但都不能幸免于家庭的错误纠正。这是因为尽管该队列的总体年龄范围很大，但绝大多数(超过69%)年龄在7至11岁之间——这是第一次发现发育障碍和协同学习困难的高峰期。最终的结果是，我们在分析中控制了年龄，首先从包裹值回归，但我们没有在机器学习分析中包括年龄本身。
 
该神经网络学习一个两层结构，顶层有15个节点。这可以用与认知数据相同的方式来描述，根据节点权重的相似性，在二维平面上使用欧几里得距离来定位节点(图4A)。顶层解释了平均49%的方差，两层一起解释了73%的方差。相比之下，双因素PCA解决方案解释了49%的方差。顶层的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。

 交叉验证:儿童的大脑状况预测他们的认知状况

通过人工神经网络识别出的不同大脑特征在多大程度上可以预测儿童的认知特征，接下来进行了5倍交叉验证的测试。使用80%的样本，人工神经网络从头开始训练。然后，利用欧几里得距离，从剩下的20%中取出每个孩子，对他们的BMU(每一层)进行测量。然后用训练集中占据BMU的孩子来预测被训练的孩子的认知状况。这个预测和孩子的实际轮廓之间的欧几里得距离，然后被与一个零分布进行比较，这个零分布是通过洗牌得到的认知数据。然后使用t检验将真实的预测与零分布进行比较。相对于打乱的零分布，这个网络能够对一个孩子的认知状况做出非常准确的预测。再一次，这是一个很强的普遍性测试，因为它需要对未见的个体和未见的结果进行准确的预测。但是，这里的效应量要低得多 — 只有科恩的d = 0.15。换句话说，了解一个孩子的大脑区域轮廓，可以使他们对认知轮廓的预测比偶然预测的准确率高出4%左右。如果你选择孩子的第二匹配单元，这个预测的准确性会进一步下降，表示大脑数据中的映射存在某种粒度。
 
到目前为止，儿童的认知状况与他们的学习困难显著相关，这些认知症状可以通过19个与学习相关的皮质包裹的大脑结构状况显著预测。至关重要的是，这种大脑认知关系并不像那些小得多的研究所预测的那样紧密。
 
 将大脑状况映射到认知状况

另一种显示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有显著的关系。儿童在认知网络顶层的BMU与他们在大脑结构网络顶层的BMU显著相关。这证实了交叉验证的结果——在儿童的大脑结构轮廓和他们的认知轮廓之间有一个重要的关系。

然而，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大小相对较低。图5A为各认知节点与脑节点的对应关系。一个孩子可以从多个不同的大脑侧面得到一个特定的认知侧面，反之亦然。
 
 什么是人工神经网络学习?

接下来，我们询问人工神经网络是否主要了解了一组特定大脑值的“严重性”，或者它是否学会了识别个体轮廓中的波峰和波谷。为此，我们使用了模拟。需要明确的是，这些模拟并不是为了准确地反映学习困难或发育障碍的潜在基础。取而代之的是，这些模拟被设计用来测试人工神经网络在孩子之间的差异中学到了什么。
 
利用原始数据集的相关结构模拟脑剖面。首先，模拟了1500个剖面，总体平均值为0，标准差为1。用于500个模拟配置文件。每个包裹的价值增加了0.5个标准差。对于500个模拟剖面，从每个包裹中减去0.5个标准偏差。因此，在1500次模拟中，有3个亚组在1个标准差范围内系统地变化，但是在剖面的波峰和波谷中没有系统的亚组差异。对真实数据重复了相同的交叉验证操作，但使用真实数据作为“训练”集，并使用这些模拟作为我们的“测试”集。

如果机器学习过程对总体的严重程度敏感，那么系统的严重程度操纵应该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概况对预测的认知概况进行分组。事实上，控制所有的差异但系统地控制整体的严重程度确实显著地改变了预测的认知特征(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。
 
接下来，使用同样的程序模拟另外1500个状况。这次创建的亚组(每个N = 500)与总体严重程度相匹配，但在颞叶包裹处有波峰或波谷(左颞上皮层，左前缘，左右梭状回，右颞中部，右颞上皮层)，顶叶包裹(左侧顶下、左侧顶上、左侧上缘板皮层)或额叶包裹(右侧眶内侧额叶皮层、右侧眶部、右侧三角部、右侧扣带皮层前吻侧、左侧额极)。对这些模拟赤字的总体严重程度进行了调整，使每个子组的总体情况加起来都为零。如果机器学习对高峰或低谷的位置也很敏感，而不考虑整体的严重程度，那么这三个子组应该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程度的整体差异，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性以及波峰和波谷的位置都很敏感。

 这是一个小世界？结构关联分析

同样的神经缺陷怎么会导致多种认知结果呢? 一种可能性是，儿童大脑的整体结构对任何特定区域和认知之间的关系都有重要影响。对于样本的一个代表性部分(N = 205)，可以获得弥散湿成像(DWI)数据。这些数据可以用来识别白质连接，并且为每个孩子构建了全脑连接体(图6A)。图论提供了一个数学框架，捕获了复杂网络的组织属性。特别是，全脑效率描述了网络内可能进行的全面信息交换。从我们原始的认知数据映射中比较了6个认知组的网络效率。无显著差异
 
网络科学中一个流行的理论是“小世界”是复杂系统的最优组织。小世界网络是一种数学图形，其中大多数大脑区域不是直接相连的，而是围绕着少数枢纽区域组织起来的，有时也被称为“富有俱乐部”。这一组织原则已在社交网络、基因网络和最近的成人大脑中得到确认。枢纽允许在网络内共享信息，同时最小化布线成本。一种可能性是，同一区域的神经缺陷可能与不同的认知特征有关，因为大脑区域通过枢纽整合的方式存在个体差异
 
我们在样本中确定了富有俱乐部(图6B -定义为连接度[连接数量]大于平均值的标准差的包裹。然后，我们模拟了对这些富有俱乐部区域的攻击，方法是将它们的连接降低到可能的最小值(完全删除连接不起作用，因为许多图论度量还考虑了连接的数量)。为了澄清这一点，我们使用每个孩子的真实数据计算出结构连接体，然后实验性地修改数据，以有效地依次从每个枢纽区域移除连接。中心的顺序在参与者中是随机的。每次击倒，重新计算整体效率，并测量相应的网络效率下降。随着枢纽被移除，效率会下降，但这在儿童中并不一致——一些儿童的大脑效率强烈依赖于枢纽，而另一些则不那么依赖。重要的是，这种模拟击倒的影响与儿童的认知状况密切相关。我们通过比较在原始映射过程中所识别的六个顶级认知组之间的模拟击倒所导致的整体效率下降来测试这一点(图6C)。对于认知障碍最普遍、最严重的儿童，网络效率对富有俱乐部的依赖程度最低。相比之下，对认知能力高的孩子来说，网络效率的降低幅度最大。
 
然后在同样数量的随机选择的外周大脑区域重复这个过程(即，非枢纽脑区)。非枢纽敲除效应组间无显著差异确认不同组之间的差异是特定于对枢纽的依赖。我们怀疑，这些差异只是在模拟攻击时才出现，这是因为统计上的力量——在我们的连接体中只有68个皮质包裹，只有当枢纽逐渐被移除时，枢纽在决定整个网络效率中的相对重要性才会显现出来。
 
接下来，我们专门研究了枢纽故障对之前涉及学习的19个包裹的影响。我们计算了之前学习中涉及的19个包裹的聚类系数。这个系数提供了一个测量大脑区域在网络中的嵌入程度。然后又重复了有系统地击倒富有俱乐部的动作，在每次袭击后，19个包裹的聚类系数都被重新计算。然后，我们可以通过跟踪19个包裹在每次攻击中聚类系数的平均下降来建立它们与枢纽的嵌入性(图6D)。同样，根据孩子的认知分组，同样的攻击会产生不同的结果。认知障碍最普遍和最严重的儿童，包裹的嵌入程度最低。认知能力最高的儿童与中心的嵌入程度最高。
 
简而言之，不同连接体的属性对同一攻击的反应不同，从而揭示了不同的潜在组织原则。一些儿童的连接体围绕枢纽组织得很好，这些儿童要么根本没有认知缺陷，要么有更多的选择性缺陷。

讨论

发育障碍孩子的不同认知概况不能很好地从脑灰质的区域差异预测。同样的大脑结构剖面可能会导致孩子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孩子全脑网络的组织。一些孩子的大脑是围绕枢纽区域组织的，而与学习有关的区域也很好地嵌在这些枢纽区域内。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不太依赖枢纽——这些孩子更有可能出现普遍的认知问题。
 
接受教育和临床服务的孩子在语音意识、语言和空间短期记忆、复杂跨度工作记忆任务、词汇和流动推理方面存在缺陷。与未参照的比较样本相比，这些转诊患者与四个认知特征密切相关: 广泛损伤(1)相对中等或(2)严重的，和(3)在基于语音的任务中更多的选择性损伤，或(4)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跨诊断方法是一致的——跨越障碍和困难的认知优势和弱点。这与一些理论形成了鲜明对比，这些理论将特定的认知障碍指定为导致特定学习问题的途径，但这与早期的观点一致，即发育困难反应的是复杂的关联模式，而不是高度选择性的缺陷。
 
无监督机器学习技术很少用于认知或神经数据，但是它们非常适合于建模高度复杂的多维数据，比如这个诊断队列。它们捕获非线性关系，识别亚种群，并揭示线性数据缩减方法未捕获的潜在组织原则。将人工神经网络应用于认知和皮层形态数据会产生非常不同的网络结构。
 
认知数据生成了一个三层结构，顶层有六个节点。更高维度的大脑结构数据产生了一个更扁平的双层结构，顶层有15个节点。这两种不同的结构有显著的关联，但不强烈，特定的大脑结构与特定的认知特征无关。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汇聚成非常相似的认知轮廓。在文献中已经有一些关于这种“等定性”的证明，但“多定性”的论证更令人惊讶，也更具理论挑战性。特别具有挑战性的是，假设一些核心的潜在认知缺陷与相关的特定神经解剖学底物。这是令人信服的证据，不同于成年后获得性脑损伤的影响，神经发育障碍不太可能反应空间重叠的神经效应。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会有动态的相互作用。
 
我们认为，局部神经效应和儿童时期的认知症状之间的关系只有考虑到更广泛的大脑组织特性时才能理解。目前还不清楚这些观察结果之间的因果关系。例如，是局部的差异导致这种更大程度的整合发展成为一种随着发展时间的推移而产生的动态补偿的手段，还是说，这种整合在不同儿童之间存在差异，从而使某些特定区域的持续发展不足更容易得到帮助? 在当前数据集中，由于样本的引用性质及其年龄分布，我们控制了年龄的影响。然而，未来的纵向数据对于分离这些潜在的独立账户将是至关重要的。
 
枢纽组织似乎很早就出现了，甚至在产前，并通过优先连接得到精炼。优先连接描述一个新节点连接到网络中现有节点的可能性，给定现有节点的某些统计属性。通常，优先连接指的是节点连接的越多，就越有可能接收到新连接。但很有可能是多种因素会在这个组织中驱动个体差异，并且随着发展时间的推移，是动态的。枢纽组织的个体变异是由大脑区域间的时间动态交互作用逐渐产生的。遗传和经验的差异可能会产生不同的参数化几何和非几何规则，这些规则支撑着这些网络的增长。具有相对特异性区域表达谱的基因，以及具有中度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，语言和罗兰多区域高表达的基因可能对语言障碍和罗兰多癫痫活动的常见发育表型有很强的预测作用。相比之下，在多模态枢纽区域内高表达的基因可能在决定网络的整体属性方面发挥关键作用。这两种途径之间的相互作用可以决定儿童认知困难的范围和严重程度的很大程度上的差异。这也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。
 
在这些数据和我们的方法中有一些重要的局限性。
 
首先，虽然这些灰质测量方法被广泛使用，但它们可能没有足够具体的大脑区域数据来建立与认知的联系。特征选择将分析限制为19个包裹；这些数据经过多个处理步骤(例如，回归年龄效应，训练人工神经网络)可以去除关键信息。此外，可能存在与特定认知困难相对应的区域微观结构差异，目前的神经成像方法没有捕捉到这些差异。简而言之，特定空间的神经差异可能与不同的童年认知困难有关，但它们在分析中丢失了，或者根本没有被捕捉到。
 
其次，通过专注于跨诊断的认知分组，我们无法检查“纯粹”的诊断和特定的大脑结构之间的联系。这是有意为之，但尽管如此，我们还没有测试更多的罕见诊断是否与特定的大脑结构显著相关。
 
第三，年龄控制是一个重要的限制。大脑与认知的关系在发育过程中可能会发生变化。例如，一个5岁的孩子与语音障碍相关的神经过程可能与10岁的孩子非常不同。
 
最后，我们只描述了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。
 
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性。例如，一个孩子的经历(环境交互作用、营养、教育)影响大脑发育和认知测试表现，但这些因素在目前的研究中没有测量。