按中位数分组，而非预测秒数
论文报告的0.795准确率，并不意味着模型估算了某人在连线测验中会花多少秒。连线测验要求参与者按顺序连接条目：A部分用数字，B部分加入字母与数字交替，因此B部分认知负荷更高。作者把TMT-A和TMT-B的测量值合并，训练深度学习模型区分完成时间高于中位数和低于中位数的参与者。因此，输出结果是在本样本内做的两组分类，既不是连续时间预测，也不是诊断标签。
这一区别决定了如何理解后面每个数字。0.795的准确率描述的是模型把参与者分到中位数正确一侧的频率，论文称这一表现很好。它不说明两组之间时间差有多大，也不能证明同一阈值在另一样本中同样能把快与慢的参与者分开。
74名患者与41名对照，7特斯拉成像
研究用7特斯拉MRI系统测量了74名跨诊断患者和41名健康对照。这里的“跨诊断”指患者组不限于某一种精神科诊断；作者认为症状群和潜在过程跨越诊断类别，因此按诊断定义样本会丢失信息。41名健康对照提供了参照，用来考察患者的脑形态与测验表现。
形态用Schaefer 100图谱各脑区的三项指标概括：灰质体积、皮层厚度和沟化程度，后者描述皮层折叠的程度。输入深度学习模型的是这些脑区层面的数值，而非原始图像。模型的任务是把这种形态特征映射到高于或低于中位数的TMT类别上。
沟化程度承载最多预测权重
研究用SHAP分析找出哪些输入变量驱动了模型的预测。SHAP值把每次预测归因到各个特征，因此贡献大意味着该特征在该样本上明显推动了模型输出。最关键的特征是沟化程度。颞叶和顶枕区的灰质体积也有贡献，而皮层厚度完全没有出现在最重要的特征之中。
作者用三项指标不同的变化动态来解释这一排序。在成年人中，灰质体积和皮层厚度随时间变化的程度远高于沟化程度，因此作者认为体积和厚度更适合捕捉暂时性变化，而折叠模式更可能反映发育早期形成的易感结构。这是作者对特征排序的解释，不是已被证明的因果通路。论文还指出，各变量间的方差分布相当均匀，没有哪个脑区表现出占主导的预测力。
额叶、颞叶与顶叶标记组间差异
提示组间差异的脑区集中在额叶皮层，以及颞叶和顶叶区域。通过SHAP分析，作者把贡献定位到躯体运动网络、边缘网络、背侧注意网络和默认模式网络。背侧前额叶皮层的沟化程度和灰质体积、外侧前额叶皮层的沟化程度，以及左侧眶额皮层的沟化程度，都属于对分类准确率有贡献的特征。
论文把这些脑区与任务需求联系起来，而不是把它们当作孤立的标记。完成连线测验需要运动协调以及对速度和力量的精细控制，作者认为这使躯体运动系统的参与显得合理。论文引用的文献把眶额皮层与时间认知和排序能力联系起来，而这些能力正是测验所需要的。作者把整体模式描述为一组复杂的形态改变，与病理改变的脑区有重叠，并把大脑视为一个功能系统：某一区域出现问题，也可能伴随其他区域表现下降。
诊断无法区分测验表现
健康参与者和患者中都有相当比例的人TMT-A和TMT-B用时高于中位数。换言之，落在偏慢一侧的并不限于患者组，作者据此认为，在本样本中，诊断不能可靠预测以连线测验衡量的低认知功能。
这一观察是论文跨诊断论证的实证基础。如果诊断类别难以按测验表现区分人群，那么基于测量的分组——此处是形态特征加测验结果——可能捕捉到诊断所掩盖的变异。作者以此支持在临床实践中采用跨诊断方法、采用维度化的病理描述，并把该模型定位为第一步：寻找能预测哪些生物学干预最可能改善认知功能的变量。
分类结果，而非临床工具
研究设计的若干特点限定了0.795准确率能支持什么。目标是基于74名患者和41名对照这一混合样本内部计算的中位数分组，因此模型是在相对该组中点区分人群，而不是对照外部临床界值。样本量不大且为跨诊断样本，这对作者的论证至关重要，但也意味着结果描述的是这一异质性群体，而非任何单一诊断人群。
作者报告，在重复留出循环后各测量值的标准差相对较低，并认为这支持可推广性；他们还认为，模型依赖的脑区已在文献中被提及，这验证了数据驱动方法。这些是作者对可靠性的评估。论文没有报告在独立队列上测试模型，因此该准确率应理解为模型在本样本上的内部表现，而不是在新临床环境中的预期准确率。
折叠模式指向更早期、更稳定的结构
对读者而言，最重要的结果不只是准确率数字，而是三项形态指标之间的分化。如果沟化程度占主导，而皮层厚度对最重要特征毫无贡献，那么模型依赖的是作者与个体发育和幼儿期发展相关联的结构模式，颞叶和顶枕区的灰质体积则补充了一个更可变的成分。这一解读意味着，预测信号并不只是当前脑状态的一张快照。
作者据此认为，灰质体积和皮层厚度可能更适合追踪暂时性变化，而沟化程度可能反映更长期的易感性。他们举例说明：如果慢性压力导致认知能力长期下降、持续多年，这种下降不会强烈影响皮层折叠程度。这仍是解释，而非本研究中被检验的结论，但它正是论文留给读者的具体重点：比较认知的形态预测指标时，应区分时间动态不同的测量，而不是把脑结构当作单一变量。
本文引用的文献
Predicting trail-making test performance using 7-Tesla structural cerebral MRI
一个深度学习模型用7特斯拉MRI形态，在74名跨诊断患者和41名健康对照中把连线测验表现分为高于或低于中位数两类，准确率为0.795，沟化程度是最关键的特征。