这是可行性检验，不是人群预测工具
这篇论文要回答的问题是：多变量机器学习能否把母亲在哺乳期吃了什么，连同家庭和儿童特征，与学龄早期的神经认知得分联系起来。答案是有保留的肯定：这一方法可行，并能给出候选预测因子；但作者明确指出，无法就这些因素在足月婴儿总体中的作用得出具体结论。
样本为20对母婴，取自一个已有队列。该队列于2014年至2017年在波士顿招募了160名发育正常的晚期早产和足月新生儿。20对中有17对为母乳喂养，3对为配方奶喂养。作者把分析样本偏小部分归因于COVID-19相关中断导致随访丢失，并报告这20名纳入者在胎龄、性别、出生体重、出生身长、头围、母亲年龄、母亲教育程度、家庭收入、母亲收入及喂养方式上与更大队列大体相似。
饮食来自问卷，语言来自家长报告
母亲饮食用自填的139项Block 2005食物频率问卷采集，覆盖过去三个月，包括正餐、零食和补充剂。标准化软件把回答转换为73项营养素测量值，归入六类：总能量、碳水化合物、脂肪、矿物质、维生素与抗氧化剂、纤维。进入模型的是这些营养素数值，而不是食物本身。
神经认知用儿童发展量表（Child Development Inventory）测量，这是一份面向约15个月至6岁儿童的家长问卷。其270条发育陈述构成八个量表，包括表达性语言、语言理解、字母和数字。完成问卷时儿童平均年龄为3.86 ± 0.65岁。这一点对理解结果很重要：结局是家长报告的发育得分，论文所说的“预测误差”指的是模型对这些得分的复现程度。
单变量分析几乎没有发现关联
在做任何机器学习之前，作者逐一检验每个预测因子与每个结局的关系：连续变量用Spearman相关，二分类变量用方差分析，以年龄为协变量，并用错误发现率校正多重比较。校正之后，没有任何非营养变量与任何量表得分相关。唯一显著的单变量关联是母亲糖摄入与自助（self-help）领域之间（校正后p = 0.0163）。
这一近乎空白的单变量结果，正是论文主要方法学主张的铺垫。作者认为，队列层面上单个变量与单个结局的关联，不一定能解释个体差异，因此他们转向一种能为每个儿童挑选特征组合的模型。
特征选择让入选特征少于样本量
模型使用序列前向浮动选择法（Sequential Forward Floating Selection）：从没有特征开始，每次加入能使预测误差下降最多的特征，然后检验移除某个已选特征是否能让结果进一步改善，如此交替，直到任何增删都不再带来改善。预测误差用平均绝对百分比误差衡量，选择它是因为它按各得分自身的量级归一化误差，从而可以跨领域比较。
从86个候选特征中，该流程为每个结局选出6至16个特征，少于20名参与者，这是为在小样本、高维数据中防止过拟合而有意设置的约束。作者还报告了重复运行、与基线模型比较、bootstrap置信区间和置换检验，同时承认这些做法无法在如此规模的队列中完全消除过拟合风险。
表达性语言最容易预测
对表达性语言，入选特征组合把非营养变量（家庭收入和出生身长）与营养变量结合起来，后者包括碳水化合物、能量、胆固醇、磷酸胆碱、总谷胱甘肽与还原型谷胱甘肽、血糖负荷、麦芽糖和蔗糖。摘要把磷脂酰胆碱、谷胱甘肽、血糖负荷等营养素与儿童人口学特征和家庭收入并列为候选预测因子；全文摘录则点名磷酸胆碱和父母教育程度。这些是算法保留的特征，不是已确立的因果因素。
预测误差最低的是表达性语言，为3%；最高的是字母得分，为72%。作者把关联强度描述为表达性语言最强、字母得分最弱。由于该指标是相对于每个儿童实际得分的百分比误差，这一差距意味着模型紧密跟踪了表达性语言得分，而对字母得分跟踪很差；它并不意味着语言在生物学上更被决定。
饮食与家庭因素结合优于任一单独使用
论文的主要发现是：把母亲营养素摄入与社会人口学因素结合起来，对学龄早期神经认知结局的预测优于任一因素单独使用。在不同结局中频繁入选的特征，非营养变量包括母亲最高学历和出生身长，营养变量包括DPA和DHA。相比之下，自助领域的特征组合动用了胎龄、出生身长、母亲教育程度、EPA、DPA、DHA、铜、糖、乳糖和蔗糖。
作者把这视为对既有研究的修正：过去的研究要么孤立地研究单一营养素，要么把社会人口学变量搁置一旁。他们的解释是，营养素之间以及与环境因素之间存在相互作用，而饮食可能比遗传、出生人口学特征、收入或教育更具可改变性。这一可改变性论证是作者认为该组合值得研究的理由，而不是已证实的干预效果。
3%误差为何不是临床结论
在20名儿童中，表达性语言的平均绝对百分比误差为3%，这说的是一个拟合模型在极小样本中复现得分的程度，评估方式是留一法运行和重采样检验。它不能证明一个饮食加人口学模型能以3%的误差预测一个新儿童的语言，作者也明确把结论限定在可行性和假设生成上。
测量选择同样限定了这一主张。饮食来自覆盖此前三个月的食物频率问卷，由商业软件转换为营养素；结局来自家长填写的量表。两者都不是客观生物标志物或临床医生实施的测验，论文也没有报告独立的外部验证队列。
真正有用的信号是领域排序
这篇论文中对判断最有价值的结果不是3%这个数字本身，而是各领域之间的排序：表达性语言预测误差最小，字母得分误差最大，且入选特征组合因结局而异。对于在考虑是否投入营养—大脑建模的读者，这一模式说明该方法能生成针对具体结局的候选预测因子集合，值得在更大规模上检验；而在这个样本中，与读写相关的字母知识是最弱的目标。
作者把这项工作定位为推动更大规模营养—大脑相互作用研究的动力，这些研究可为孕期和哺乳期个体化营养建议的假设生成提供支持。因此，这项试点的贡献是一份按优先级排列、可检验的特征清单——哺乳期母亲饮食加上家庭收入和父母教育程度——而不是一个可直接使用的预测工具。
本文引用的文献
Predicting early school-age neurocognitive outcomes from maternal nutrition and sociodemographic factors in a pilot machine learning study
在20对母婴中，一个把哺乳期母亲饮食营养素与儿童、父母和收入变量结合的特征选择模型，以3%的平均绝对百分比误差预测学龄早期表达性语言，字母得分的误差为72%；这支持可行性，但不支持人群层面的结论。