编辑推荐：
为探究品行障碍（CD）患者情绪功能的性别差异，研究人员利用机器学习（ML）分析 542 名 CD 青少年和 710 名神经典型对照者的数据。结果发现女性分类器识别 CD 个体的能力更强，证实情绪功能障碍与 CD 密切相关，为深入理解 CD 病因提供依据。
在儿童和青少年群体中，品行障碍（Conduct Disorder，CD）是一种较为常见的精神疾病，它表现为严重且反复出现的反社会和攻击性行为。近年来，在西方工业化国家，CD 在男女青少年中的诊断率都显著上升，这给医疗服务和社会带来了巨大的成本。然而，CD 却是青少年精神疾病中研究较少、资金投入不足且了解程度较低的一种，尤其是针对女性患者的研究更是匮乏。
目前，对于导致 CD 相关行为（如攻击行为）出现和持续的神经认知机制，人们的了解还十分有限，而且这种机制可能因性别不同而存在差异。虽然有研究表明，情绪识别（比如难以识别面部表情）、情绪学习（例如难以从惩罚线索中学习）和情绪调节（像难以抑制对情绪线索的冲动反应）等不同情绪技能领域的功能障碍，或许能解释 CD 中的性别差异，但这些研究大多聚焦于男性，或者样本量较小，难以检测出性别与分组之间的交互作用。
之前研究还提出了 “差异阈值” 假设，认为患有 CD 的女孩相比男孩，情绪功能障碍可能更严重。但传统统计分析并未支持这一假设。因此，为了更深入地探究 CD 中情绪功能的性别差异，来自德国德累斯顿工业大学等多个机构的研究人员开展了一项研究，相关成果发表在《BMC Psychiatry》杂志上。
研究人员重新分析了 FemNAT-CD 多中心项目中 542 名患有 CD 的青少年（317 名女孩）和 710 名神经典型对照者（479 名女孩）的神经认知数据，这些青少年年龄在 9 - 18 岁之间。
研究中用到的主要关键技术方法包括：使用涵盖情绪识别（如 Emotion Hexagon 任务）、情绪学习（Passive Avoidance Learning 任务）和情绪调节（Emotional Go/Nogo 任务）技能的神经认知测试组合，来评估参与者的情绪功能；运用基于角度的广义矩阵学习向量量化（Angle - GMLVQ）这一多元监督式机器学习分类器，对数据进行分析，该方法能同时考虑所有情绪处理变量，并通过数据重采样构建模型，以评估分类性能和特征相关性。
研究结果如下：
- 分类器性能：通过 Angle - GMLVQ 构建的女性和男性分类模型，其分类性能均显著高于随机水平，但整体分类准确率低于临床相关的 80% 阈值，不过仍能达到约 60%，具有一定的参考价值。值得注意的是，女性模型的表现明显优于男性模型，在识别患有 CD 的青少年方面，女性模型的真阳性率（True Positive Rate，TPR）更高，而在识别神经典型对照者方面，二者的真阴性率（True Negative Rate，TNR）相当。
- 特征相关性：在女性和男性模型中，对区分 CD 和神经典型对照最具预测性的神经认知特征均来自于三个情绪领域。其中，识别 “快乐” 表情对预测女性 CD 最为相关，而识别 “恐惧” 表情对预测男性 CD 更为重要。
在研究结论和讨论部分，此次研究证实了神经认知功能障碍在三个情绪领域是预测女性和男性 CD 的可靠指标，且对女孩的预测作用稍强，这在一定程度上支持了 “差异阈值” 假设。但由于 CD 具有显著的异质性，情绪功能障碍可能仅与部分 CD 青少年亚群相关，还有其他神经认知机制也可能对 CD 的表现产生影响。
该研究具有重要意义。一方面，它采用了先进的机器学习技术，克服了传统统计方法的局限性，为研究 CD 的神经认知机制提供了新的视角；另一方面，研究样本量大且具有代表性，涵盖了不同性别的青少年，有助于更全面地了解 CD 在不同性别中的表现。然而，研究也存在一定的局限性，比如样本年龄范围有限，无法直接应用于年幼儿童；未进行敏感性分析；缺乏独立数据集进行验证等。未来的研究可以进一步拓展样本范围，纳入更多数据来源，比较不同机器学习算法，以更精准地识别和验证 CD 的神经认知亚型，从而推动针对性干预措施的发展，帮助改善受影响青少年的行为问题。
