Diskriminerende Patologiese en Niepatologiese Internet Gamers wat Sparse Neuroanatomiese Eienskappe (2018) gebruik.

. 2018; 9: 291.

Gepubliseer aanlyn 2018 Jun 29. doi:  10.3389 / fpsyt.2018.00291

PMCID: PMC6033968

PMID: 30008681

Abstract

Internetspelversteuring (IGD) word dikwels gediagnoseer op grond van nege onderliggende kriteria uit die jongste weergawe van die Diagnostiese en Statistiese Handleiding van Geestesversteurings (DSM-5). Hier het ons ondersoek of sulke simptoom-gebaseerde kategorisering vertaal kan word in berekening-gebaseerde klassifikasie. Strukturele MRI (sMRI) en diffusie-geweegde MRI (dMRI) data is verkry in 38 gamers wat met IGD gediagnoseer is, 68 normale gamers wat gediagnoseer is as nie IGD nie, en 37 gesonde nie-gamers. Ons het 108 kenmerke van grysstof (GM) en witstof (WM) struktuur uit die MRI-data gegenereer. Toe gereguleerde logistiese regressie op die 108 neuroanatomiese kenmerke toegepas is om belangrikes te kies vir die onderskeid tussen die groepe, is die wanordelike en normale gamers in terme van onderskeidelik 43 en 21 kenmerke verteenwoordig in verhouding tot die gesonde nie-spelers, terwyl die wanordelike gamers is verteenwoordig in terme van 11 kenmerke in verhouding tot die normale gamers. In ondersteuningsvektormasjiene (SVM) wat die yl neuroanatomiese kenmerke as voorspellers gebruik, is die wanordelike en normale gamers suksesvol gediskrimineer, met akkuraatheid van meer as 98%, van die gesonde nie-gamers, maar die klassifikasie tussen die wanordelike en normale gamers was relatief uitdagend. Hierdie bevindinge dui daarop dat patologiese en nie-patologiese gamers soos gekategoriseer met die kriteria van die DSM-5 verteenwoordig kan word deur yl neuroanatomiese kenmerke, veral in die konteks van die diskriminasie van dié van nie-spelende gesonde individue.

sleutelwoorde: internetspelversteuring, diagnostiese klassifikasie, strukturele MRI, diffusie-geweegde MRI, gereguleerde regressie

Inleiding

Alhoewel dit al vir dekades as patologiese verslawing voorgestel word (), is dit eers onlangs dat internetspelversteuring (IGD) in die Diagnostiese en Statistiese Handleiding van Geestesversteurings (DSM) gelys is. Die vyfde uitgawe van die DSM (DSM-5) () het IGD as 'n voorwaarde vir verdere studie geïdentifiseer en nege kriteria verskaf om dit te diagnoseer. In simptoom-gebaseerde kategorisering met behulp van die nege-item IGD-skaal (IGDS) wat in die DSM-5 voorgestel is, is 'n drempel om vyf of meer kriteria te ervaar toegepas op die diagnose van IGD. Alhoewel hierdie afsnypunt voldoende kan onderskei tussen gamers wat beduidende kliniese inkorting ly (), behels die digotome aard van IGDS-items onvermydelik diagnostiese oorvereenvoudiging of vaagheid.

Benewens simptome, word 'n verskeidenheid IGD-verwante disfunksies algemeen waargeneem, veral neuroanatomiese veranderinge. Inderdaad, 'n aansienlike hoeveelheid werk het getoon dat IGD geassosieer word met strukturele veranderinge in die brein: krimping van grysstof (GM) volume (-), vermindering in kortikale dikte (), en verlies van witstof (WM) integriteit (, ) is tipies gedemonstreer. Hierdie neuroanatomiese veranderinge wat verband hou met IGD dui daarop dat sulke breinbeeldingsparameters as biomerkers kan dien om individue met IGD van ander individue te onderskei. Dit wil sê, die diagnose van IGD kan gemaak word deur rekenaarmanipulasie van neuroanatomiese biomerkers, eerder as deur simptoom-gebaseerde kategorisering gebaseer op die DSM-5. Hierdie pogings kan in lyn wees met pogings om verder as beskrywende diagnose te beweeg deur rekenaarbenaderings tot psigiatrie te gebruik (), spesifiek data-gedrewe benaderings gebaseer op masjienleer (ML) om die diagnose van geestesongesteldheid aan te pak ().

In hierdie studie het ons gesoek na 'n verband tussen simptoom-gebaseerde kategorisering op grond van die IGDS en berekening-gebaseerde klassifikasie deur die gebruik van neuroanatomiese biomerkers in die diagnose van IGD. Omdat sommige GM- en WM-komponente van die brein waarskynlik oortollige of irrelevante inligting vir diagnostiese klassifikasie sal insluit, het ons probeer om yl neuroanatomiese kenmerke te kies deur gereguleerde regressie te gebruik. Ons het veronderstel dat simptoom-gebaseerde kategorisering voorgestel kan word in terme van yl neuroanatomiese kenmerke wat klassifikasiemodelle vir die diagnose van IGD sou saamstel. Patologiese gamers wat met IGD gediagnoseer is, is vermoedelik meer verskillend van nie-spelende gesonde individue as van gamers wat gediagnoseer is as nie IGD nie, dit wil sê nie-patologiese gamers; dus, patologiese gamers kan gekenmerk word deur 'n groter aantal kenmerke in vergelyking met nie-patologiese gamers, in verhouding tot nie-spelende gesonde individue. Daarbenewens wou ons besluit of nie-patologiese gamers minder onderskeibaar kan wees van patologiese gamers of van nie-spelende gesonde individue. Nie-patologiese gamers kan vaagweg aanvaar word om naby aan nie-spelende gesonde individue te wees in terme van beskrywende simptome, maar ons het gedink dat so 'n idee bekragtig moet word deur middel van berekening-gebaseerde klassifikasie.

Materiaal en metodes

Deelnemers

Onder 237 deelnemers wat internetgebaseerde speletjies speel, is 106 individue gekies deur diegene uit te sluit wat 'n wanverhouding tussen die selfgerapporteerde IGDS en 'n gestruktureerde onderhoud met 'n kliniese sielkundige in die diagnose van IGD getoon het of breinbeelddata gemis of ernstig vervorm het. Op grond van die IGDS is 38 individue (27.66 ± 5.61 jaar; 13 vroue) wat ten minste vyf IGDS-items bevredig het gemerk as wanordelike gamers en 68 individue (27.96 ± 6.41 jaar; 21 vroue) wat hoogstens een IGDS-item bevredig het, is geëtiketteer normale gamers. Individue wat IGDS-items tussen twee en vier bevredig het, is ook uitgesluit, omdat hulle as 'n ander klas tussen die wanordelike en normale gamers onderskei kan word (). Daarbenewens is 37 individue (25.86 ± 4.10 jaar; 13 vroue) wat nie internetgebaseerde speletjies speel nie, afsonderlik gewerf, en hulle is as gesonde nie-spelers bestempel. Die afwesigheid van comorbiditeite by alle deelnemers is bevestig. Skriftelike ingeligte toestemming is verkry van alle deelnemers in ooreenstemming met die Verklaring van Helsinki en die latere wysigings daarvan, en die studie is goedgekeur deur die Institusionele Hersieningsraad by die Seoul St. Mary's Hospitaal, Seoul, Korea.

Verkryging van MRI-data

Strukturele MRI (sMRI) en diffusie-geweegde MRI (dMRI) data is ingesamel met behulp van 'n 3 T MAGNETOM Verio stelsel (Siemens AG, Erlangen, Duitsland). Die verkryging van sMRI-data is uitgevoer met behulp van 'n magnetisasie-voorbereide vinnige gradiënt-eggo-volgorde: aantal skywe in die sagittale vlak = 176, snydikte = 1 mm, matriksgrootte = 256 × 256, en in-vlak resolusie = 1 × 1 mm . Vir die verkryging van dMRI-data is diffusiegradiëntkodering in 30 rigtings uitgevoer met b = 1,000 XNUMX s/mm2 en 'n enkelskoot eggo-planêre beeldvolgorde is gebruik: aantal skywe in die aksiale vlak = 75, sny dikte = 2 mm, matriks grootte = 114 × 114, en in-vlak resolusie = 2 × 2 mm.

Verwerking van MRI-data

Gereedskap ingesluit in CAT12 (http://www.neuro.uni-jena.de/cat/) is gebruik om sMRI-data te verwerk. Die breinvolumebeeld is in verskillende weefsels gesegmenteer, insluitend GM, WM en kortikospinale vloeistof, asook ruimtelik geregistreer na 'n verwysingsbrein in die standaardruimte. In voxel-gebaseerde morfometrie (VBM), is voxel-gewys GM volume beraam deur die waarskynlikheid om GM te wees met die volume van 'n voxel te vermenigvuldig, en dan is daardie waardes gedeel deur die totale intrakraniale volume om aan te pas vir individuele verskille in kopvolume. In oppervlak-gebaseerde morfometrie (SBM) is kortikale dikte beraam deur gebruik te maak van die projeksie-gebaseerde dikte metode ().

Verwerking van dMRI-data

Gereedskap ingesluit in FSL 5.0 (http://fsl.fmrib.ox.ac.uk/fsl/) is aangewend om dMRI-data te verwerk. Alle beelde is herbelyn na die nulbeeld wat daarmee verkry is b = 0 XNUMX s/mm2 om vir werwelstroom-geïnduseerde vervormings en kopbeweging reg te stel. 'n Diffusie tensor is by elke voxel binne die brein gemodelleer, en diffusie tensor-afgeleide parameters, insluitend fraksionele anisotropie (FA), gemiddelde diffusiwiteit (MD), aksiale diffusiwiteit (AD) en radiale diffusiwiteit (RD), is bereken; gegewe drie diffusiwiteite langs verskillende asse van 'n diffusie tensor, is FA bereken as die vierkantswortel van die som van kwadrate van diffusiwiteitsverskille tussen die drie asse, MD as die gemiddelde diffusiwiteit oor die drie asse, AD as die grootste diffusiwiteit langs die hoof-as , en RD as die gemiddelde van diffusiwiteite langs twee klein asse. Gebruik kanaalgebaseerde ruimtelike statistiek (TBSS) () geïmplementeer in FSL 5.0, is die kaarte van diffusie tensor-afgeleide parameters ruimtelik geregistreer na 'n verwysingsbrein in die standaardruimte, en hulle is dan op 'n WM-kanaalskelet geprojekteer.

Kenmerkgenerasie

Twee hoofstappe vir die ontwerp van 'n klassifikasiemodel is kenmerkgenerering en -seleksie. Ons het kenmerke uit neuroanatomie gegenereer, spesifiek die volume en dikte van 'n stel GM-streke en die integriteit en diffusiwiteit van 'n stel WM-kanale. Nadat GM-volume en kortikale dikte beraam is as voxel-gewyse kaarte wat onderskeidelik van VBM en SBM verkry is, is die parameters vir elk van 60 GM-streke beoordeel (Tabel S1), verpak soos in die Hammers-atlas (), as die gemiddelde oor alle voxels daarin. Met beraamde diffusie tensor-afgeleide parameters, insluitend FA, MD, AD en RD as voxel-gewyse kaarte op die WM-kanaalskelet wat van TBSS verkry is, is die parameters vir elk van 48 WM-kanale bereken (Tabel S2), verpak soos in die ICBM DTI-81-atlas (), as die gemiddelde oor alle voxels daarin. Kortom, ons het twee parameters van GM en vier parameters van WM oorweeg, wat agt kombinasies van GM- en WM-parameters opgelewer het. Vir elke kombinasie van GM- en WM-parameters het parameterwaardes van 60 GM-streke en 48 WM-streke 'n totaal van 108 neuroanatomiese kenmerke saamgestel.

Eienskapseleksie deur gereguleerde regressie

Die vermindering van die aantal kenmerke is belangrik, veral vir data met 'n groot aantal kenmerke en 'n beperkte aantal waarnemings. Die beperkte aantal waarnemings in verhouding tot die aantal kenmerke kan lei tot oorpassing van die geraas, en regularisering is 'n tegniek wat dit moontlik maak om oorpassing te verminder of te voorkom deur bykomende inligting of beperkings op 'n model in te stel. Omdat al die 108 kenmerke dalk nie nuttige en nodige inligting vir klassifikasie insluit nie, het ons 'n yl stel kenmerke gekies deur gereguleerde regressie toe te pas. Spesifiek, die lasso () en elastiese net () is gebruik vir gereguleerde logistiese regressie. Die lasso sluit 'n strafterm, of 'n regulariseringsparameter, λ, in wat die grootte van koëffisiëntskattings in 'n logistiese regressiemodel beperk. Omdat 'n toename in λ tot meer nulwaarde-koëffisiënte lei, verskaf die lasso 'n verminderde logistiese regressiemodel met minder voorspellers. Die elastiese net produseer ook 'n verminderde logistiese regressiemodel deur koëffisiënte op nul te stel, veral deur 'n hibriede regulariseringsparameter van die lasso en rant regressie in te sluit, wat die beperking van die lasso in die behandeling van hoogs gekorreleerde voorspellers oorkom ().

Vir die klassifikasie tussen elke paar van die drie groepe het ons die lasso en elastiese net toegepas om belangrike voorspellers onder die 108 neuroanatomiese kenmerke in 'n logistiese regressiemodel te identifiseer. Die 108 kenmerke van alle individue in elke paar van die drie groepe is gestandaardiseer om 'n datamatriks saam te stel, A, waarin elke ry een waarneming verteenwoordig en elke kolom een ​​voorspeller verteenwoordig. Om te korrigeer vir effekte van individue se ouderdom en geslag op die GM- en WM-parameters, 'n oorblywende vormingsmatriks, R, is gegenereer: R = I-C(CTC)-1C waar I was 'n identiteitsmatriks en C was 'n matriks wat kodeer wat kovariate van ouderdom en geslag verwar. Dit is toe toegepas op A om residue te verkry nadat die verwarrende kovariate uit geregresseer is: X = RA.

Gegewe die aangepaste datamatriks, X, en die reaksie, Y, wat twee klasse individue gekodeer het, is 10-voudige kruisvalidering (CV) gebruik om te soek na 'n regulariseringsparameter, λMinErr, wat die minimum fout in terme van afwyking verskaf het, gedefinieer as negatiewe log-waarskynlikheid vir die getoetsde model gemiddeld oor die valideringsvoue. Alternatiewelik, omdat 'n CV-kromme foute het by elke λ wat getoets word, 'n regulariseringsparameter, λ1SE, wat gevind is binne een standaardfout van die minimum CV-fout in die rigting van toenemende regularisering vanaf λMinErr is ook oorweeg. Dit wil sê, yler kenmerke is by λ gekies1SE, terwyl yl kenmerke by λ bepaal isMinErr. Hierdie prosedure om 'n gereguleerde logistiese regressiemodel met minder voorspellers te soek, is herhaal vir elke kombinasie van GM- en WM-parameters wat die 108 neuroanatomiese kenmerke bevat.

Prestasie van geselekteerde kenmerke

Om die bruikbaarheid van die yl en yler kenmerke te evalueer, is prestasie vergelyk tussen die model met 'n verminderde aantal kenmerke en die model met al die 108 kenmerke in ondersteuningsvektormasjiene (SVM's) deur die ontvangerbedryfskenmerk (ROC) kurwe te meet. Met 'n lineêre kern as die kernfunksie en hiperparameters geoptimaliseer deur vyfvoudige CV, is 'n SVM opgelei vir alle individue in elke paar van die drie groepe. Die oppervlakte onder die ROC-kromme (AUC) is vir elke model bereken as 'n kwantitatiewe maatstaf van sy prestasie. DeLong toetse () is gebruik om die AUC tussen elke paar modelle te vergelyk. Wanneer die AUC verskil het by 'n p-waarde van 0.05, is prestasie in twee modelle as nie vergelykbaar beskou nie.

Klassifikasie akkuraatheid

Skematiese prosedures vanaf die generering en seleksie van kenmerke tot die konstruksie van klassifikasiemodelle word in Figuur aangebied Figure1.1. Vir elke paar van die drie groepe is SVM-klassifikasiemodelle gegenereer deur die geselekteerde kenmerke as voorspellers te gebruik. Ons het die akkuraatheid van die klassifikasiemodelle beoordeel deur 'n verlof-een-uit CV-skema te gebruik, sodat die akkuraatheid van klassifikasie buite steekproef vir elke uitgeslote individu bereken is en dit dan oor alle individue gemiddeld is. Die statistiese betekenisvolheid van akkuraatheid is beraam deur die gebruik van permutasietoetse. 'n Empiriese nulverdeling vir klassifikasie tussen elke paar van die drie groepe is gegenereer deur die etikette van individue herhaaldelik te permuteer en akkuraatheid wat met die gepermuteerde etikette geassosieer word, te meet. Wanneer akkuraatheid gemeet vir die ongeoorloofde etikette hoër as of gelyk aan die nulverdeling by a p-waarde van 0.05, wat bepaal is as betekenisvol verskillend van die kansvlak (akkuraatheid = 50%). Daarbenewens is 'n verwarringsmatriks gevisualiseer om sensitiwiteit en spesifisiteit met betrekking tot die onderskeid tussen elke paar van die drie groepe te beskryf.

 

'N eksterne lêer wat 'n prentjie, illustrasie, ens. Bevat. Voorwerpnaam is fpsyt-09-00291-g0001.jpg.

Skematiese prosedures vanaf die generering en seleksie van neuroanatomiese kenmerke tot die konstruksie van modelle vir die klassifikasie tussen wanordelike gamers (DG) en gesonde nie-gamers (HN), tussen normale gamers (NG) en HN, en tussen DG en NG. GM, grysstof; WM, witstof.

Results

Funksie seleksie

Figuur Figure22 vertoon geselekteerde kenmerke onder die 108 kenmerke met hul koëffisiëntskattings, en Tabel Table11 beskryf verwante passingsinligting van die gereguleerde logistiese regressiemodel vir die klassifikasie tussen elke paar van die drie groepe. Daarbenewens, Figuur S1 wys watter λ die minimum CV-fout opgelewer het en hoeveel kenmerke by λ gekies is1SE sowel as by λMinErr. Die minimum CV-fout is verkry in kenmerkkeuse deur die lasso (lasso gewig = 1) vir die klassifikasie tussen die gesonde nie-spelers en normale gamers en deur die elastiese net (lasso gewig = 0.5) vir die ander klassifikasie.

 

'N eksterne lêer wat 'n prentjie, illustrasie, ens. Bevat. Voorwerpnaam is fpsyt-09-00291-g0002.jpg.

Geselekteerde neuroanatomiese kenmerke in gereguleerde logistiese regressie vir die klassifikasie tussen elke paar van drie groepe. Versteurde gamers (DG) is gekodeer as 1 in die klassifikasie tussen gesonde nie-gamers (HN) en DG, normale gamers (NG) as 1 in die klassifikasie tussen HN en NG, en DG as 1 in die klassifikasie tussen NG en DG. Die grootte van 'n staaf verteenwoordig die grootte van die onderskeie kenmerk se koëffisiënt, sodat kenmerke van nie-nul koëffisiënte geselekteerde ene is. Die gelewerde breine beeld grysstof- en witstofkomponente uit wat ooreenstem met die geselekteerde kenmerke vanuit 'n superieure siening. Kenmerke in rooi of blou dui dié aan wat by yler kenmerke ingesluit is, bepaal by λ1SE asook in yl kenmerke bepaal by λMinErr, terwyl dié in geel of magenta dié aandui wat slegs in yl kenmerke ingesluit is. Die byskrifte van breinkomponente is soos verskaf in Tabelle S1 en S2. L, links; R, reg.

Tabel 1

Pas inligting van gereguleerde logistiese regressie vir die klassifikasie tussen elke paar van drie groepe.

 HN teen DGHN vs. NGNG vs DG
parameterGMDikteDikteDeel
 WMFARDMD
Lasso gewig0.510.5
Skaars kenmerke gekies by λMinErrCV fout37.368141.7876133.3857
 Aantal funksies432111
Skaarser kenmerke gekies by λ1SECV fout46.568150.0435141.2622
 Aantal funksies34121
 

Die lasso gewig dui aan of gereguleerde logistiese regressie uitgevoer is met behulp van die lasso (lasso gewig = 1) of elastiese net (lasso gewig = 0.5).

HN, gesonde nie-spelers; DG, wanordelike gamers; NG, normale gamers; GM, grysstof; WM, witstof; FA, fraksionele anisotropie; RD, radiale diffusiwiteit; MD, gemiddelde diffusiwiteit; CV, kruisbekragtiging.

In die diskriminasie van die wanordelike spelers van die gesonde nie-spelers, is 43 kenmerke gekies by λMinErr bestaan ​​uit die dikte van 24 GM-streke en die FA van 19 WM-streke, en 34 kenmerke gekies by λ1SE bestaan ​​uit die dikte van 15 GM-streke en die FA van 19 WM-streke. In die onderskeid tussen die normale spelers en die gesonde nie-spelers, is 21 kenmerke gekies by λMinErr bestaan ​​uit die dikte van 12 GM-streke en die RD van 9 WM-streke, en 12 kenmerke gekies by λ1SE bestaan ​​uit die dikte van 6 GM-streke en die RD van 6 WM-streke. In die klassifikasie tussen die wanordelike en normale spelers is 11 kenmerke by λ gekiesMinErr bestaan ​​uit die volume van 7 GM-streke en die MD van 4 WM-streke, en een kenmerk gekies by λ1SE stem ooreen met die volume van een GM-streek.

Prestasie van geselekteerde kenmerke

Tussen die model met 'n verminderde aantal kenmerke en die model met al die 108 kenmerke, was prestasie vergelykbaar in terme van die AUC in die diskriminasie tussen elke tipe spelers en die gesonde nie-spelers deur SVM's (Figuur (Figure3) .3). In die klassifikasie tussen die wanordelike en normale spelers is die model met die kenmerke óf by λ gekiesMinErr (AUC = 0.83, p = 0.006) of by λ1SE (AUC = 0.72, p < 0.001) het swakker werkverrigting getoon as die model met al die 108 kenmerke (AUC = 0.90).

 

'N eksterne lêer wat 'n prentjie, illustrasie, ens. Bevat. Voorwerpnaam is fpsyt-09-00291-g0003.jpg.

Vergelyking van werkverrigting in terme van die area onder die ontvanger bedryfskenmerkkurwe (AUC) tussen modelle sonder en met kenmerkkeuse vir die klassifikasie tussen elke paar van drie groepe deur ondersteuningsvektormasjiene. Die model van 108 kenmerke (aangedui deur soliede lyn) stem ooreen met dié sonder kenmerkkeuse, terwyl die modelle van verminderde aantal kenmerke ooreenstem met dié met yl en yler kenmerke wat by λ gekies isMinErr (aangedui met stippellyn) en λ1SE (aangedui met 'n stippellyn), onderskeidelik. HN, gesonde nie-spelers; DG, wanordelike gamers; NG, normale gamers.

Klassifikasie akkuraatheid

In klassifikasie deur SVM's met behulp van die kenmerke wat by λ gekies isMinErr, akkuraatheid was groter as 98%, aansienlik hoër as die kansvlak (p < 0.001), in die onderskeid tussen elke tipe spelers van die gesonde nie-spelers (Figuur (Figure4A) .4A). Akkuraatheid was steeds aansienlik hoër as die kansvlak (p = 0.002), maar so laag as 69.8% in die klassifikasie tussen die wanordelike en normale gamers, wat spesifiek lae sensitiwiteit (47.4%) toon in die korrekte identifikasie van die wanordelike spelers. Die yler kenmerke bepaal by λ1SE soortgelyke prestasie getoon (Figuur (Figuur 4B) 4B) maar het baie laer sensitiwiteit (2.6%) getoon in die korrekte onderskeid van die wanordelike gamers van die normale gamers.

 

'N eksterne lêer wat 'n prentjie, illustrasie, ens. Bevat. Voorwerpnaam is fpsyt-09-00291-g0004.jpg.

Verwarringsmatrikse in die klassifikasie tussen elke paar van drie groepe wanneer dit gebruik word (A) yl en (B) yler kenmerke bepaal by λMinErr en by λ1SE, onderskeidelik, in ondersteuning vektor masjiene. Die onderste regter sel verteenwoordig klassifikasie akkuraatheid (ACC), die onderste linker sel ware negatiewe koers (TNR) of spesifisiteit, die laer-middel sel ware positiewe koers (TNR) of sensitiwiteit, die boonste regter sel negatiewe voorspellende waarde (NPV) ), en die middel-regs sel positiewe voorspellende waarde (PPV). TP, waar positief; TN, waar negatief; FP, vals positief; FN, vals negatief.

Bespreking

In hierdie studie het ons gepoog om te ondersoek of die patologiese en nie-patologiese gamers soos gekategoriseer met die IGDS wat in die DSM-5 voorgestel word, deur yl neuroanatomiese kenmerke verteenwoordig kan word. Die wanordelike en normale spelers is onderskeidelik in terme van 43 en 21 kenmerke verteenwoordig in verhouding tot die gesonde nie-spelers. Daarbenewens is die wanordelike gamers verteenwoordig in terme van 11 kenmerke in verhouding tot die normale gamers. Deur die yl neuroanatomiese kenmerke te gebruik, kon die wanordelike en normale spelers suksesvol van die gesonde nie-spelers onderskei word, maar die klassifikasie tussen die wanordelike en normale spelers was relatief uitdagend.

Simptoom-gebaseerde beskrywende kategorisering van IGD met die IGDS wat in die DSM-5 voorgestel word, word wyd aangeneem. Alhoewel empiriese geldigheid van die IGDS in verskeie lande bevestig is (, , ), is die drempel om vyf of meer IGDS-items te ervaar dalk nie 'n definitiewe keuse nie, en ander maniere om individue wat internetgebaseerde speletjies speel, kan voorgestel word (). Aangesien veelvuldige tipes kliniese data, soos breinbeelddata sowel as demografiese, gedrags- en simptomatiese data, toenemend beskikbaar word, kan addisionele data verkieslik aangewend word vir die diagnose van geestesongesteldheid. In die besonder, as gevolg van die massiwiteit van kwantitatiewe inligting, is breinbeeldingsdata geskik vir rekenaarbenaderings en sal nuttig wees vir voorspelling. Daar is inderdaad getoon dat breinbeelddata beter voorspellende waardes het in vergelyking met ander kliniese data in voorspelling vir die oplossing van 'n klinies relevante probleem ().

Aangesien ML-gebaseerde diagnostiese klassifikasie onlangs toegepas is op ander verslawende gedrag en afwykings (-), blyk simptoom-gebaseerde kategorisering van IGD ook 'n uitdaging van berekening-gebaseerde klassifikasie in die gesig te staar. Omdat anatomiese abnormaliteite van die brein na IGD herhaaldelik in vorige studies aangemeld is (-, ), het ons sulke neuroanatomiese inligting van potensiële biomerkers van breinbeelddata oorweeg vir die diagnose van IGD. In hierdie studie was ons doelwit om 'n stel belangrike neuroanatomiese kenmerke te identifiseer wat voldoende hoë klassifikasieprestasie kan bied, behalwe om neuroanatomiese verskille tussen klasse individue te beskryf.

Ons het belangrikes gekies, onder 108 neuroanatomiese kenmerke, deeglike gereguleerde regressie. Toe ons agt kombinasies van GM- en WM-parameters oorweeg het, is verskillende kombinasies van parameters gekies om elke paar van die drie groepe te onderskei. Die kombinasie van die dikte van GM-streke en die integriteit van WM-kanale was beter om die patologiese gamers van die gesonde nie-spelers te onderskei, terwyl die kombinasie van die volume van GM-streke en die diffusiwiteit van WM-kanale beter was om die patologiese gamers te onderskei. van die nie-patologiese gamers. Verder, hoewel baie breinkomponente algemeen gedien het as neuroanatomiese kenmerke wat belangrik was vir die onderskeid tussen die patologiese en nie-patologiese spelers van die gesonde nie-spelers, het sommige GM-streke en WM-kanale die nie-patologiese spelers gekenmerk, maar nie die patologiese spelers nie. . Hierdie bevindinge dui daarop dat daar moontlik nie 'n universeel beste presterende kombinasie van GM- en WM-parameters as neuroanatomiese biomerkers is nie, sodat 'n spesifieke kombinasie van GM- en WM-parameters gekies moet word volgens groepe wat geklassifiseer moet word.

Die kleiner aantal yl kenmerke vir die onderskeid van die nie-patologiese gamers in vergelyking met die onderskeid van die patologiese gamers, van die gesonde nie-gamers, weerspieël dat die nie-patologiese gamers in 'n oorgangstadium tussen die patologiese gamers en gesonde is. nie-spelers. Daarbenewens dui die minder yl kenmerke vir die klassifikasie tussen die twee tipes spelers as vir die diskriminasie tussen elke tipe spelers en die gesonde nie-spelers aan dat die patologiese en nie-patologiese spelers minder verskillend aan mekaar was in terme van van neuroanatomie as dat hulle verskil van die gesonde nie-spelers. Gevolglik het die klassifikasiemodelle wat met die yl kenmerke gegenereer is, akkuraatheid van meer as 98% gelewer in die diskriminasie tussen elke tipe spelers en die gesonde nie-spelers, maar akkuraatheid onder 70% in die klassifikasie tussen die twee tipes van die spelers. Dit wil sê, die nie-patologiese gamers was onderskeibaar van die gesonde nie-gamers sowel as die patologiese gamers, maar daar was beperkings in die onderskeid tussen die patologiese en nie-patologiese gamers.

Hierdie relatief lae onderskeibaarheid tussen die twee tipes spelers blyk 'n paar idees voor te stel. Eerstens kan 'n wanverhouding tussen simptoom-gebaseerde kategorisering en berekening-gebaseerde klassifikasie voorgestel word. Alhoewel die voorgestelde diagnostiese drempel om vyf of meer kriteria in die IGDS te ervaar konserwatief gekies is om die oordiagnose van IGD (), mag die teenwoordigheid van spelers wat aansienlike patologiese veranderinge in neuroanatomie ly, maar nie aan die IGD-drempel voldoen nie, nie buite rekening gelaat word nie. In die besonder het ons net spelers ingesluit wat IGDS-items bevredig het wat baie laer is as die IGD-drempel as die normale spelers, sodat gamers wat gediagnoseer is as nie IGD nie, oor die algemeen verder weg van nie-spelende gesonde individue kan wees as wat in hierdie studie getoon is. Tweedens kan 'n uitdaging in klassifikasie wat slegs op neuroanatomiese biomerkers staatmaak, opgemerk word. Klassifikasieprestasie kan verbeter word deur ander biomerkers in te sluit wat groter ongelykhede tussen die patologiese en nie-patologiese spelers kan vasvang. Veral omdat funksionele veranderinge in die brein ook in IGD (-), funksie sowel as anatomie van die brein kan as breinbiomerkers beskou word. Daarbenewens wil ons daarop let dat veranderinge in die brein slegs deel uitmaak van die multidimensionele fasette van internetspelverslawing, sodat ander faktore, nie die minste nie verskeie interne en eksterne risikofaktore vir internetspeletjieverslawing (), moet ingesluit word in meer volledige modelle vir die klassifikasie tussen patologiese en nie-patologiese gamers sowel as die onderskeid tussen gamers en nie-spelende gesonde individue.

Hier het ons gereguleerde regressie gebruik, met behulp van ylheidbevorderende beramers soos die lasso en elastiese net, om belangrike kenmerke vir klassifikasiemodelle te identifiseer. Daar is eintlik metodologiese variasies in kenmerkkeuse of dimensionaliteitvermindering, en 'n verskeidenheid benaderings kan aangewend word vir die gebruik van geselekteerde kenmerke in modelkonstruksie (). Ons benadering deur gebruik te maak van gereguleerde regressie behels 'n a priori aanname rakende ylheid in neuroanatomiese kenmerke. Met dien verstande dat so 'n aanname aanvaarbaar is, soos ons in hierdie studie geglo het, kan gereguleerde regressie 'n geloofwaardige benadering wees, en die geselekteerde stel yl kenmerke sal verwag word om klassifikasiemodelle van voldoende hoë werkverrigting saam te stel. Maar dit is opmerklik dat eenvoudiger klassifikasiemodelle gebaseer op groter ylheid nie altyd vergelykbare of verbeterde werkverrigting kan toon nie. Inderdaad, onder verskillende keuses van die graad van yl volgens 'n regulariseringsparameter, was groter ylheid waarskynlik nie 'n beter presterende model spesifiek in meer uitdagende klassifikasieprobleme, soos die klassifikasie tussen die patologiese en nie-patologiese spelers nie.

Daarbenewens het ons SVM's as 'n ML-tegniek gebruik om klassifikasiemodelle te konstrueer, omdat hulle een van die gewildste is. Ander gevorderde metodes kan gebruik word om klassifikasieprestasie te verbeter, alhoewel vergelykende prestasie tussen verskillende metodes moontlik nie afgesluit kan word nie as gevolg van die afhanklikheid van prestasie op eksperimentele scenario's (). Aan die ander kant, vir vergelykende prestasie tussen klassieke statistiese metodes en ML-tegnieke, het ons klassifikasie deur logistiese regressie ook uitgevoer en getoon dat die twee metodes, naamlik logistiese regressie en SVM's, vergelykbaar was in die prestasie van klassifikasie (Figuur S2). Dit kan herhaal word dat klassieke statistiese metodes nie altyd minderwaardig is as ML-tegnieke in klassifikasieprestasie nie ().

In die huidige studie het ons aan die lig gebring dat simptoom-gebaseerde kategorisering van IGD voorgestel kan word in terme van yl neuroanatomiese biomerkers wat klassifikasiemodelle saamgestel het. Verder het ons getoon dat nie-patologiese spelers minder onderskeibaar kan wees van patologiese spelers as van nie-spelende gesonde individue, in terme van neuroanatomie. Ons stel dus voor dat hoewel huidige diagnostiese stelsels staatmaak op beskrywende kategorisering soos die DSM-5 as die goue standaarde, nie-patologiese gamers dalk met meer sorg gediagnoseer moet word deur objektiewe biomerkers te gebruik soos dié wat verband hou met neuroanatomiese veranderinge. Die aanvaarding van rekenaarbenaderings blyk 'n onomkeerbare neiging in psigiatrie te wees, maar daar is dalk 'n lang pad om te stap om dit prakties op kliniese omgewings toe te pas. Soek vir die optimale keuse van yl kenmerke van breinbeelding en ander kliniese data moet in daaropvolgende studies uitgevoer word, en op die lang termyn sal hierdie pogings die berekening-gebaseerde diagnose van IGD bevorder.

Skrywer bydraes

D-JK en J-WC was verantwoordelik vir die studiekonsep en -ontwerp. HC het die kliniese karakterisering en seleksie van deelnemers uitgevoer. CP het die data ontleed en die manuskrip opgestel. Alle skrywers het inhoud krities hersien en finale weergawe vir publikasie goedgekeur.

Konflik van belangstelling

Die skrywers verklaar dat die navorsing gedoen is in die afwesigheid van enige kommersiële of finansiële verhoudings wat as 'n potensiële botsing van belange beskou kan word.

voetnote

 

Befondsing. Hierdie navorsing is ondersteun deur die Breinwetenskapnavorsingsprogram deur die Nasionale Navorsingstigting van Korea (NRF) wat deur die Ministerie van Wetenskap en IKT in Korea (NRF-2014M3C7A1062893) befonds is.

 

 

Aanvullende materiaal

Die aanvullende materiaal vir hierdie artikel kan aanlyn gevind word by: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material

Verwysings

1. Jong KS. Internetverslawing: die opkoms van 'n nuwe kliniese versteuring. CyberPsychol Gedrag. (1998) 1:237–44. 10.1089/cpb.1998.1.237 [Kruisverwysing]
2. Amerikaanse Psigiatriese Vereniging Diagnostiese en Statistiese Handleiding van Geestesversteurings, 5de Uitgawe. Washington, DC: American Psychiatric Association Publishing; (2013).
3. Ko CH, Yen JY, Chen SH, Wang PW, Chen CS, Yen CF. Evaluering van die diagnostiese kriteria van internetspelversteuring in die DSM-5 onder jong volwassenes in Taiwan. J Psigiatr Res. (2014) 53:103–10. 10.1016/j.jpsychires.2014.02.008 [PubMed] [Kruisverwysing]
4. Ko CH, Hsieh TJ, Wang PW, Lin WC, Yen CF, Chen CS, et al. . Veranderde grysstofdigtheid en ontwrigte funksionele konnektiwiteit van die amygdala by volwassenes met internetspelversteuring. Prog Neuropsychopharmacol Biol Psychiatry (2015) 57:185–92. 10.1016/j.pnpbp.2014.11.003 [PubMed] [Kruisverwysing]
5. Lin X, Dong G, Wang Q, Du X. Abnormale grysstof- en witstofvolume in 'Internet-speletjieverslaafdes'. Verslaafde Gedrag. (2015) 40:137–143. 10.1016/j.addbeh.2014.09.010 [PubMed] [Kruisverwysing]
6. Wang H, Jin C, Yuan K, Shakir TM, Mao C, Niu X, et al. . Die verandering van grysstofvolume en kognitiewe beheer by adolessente met internetspelversteuring. Front Behav Neurosci. (2015) 9:64. 10.3389/fnbeh.2015.00064 [PMC gratis artikel] [PubMed] [Kruisverwysing]
7. Yuan K, Cheng P, Dong T, Bi Y, Xing L, Yu D, et al. . Kortikale dikte abnormaliteite in laat adolessensie met aanlyn spelverslawing. PloS ONE (2013) 8:e53055. 10.1371/journal.pone.0053055 [PMC gratis artikel] [PubMed] [Kruisverwysing]
8. Dong G, Devito E, Huang J, Du X. Diffusie tensor beelding openbaar thalamus en posterior cingulate korteks abnormaliteite in internet spel verslaafdes. J Psigiatr Res. (2012) 46:1212–6. 10.1016/j.jpsychires.2012.05.015 [PMC gratis artikel] [PubMed] [Kruisverwysing]
9. Xing L, Yuan K, Bi Y, Yin J, Cai C, Feng D, et al. . Verminderde veselintegriteit en kognitiewe beheer by adolessente met internetspelversteuring. Brein Res. (2014) 1586:109–17. 10.1016/j.brainres.2014.08.044 [PubMed] [Kruisverwysing]
10. Besson P, Dinkelacker V, Valabregue R, Thivard L, Leclerc X, Baulac M, et al. . Strukturele konnektiwiteitsverskille in linker en regter temporale lob epilepsie. Neuroimage (2014) 100:135–44. 10.1016/j.neuroimage.2014.04.071 [PubMed] [Kruisverwysing]
11. Huys QJ, Maia TV, Frank MJ. Rekenaarpsigiatrie as 'n brug van neurowetenskap na kliniese toepassings. Nat Neurosci. (2016) 19:404–13. 10.1038/nn.4238 [PMC gratis artikel] [PubMed] [Kruisverwysing]
12. Lemmens JS, Valkenburg PM, Gentile DA. Die skaal vir internetspeletjies. Sielkundige assesseer. (2015) 27:567–82. 10.1037/pas0000062 [PubMed] [Kruisverwysing]
13. Dahnke R, Yotter RA, Gaser C. Kortikale dikte en sentrale oppervlak skatting. Neuroimage (2013) 65:336–48. 10.1016/j.neuroimage.2012.09.050 [PubMed] [Kruisverwysing]
14. Smith SM, Jenkinson M, Johansen-Berg H, Rueckert D, Nichols TE, Mackay CE, et al. . Baan-gebaseerde ruimtelike statistiek: voxelwyse analise van multi-vak diffusie data. Neuroimage (2006) 31:1487–505. 10.1016/j.neuroimage.2006.02.024 [PubMed] [Kruisverwysing]
15. Hammers A, Allom R, Koepp MJ, Free SL, Myers R, Lemieux L, et al. . Driedimensionele maksimum waarskynlikheidsatlas van die menslike brein, met spesifieke verwysing na die temporale lob. Hum breinkaart. (2003) 19:224–47. 10.1002/hbm.10123 [PubMed] [Kruisverwysing]
16. Mori S, Oishi K, Jiang H, Jiang L, Li X, Akhter K, et al. . Stereotaksiese witstofatlas gebaseer op diffusie tensor beelding in 'n ICBM-sjabloon. Neuroimage (2008) 40:570–82. 10.1016/j.neuroimage.2007.12.035 [PMC gratis artikel] [PubMed] [Kruisverwysing]
17. Tibshirani R. Regressiekrimping en seleksie via die lasso. J Roy Stat Soc Ser B (1996) 58:267–88.
18. Zou H, Hastie T. Regularisering en veranderlike seleksie via die elastiese net. J Roy Stat Soc Ser B (2005) 67:301–20. 10.1111/j.1467-9868.2005.00503.x [Kruisverwysing]
19. Theodoridis S. Masjienleer: 'n Bayesiaanse en optimaliseringsperspektief. Londen: Akademiese Pers; (2015).
20. Delong ER, Delong DM, Clarke-Pearson DL. Vergelyking van die oppervlaktes onder twee of meer gekorreleerde ontvangerbedryfskenmerkkurwes: 'n nieparametriese benadering. Biometrics (1988) 44:837–45. 10.2307/2531595 [PubMed] [Kruisverwysing]
21. Cho SH, Kwon JH. 'n Bekragtiging van die Koreaanse weergawe van die Internet Gaming Disorder Scale (K-IGDS): bevindinge van 'n gemeenskapssteekproef van volwassenes. Koreaanse J Clin Psychol. (2017) 36:104–17. 10.15842/kjcp.2017.36.1.010 [Kruisverwysing]
22. Sigerson L, Li AYL, Cheung MWL, Luk JW, Cheng C. Psigometriese eienskappe van die Chinese internetspelversteuringsskaal. Verslaafde Gedrag. (2017) 74:20–6. 10.1016/j.addbeh.2017.05.031 [PubMed] [Kruisverwysing]
23. Burke Quinlan E, Dodakian L, Sien J, Mckenzie A, Le V, Wojnowicz M, et al. . Neurale funksie, besering en beroerte subtipe voorspel behandelingswinste na beroerte. Ann Neurol. (2015) 77:132–45. 10.1002/ana.24309 [PMC gratis artikel] [PubMed] [Kruisverwysing]
24. Pariyadath V, Stein EA, Ross TJ. Masjienleerklassifikasie van funksionele konnektiwiteit in rustoestande voorspel rookstatus. Front Hum Neurosci. (2014) 8:425. 10.3389/fnhum.2014.00425 [PMC gratis artikel] [PubMed] [Kruisverwysing]
25. Fedota JR, Stein EA. Funksionele konnektiwiteit in russtaat en nikotienverslawing: vooruitsigte vir ontwikkeling van biomerkers. Ann NY Acad Sci. (2015) 1349:64–82. 10.1111/nyas.12882 [PMC gratis artikel] [PubMed] [Kruisverwysing]
26. Ahn WY, Ramesh D, Moeller FG, Vassileva J. Nut van masjienleerbenaderings om gedragsmerkers vir substansgebruiksversteurings te identifiseer: impulsiwiteitsdimensies as voorspellers van huidige kokaïenafhanklikheid. Front Psychiatry (2016) 7:34. 10.3389/fpsyt.2016.00034 [PMC gratis artikel] [PubMed] [Kruisverwysing]
27. Ahn WY, Vassileva J. Masjienleer identifiseer substansspesifieke gedragsmerkers vir opiaat- en stimulantafhanklikheid. Dwelm Alkohol Afhanklik. (2016) 161:247–57. 10.1016/j.drugalcdep.2016.02.008 [PMC gratis artikel] [PubMed] [Kruisverwysing]
28. Percy C, França M, Dragičević S, D'avila Garcez A. Voorspelling van aanlyn dobbel self-uitsluiting: 'n ontleding van die prestasie van masjienleermodelle onder toesig. Int Gambl Stud. (2016) 16:193–210. 10.1080/14459795.2016.1151913 [Kruisverwysing]
29. Ding WN, Sun JH, Sun YW, Zhou Y, Li L, Xu JR, et al. . Veranderde standaard netwerk rustoestand funksionele konneksie by adolessente met internetspeletjieverslawing. PloS ONE (2013) 8:e59902. 10.1371/journal.pone.0059902 [PMC gratis artikel] [PubMed] [Kruisverwysing]
30. Meng Y, Deng W, Wang H, Guo W, Li T. Die prefrontale disfunksie by individue met internetspelversteuring: 'n meta-analise van funksionele magnetiese resonansiebeeldstudies. Verslaafde Biol. (2015) 20: 799-808. 10.1111 / adb.12154 [PubMed] [Kruisverwysing]
31. Zhang JT, Yao YW, Li CSR, Zang YF, Shen ZJ, Liu L, et al. . Veranderde rustoestand funksionele konnektiwiteit van die insula by jong volwassenes met internetspelversteuring. Verslaafde Biol. (2015) 21:743–51. 10.1111/adb.12247 [PMC gratis artikel] [PubMed] [Kruisverwysing]
32. Cai C, Yuan K, Yin J, Feng D, Bi Y, Li Y, et al. . Striatum morfometrie word geassosieer met kognitiewe beheertekorte en simptome erns in internetspelversteuring. Breinbeeldgedrag. (2016) 10:12–20. 10.1007/s11682-015-9358-8 [PubMed] [Kruisverwysing]
33. Park C, Chun JW, Cho H, Jung YC, Choi J, Kim DJ. Is die internet-spelverslaafde brein naby aan 'n patologiese toestand? Verslaafde Biol. (2017) 22:196–205. 10.1111/adb.12282 [PubMed] [Kruisverwysing]
34. Kuss DJ, Griffiths MD. Internetspelverslawing: 'n sistematiese oorsig van empiriese navorsing. Int J Ment Health Addict. (2012) 10:278–96. 10.1007/s11469-011-9318-5 [Kruisverwysing]
35. Castellanos FX, Di Martino A, Craddock RC, Mehta AD, Milham MP. Kliniese toepassings van die funksionele konneksoom. Neuroimage (2013) 80:527–40. 10.1016/j.neuroimage.2013.04.083 [PMC gratis artikel] [PubMed] [Kruisverwysing]
36. Tollenaar N, Van Der Heijden P. Watter metode voorspel residivisme die beste?: 'n vergelyking van statistiese, masjienleer en data-ontginning voorspellende modelle. J Roy Stat Soc Ser A (2013) 176:565–84. 10.1111/j.1467-985X.2012.01056.x [Kruisverwysing]