摘要：研究人员利用先进的机器学习技术揭示了与自恋相关的神经结构，克服了之前研究的局限性。
他们利用核岭回归和支持向量回归，根据大脑组织和其他人格方面预测了自恋人格特征。特定的大脑回路，包括额外侧回和中额回等区域，发挥了预测作用。
此外，传统和异常人格特征的结合可以预测自恋。
关键事实：
- 利用机器学习技术更深入地研究自恋的神经关联。
- 一个明确的大脑回路，涉及额叶外侧回和中回以及其他区域，成功地预测了自恋的人格特征。
- 除了大脑结构之外，自恋也可以通过正常（例如，开放性、宜人性）和异常（例如，边缘性、马基雅维利主义）人格特征的混合来预测。
自恋——这个词在学术界和日常对话中经常引起人们的兴趣。
自恋通常与病理状况相关，但其神经学基础仍然是一个谜。但机器学习的最新进展为这个古老的谜团带来了新的曙光。
解决不一致问题
过去绘制自恋神经通路的尝试常常因不一致的发现而失败。其中许多不一致之处归因于参与者数量少或对传统单变量方法的依赖等限制。这些方法限制了人们对自恋特质的有趣世界的洞察深度。
拥抱先进技术
为了突破这些障碍，最近的一项研究采用了尖端的机器学习技术：核岭回归和支持向量回归。
这些工具能够识别和预测大量数据集中的模式，使它们适合研究复杂的自恋神经网络。
目标很简单但雄心勃勃：建立一个依赖神经结构和一系列人格特征的自恋特征的预测模型。
揭示大脑回路
结果既令人惊讶又具有启发性。
特定的大脑回路成为自恋人格特征的有力预测因子。该回路包含额外侧回和中额回、角回、Rolandic 岛盖和 Heschl 回等区域。
这一发现的统计显着性（p < 0.003）强调了其对神经科学和心理学的潜在影响。
超越大脑：性格预测
但这些启示并不仅仅停留在神经结构上。该研究发现了正常（例如开放性、随和性、尽责性）和异常（例如边缘性、反社会性、不安全感、成瘾性、消极性、马基雅维利主义）人格特征的令人信服的混合体，这些特征可以预测自恋。
这种多维方法结合了神经和心理标记，开启了对自恋特征的更全面的理解。
开创性的方法
这项研究是同类研究中第一个部署监督机器学习方法来解码自恋的研究。它暗示了未来，人格特征不仅可以从可观察的行为中衍生出来，还可以从神经和心理特征的混合中衍生出来。
前进的道路
虽然这些发现是具有里程碑意义的一步，但它们也为进一步调查铺平了道路。这些见解将如何改变治疗干预措施？它们可以提高诊断精度吗？神经科学和机器学习的融合不仅带来了答案，还带来了对人类心理的更丰富的理解。
这种对自恋的多方面探索例证了现代工具如何使经典研究焕发活力。随着我们继续利用神经科学和机器学习的综合力量，人格研究的视野必将呈指数级扩展。