Seyrli neyroanatomik xüsusiyyətləri istifadə edərək, ayrı-seçkilik patoloji və patoloji olmayan internet oyunçuları (2018)

. 2018; 9: 291.

2018 Jun 29 onlayn nəşr olundu. doi:  10.3389 / fpsyt.2018.00291

PMCID: PMC6033968

PMID: 30008681

mücərrəd

İnternet oyun bozukluğu (IGD), tez-tez zehni bozuklukların Diaqnostik və Statistik Təlimatının (DSM-5) ən son versiyasından doqquz əsas meyar əsasında diaqnoz qoyulur. Burada belə simptomlara əsaslanan təsnifatın hesablama əsaslı təsnifata çevrilməsinin olub olmadığını araşdırdıq. Struktur MHİ (sMRI) və diffuziya ölçülmüş MHİ (dMRI) məlumatları IGD diaqnozu qoyulmuş 38 oyunçularında, IGD olmaması diaqnozu qoyulmuş 68 normal oyunçularda və 37 sağlam olmayan oyunçularda əldə edildi. MRI məlumatlarından boz maddənin (GM) və ağ maddənin (WM) quruluşunun 108 xüsusiyyətlərini yaratdıq. Qruplar arasındakı fərq üçün vacib olanları seçmək üçün 108 nöroanatomik xüsusiyyətlərinə müntəzəm olaraq düzəldilmiş logistik reqressiya tətbiq edildikdə, pozğun və normal oyunçular sağlam Xeyriyyətsiz oyunçulara münasibətdə müvafiq olaraq 43 və 21 xüsusiyyətləri baxımından təmsil edildi. pozğun oyunçular normal oyunçulara münasibətdə 11 xüsusiyyətləri baxımından təmsil olundu. Narkotik kimi seyrək neyroanatomik xüsusiyyətlərdən istifadə edən dəstək vektor maşınlarında (SVM), pozğun və normal oyunçuların sağlamlığı qeyri-oyunçulardan 98% -dən çox olan dəqiqliklə uğurla ayrıldı, lakin pozğun və normal oyunçuların təsnifatı nisbətən çətin idi. Bu tapıntılar, patoloji və patoloji olmayan oyunçuların, DSM-5-ın meyarlarına görə təsnif edildiyi, seyrək neyroanatomik xüsusiyyətlərlə təmsil oluna biləcəyini, xüsusən də oyunu olmayan sağlam şəxslərin ayrıseçkiliyi baxımından.

Keywords: İnternet oyun pozğunluğu, diaqnostik təsnifat, struktur MRT, diffuziya dərəcəli MRT, nizamlı reqressiya

giriş

Onilliklər boyu patoloji asılılıq kimi təklif olunmasına baxmayaraq (), bu yaxınlarda İnternet oyun bozukluğu (IGD) Psixi Bozuklukların Diaqnostik və Statistik Təlimatında (DSM) siyahıya alındı. DSM-in beşinci nəşri (DSM-5) () IGD'nin daha da öyrənilməsi üçün bir şərt olaraq təyin etdi və diaqnoz üçün doqquz meyar təqdim etdi. DSM − 5-da təklif olunan doqquz maddənin IGD miqyasından (IGDS) istifadə edərək simptomlara əsaslanan təsnifatda IGD diaqnozu üçün beş və ya daha çox meyarla qarşılaşmağın bir həddi tətbiq edildi. Baxmayaraq ki, bu kəsmə nöqtəsi əhəmiyyətli klinik zəifləməsi olan oyunçuları kifayət qədər fərqləndirə bilər (), IGDS maddələrinin dichotomous təbiəti istər-istəməz diaqnostik həddən artıq artırma və ya qeyri-müəyyənliyi ehtiva edir.

Semptomlarla yanaşı, IGD ilə əlaqəli müxtəlif disfunksiyalar ümumiyyətlə müşahidə olunur, heç olmasa neyroanatomik dəyişikliklər. Həqiqətən, əhəmiyyətli bir iş orqanı IGD-nin beyindəki struktur dəyişikliyi ilə əlaqəli olduğunu göstərdi: boz maddənin (GM) həcminin büzülməsi (-), kortikal qalınlığın azalması () və ağ maddənin (WM) bütövlüyünün itirilməsi (, ) adətən nümayiş etdirilib. IGD ilə əlaqəli bu neyroanatomik dəyişikliklər, belə beyin görüntüləmə parametrlərinin, İGD ilə şəxsləri digər fərdlərdən fərqləndirmək üçün biomarker kimi xidmət edə biləcəyini təklif edir. Yəni, IGD diaqnozu, DSM-5 əsasında simptomlara əsaslanan təsnifat yolu ilə deyil, neyroanatomik biomarkerlərin hesablama manipulyasiyası yolu ilə edilə bilər. Bu cəhdlər psixiatraya hesablama yanaşmaları tətbiq etməklə təsviri diaqnozdan kənara çıxmaq səylərinə uyğun ola bilər (), psixi xəstəlik diaqnozunu həll etmək üçün maşın öyrənməsinə (ML) əsaslanan məlumatlara əsaslanan yanaşmalar ().

Bu araşdırmada, IGD diaqnozunda neyroanatomik biomarkerlərdən istifadə etməklə, IGDS əsasında simptomlara əsaslanan təsnifat və hesablama əsaslı təsnifat arasında əlaqə axtardıq. Beynin bəzi GM və WM komponentlərində diaqnostik təsnifat üçün lazımsız və ya yersiz məlumatlar daxil olma ehtimalı olduğundan, nizamlı reqressiya tətbiq edərək seyrək neyroanatomik xüsusiyyətləri seçməyə çalışdıq. Simptomlara əsaslanan təsnifat, IGD diaqnozu üçün təsnifat modellərini yaradan seyrək neyroanatomik xüsusiyyətlər baxımından təqdim edilə biləcəyini fərz etdik. IGD diaqnozu qoyulmuş patoloji oyunçuların IGD, yəni patoloji olmayan oyunçular diaqnozu qoyulmuş oyunçulara nisbətən oyunu olmayan sağlam şəxslərdən daha çox oxşar olduğu düşünülür; beləliklə, patoloji oyunçuların qeyri-patoloji oyunçularla müqayisədə, oyunu olmayan sağlam şəxslərə nisbətən daha çox xüsusiyyətləri ilə xarakterizə edilə bilər. Bundan əlavə, qeyri-patoloji oyunçuların patoloji oyunçulardan və ya oyunu olmayan sağlam şəxslərdən daha az fərqlənə biləcəyinə qərar vermək istədik. Patoloji olmayan oyunçuların təsvir simptomları baxımından oyunu olmayan sağlam şəxslərə yaxın olduqları güman edilə bilər, ancaq belə bir anlayışın hesablama əsaslı təsnifat vasitəsi ilə təsdiqlənməsinin lazım olduğunu düşündük.

Materiallar və metodlar

İştirakçılar

İnternet əsaslı oyun oynayan 237 iştirakçıları arasında, özünü məlumatlandıran IGDS ilə IGD diaqnozunda klinik psixoloq ilə qurulmuş bir görüş və ya darıxmış və ya ciddi şəkildə pozulmuş beyin görüntüləmə məlumatları arasında uyğunsuzluq nümayiş etdirənlər istisna olmaqla, 106 şəxslər seçildi. Ən azı IGDS maddəsini məmnun edən IGDS, 38 şəxslər (27.66 ± 5.61 il; 13 qadınlar), pozğun oyunçular və 68 şəxslər (27.96 ± 6.41 il; 21 qadınlar) etiketləndi, ən çoxu IGDS elementində razı qaldı normal oyunçular. İki ilə dördüncü arasındakı IGDS maddələrini məmnun edən şəxslər də xaric edildi, çünki pozulmuş və normal oyunçular arasında başqa bir sinif olaraq təsbit edilə bilər (). Əlavə olaraq, İnternet əsaslı oyunlar oynamayan 37 nəfər (25.86 ± 4.10 yaş; 13 qadın) ayrı-ayrılıqda işə götürüldü və sağlam olmayan oyunçu kimi etiketləndilər. Bütün iştirakçılarda yanaşı xəstəliklərin olmaması təsdiqləndi. Helsinki Bəyannaməsinə və sonrakı dəyişikliklərinə uyğun olaraq bütün iştirakçılardan yazılı məlumatlı razılıq alındı ​​və araşdırma, Seul, Seul, Müqəddəs Məryəm Xəstəxanasında, İnstitusional İnceleme Şurası tərəfindən təsdiq edildi.

MHİ məlumatlarının alınması

Struktur MHİ (sMRI) və diffuziya ölçülmüş MHİ (dMRI) məlumatları bir 3 T MAGNETOM Verio sistemi (Siemens AG, Erlangen, Almaniya) istifadə edərək toplanmışdır. SMRI məlumatlarının əldə edilməsi bir maqnitləşdirmə ilə hazırlanmış sürətli gradient echo ardıcıllığı ilə aparıldı: sagittal təyyarədəki dilimlərin sayı = 176, dilim qalınlığı = 1 mm, matris ölçüsü = 256 × 256 və təyyarə həlli = 1 × 1 mm . DMRI məlumatlarını əldə etmək üçün 30 istiqamətlərdə diffuziya gradient kodlaşdırması aparıldı b = 1,000 s / mm2 və bir vuruşlu echo-planar görüntü ardıcıllığı istifadə edildi: eksenel düzlükdə dilimlərin sayı = 75, dilim qalınlığı = 2 mm, matris ölçüsü = 114 × 114, və təyyarədəki qətnamə = 2 × 2 mm.

MHİ məlumatlarının işlənməsi

CAT12 daxil olan vasitələr (http://www.neuro.uni-jena.de/cat/) sMRI məlumatlarını emal etmək üçün istifadə edilmişdir. Beyin həcmi görüntüsü, standart boşluqdakı bir istinad beyinə məkan olaraq qeyd olunduğu kimi GM, WM və kortikospinal maye də daxil olmaqla müxtəlif toxumalara bölünmüşdür. Voksel əsaslı morfometriyada (VBM) voksel müdrik GM həcmi GM olma ehtimalını bir vokselin həcminə vurmaqla hesablandı və sonra baş həcmindəki fərdi fərqləri tənzimləmək üçün bu dəyərlər ümumi kəllədaxili həcmə bölündü. Səthə əsaslanan morfometriyada (SBM) proyeksiya əsaslı qalınlıq metodundan istifadə edərək kortikal qalınlığı qiymətləndirildi ().

DMRI məlumatlarının emalı

FSL 5.0 (http://fsl.fmrib.ox.ac.uk/fsl/) dMRI məlumatlarını emal etmək üçün işə cəlb edildi. Bütün şəkillər əldə edilmiş boş şəkil ilə uyğunlaşdırıldı b = 0 s / mm2 kəskin cərəyan ilə əlaqəli təhriflər və baş hərəkəti üçün düzəltmək. Beyin daxilindəki hər vokseldə bir diffuziya tensoru modelləşdirilmiş və fraksiya anizotropiyası (FA), orta diffuzivlik (MD), eksenel diffuzivlik (AD) və radial diffuzivlik (RD) daxil olmaqla diffuziya tenzorundan alınan parametrlər hesablanmışdır; Bir diffuziya tensorunun müxtəlif oxları boyunca üç diffuzivliyi nəzərə alaraq, FA üç ox arasındakı diffuziya fərqlərinin kvadratlarının cəminin kvadrat kökü, MD-nin üç ox arasındakı orta diffuziya, AD əsas ox boyunca ən böyük fərqliliyi olaraq hesablanmışdır , və iki kiçik ox boyunca yayılmış fərqlərin ortalaması olaraq RD. Trakt əsaslı məkan statistikasından (TBSS) istifadə) FSL 5.0-də tətbiq olundu, diffuziya tensorundan yaranan parametrlərin xəritələri standart məkanda bir istinad beyinə məkan olaraq qeyd edildi və daha sonra WM traktının skeletinə proqnozlaşdırıldı.

Xüsusiyyət nəsil

Təsnifat modelinin hazırlanması üçün iki əsas addım xüsusiyyətlərin yaradılması və seçilməsidir. Neyroanatomiyadan, xüsusən də bir sıra GM bölgələrinin həcmindən və qalınlığından və bir sıra WM traktının bütövlüyündən və diffuziyasından xüsusiyyətlər yaratdıq. GM həcmini və kortikal qalınlığı VBM və SBM-dən əldə edilən voksel müdrik xəritələr kimi qiymətləndirdikdən sonra parametrlər 60 GM bölgələrinin hər biri üçün qiymətləndirilmişdir (Cədvəl) S1), Hammers atlasındakı kimi ləğv edildi () içərisindəki bütün voksellər üzrə ortalama olaraq. TBSS-dən əldə edilmiş WM traktının skeletindəki voksel müdrik xəritələr kimi FA, MD, AD və RD daxil olmaqla diffuziya tensorundan əldə edilmiş parametrləri hesablayaraq parametrlər 48 WM traktının hər biri üçün hesablanmışdır (Cədvəl) S2), ICBM DTI-81 atlasındakı kimi ləğv edildi () içərisindəki bütün voksellər üzrə ortalama olaraq. Ümumilikdə GM və WM parametrlərinin səkkiz birləşməsini təmin edən iki parametr və WM-nin dörd parametrini nəzərdən keçirdik. GM və WM parametrlərinin hər birləşməsi üçün 60 GM bölgələrinin və 48 WM traktatlarının parametr dəyərləri cəmi 108 nöroanatomik xüsusiyyətlərdən ibarətdir.

Mütəmadi tənzimlənmə ilə xüsusiyyət seçimi

Xüsusiyyətlərin sayının azaldılması, xüsusən çox sayda xüsusiyyətləri və məhdud sayda müşahidəsi olan məlumatlar üçün vacibdir. Xüsusiyyətlərin sayına dair məhdud sayda müşahidələr səs-küyə həddən artıq uyğunlaşmaya səbəb ola bilər və nizamlama bir modelə əlavə məlumat və ya məhdudiyyətlər qoyaraq həddindən artıq uyğunlaşmanı azaltmağa və qarşısını almağa imkan verən bir texnikadır. 108 xüsusiyyətlərinin hamısı təsnifat üçün faydalı və lazımlı məlumatları daxil edə bilmədiyi üçün nizamlı reqressiya tətbiq edərək xüsusiyyətlərin seyrək bir dəstini seçdik. Xüsusilə, lasso () və elastik şəbəkə () müntəzəm logistik reqressiya üçün istifadə edilmişdir. Lasso, maddi-texniki reqressiya modelində əmsal qiymətləndirmələrinin ölçüsünü məhdudlaşdıran cəza müddətini və ya tənzimləmə parametrini λ daxildir. Λ artması daha çox sıfır dəyərli əmsallara səbəb olduğundan, lasso daha az proqnoz verən ilə azaldılmış logistik reqressiya modelini təmin edir. Elastik şəbəkə, əmsalları sıfıra endirməklə, xüsusən lasso və silsilə regressiyasının hibrid bir tənzimləmə parametrini daxil etməklə, yüksək əlaqəli proqnozlaşdırıcıları müalicə etməkdə lassonun məhdudiyyətini aşaraq azaldılmış logistik reqressiya modelini istehsal edir ().

Üç qrupun hər cütü arasındakı təsnifat üçün, 108 nöroanatomik xüsusiyyətlər arasında əhəmiyyətli bir proqnozlaşdırıcıları müəyyən etmək üçün lasso və elastik ağ tətbiq etdik. Üç qrupun hər cütü olan bütün şəxslərin 108 xüsusiyyətləri məlumat matrixini tərtib etmək üçün standartlaşdırılmışdır, Ahər sətrin bir müşahidəni və hər sütunun bir proqnozlaşdırıcını təmsil etdiyi. Bireylərin yaş və cinsiyyətinin GM və WM parametrlərinə təsirlərini düzəltmək üçün qalıq əmələ gətirən matris, R, yaradıldı: R = I-C(CTC)-1C hara I bir şəxsiyyət matrisi idi və C yaş və cinsi qarışdıran kovariatları matris kodlayan bir matris idi. Bundan sonra tətbiq olundu A Çaşqın kovariatları aradan qaldırdıqdan sonra qalıqları əldə etmək: X = RA.

Düzəldilmiş məlumat matrisini nəzərə alaraq X, və cavab, Y, iki sinif fərdinin kodladığı 10 qat çarpaz doğrulama (CV) bir nizamlama parametrini axtarmaq üçün istifadə edildi,MinErr, sınanma modeli üçün doğrulama katlanmalarında ortalama mənfi günlük ehtimalı olaraq təyin olunan sapma baxımından minimum səhv təmin etmişdir. Alternativ olaraq, bir CV əyrisində hər bir sınanan səhv var, nizamlama parametridir,1SE, bu, regular-dən artan tənzimlənmə istiqamətində minimum CV səhvinin bir standart səhvində tapıldıMinErr də nəzərdən keçirildi. Yəni, sparser xüsusiyyətləri λ-də seçildi1SE, seyrək xüsusiyyətlər isə λ səviyyəsində müəyyən edildiMinErr. Daha az proqnozlaşdırıcı ilə tənzimlənmiş bir logist reqressiya modelini axtarmaq üçün bu prosedur, 108 nöroanatomik xüsusiyyətlərindən ibarət GM və WM parametrlərinin hər birləşməsi üçün təkrarlandı.

Seçilmiş xüsusiyyətlərin performansı

Nadir və seyrək xüsusiyyətlərin faydalılığını qiymətləndirmək üçün, qəbuledici əməliyyat xarakteristikasını (ROC) ölçməklə, dəstək vektor maşınlarında (SVM-lərdə) bütün 108 xüsusiyyətləri olan model ilə azaldılmış xüsusiyyətlərə sahib model ilə müqayisə edildi. Çekirdek funksiyası və beş qatlı CV ilə optimallaşdırılmış hiperparametrlər kimi bir xətti ləpəsi ilə üç qrupun hər cütü olan bütün şəxslər üçün bir SVM hazırlanmışdır. ROC əyrisi altındakı sahə (AUC) hər bir model üçün onun fəaliyyətinin kəmiyyət ölçüsü olaraq hesablanmışdır. DeLong testləri () hər cüt model arasındakı AUC-nı müqayisə etmək üçün istifadə olunmuşdur. AUC bir-birindən fərqləndikdə p-0.05 dəyəri, performans iki modeldə müqayisə olunmayacaq dərəcədə qiymətləndirildi.

Təsnifat dəqiqliyi

Yaratma və xüsusiyyətlərin seçilməsindən təsnifat modellərinin qurulmasına qədər sxematik prosedurlar Şəkildə verilmişdir Şəkil 1.1. Üç qrupun hər cütü üçün seçilmiş xüsusiyyətlərdən istifadə edərək SVM təsnifat modelləri proqnozlaşdırıcılar olaraq hazırlanmışdır. Təsnifat modellərinin düzgünlüyünü tərk edilmiş bir CV sxemi ilə qiymətləndirdik ki, nümunə xaricində təsnifat dəqiqliyi hər qalan şəxs üçün hesablandı və sonra bütün insanlar arasında ortalandı. Dəqiqliyin statistik əhəmiyyəti permutasiya testlərini tətbiq etməklə qiymətləndirilmişdir. Üç qrupun hər cütü arasında təsnifat üçün bir empirik null paylama, şəxslərin etiketlərini dəfələrlə permütləşdirərək və permüt etiketlərlə əlaqəli dəqiqliyi ölçməklə yaradıldı. İmza edilməmiş etiketlər üçün ölçülən dəqiqlik a-da null paylanmasından daha yüksək və ya bərabər olduqda p- 0.05-ın şans səviyyəsindən əhəmiyyətli dərəcədə fərqli olduğu müəyyən edilmişdir (dəqiqlik = 50%). Bundan əlavə, üç qrupun hər cütü arasındakı fərqlə əlaqədar həssaslığı və spesifikliyi təsvir etmək üçün bir qarışıqlıq matrisi görüntülənmişdir.

 

Şəkil, illüstrasiya və s. Saxlayan xarici fayl. Nümunə adı fpsyt-09-00291-g0001.jpg

Neyroanatomik xüsusiyyətlərin əmələ gəlməsindən və seçilməsindən tutmuş pozulmuş oyunçuların (DG) və sağlam olmayan oyunçuların (HN), normal oyunçuların (NG) və HN arasında və DG və NG arasında təsnifat üçün modellərin qurulmasına qədər sxematik prosedurlar. GM, boz maddə; WM, ağ maddə.

Nəticələr

Xüsusiyyət seçimi

Şəkil Şəkil 22 seçilmiş xüsusiyyətləri 108 xüsusiyyətləri arasında əmsal qiymətləndirmələri ilə Cədvəl göstərir Table11 Üç qrupun hər cütü arasında təsnifat üçün tənzimlənən logistik reqressiya modelinin uyğun məlumatlarını təsvir edir. Bundan əlavə, Şəkil S1 minimum CV səhvinin hansı nəticə verdiyini və features-də neçə xüsusiyyətin seçildiyini göstərir1SE həm də λ-dəMinErr. Ən az CV səhvi, sağlam olmayan oyunçular və normal oyunçular arasında təsnifat üçün lasso (lasso çəkisi = 1) və digər təsnifat üçün elastik şəbəkə (lasso çəkisi = 0.5) tərəfindən seçilmişdir.

 

Şəkil, illüstrasiya və s. Saxlayan xarici fayl. Nümunə adı fpsyt-09-00291-g0002.jpg

Üç qrupun hər cütü arasında təsnifat üçün nizamlı lojistik reqressiyada seçilmiş nöroanatomik xüsusiyyətlər. Pozğun oyunçular (DG) sağlam olmayan oyunçular (HN) və DG arasındakı təsnifatda 1, normal oyunçular (NG) HN və NG arasındakı təsnifatda 1, NG və DG arasındakı təsnifatda DG 1 olaraq kodlaşdırıldı. Çubuğun ölçüsü müvafiq xüsusiyyət əmsalı ölçüsünü əks etdirir, belə ki, sıfır olmayan əmsalların xüsusiyyətləri seçilir. Göstərilən beyinlər seçilmiş xüsusiyyətlərə uyğun olan boz maddə və ağ maddə komponentlərini üstün bir görünüşlə təsvir edir. Qırmızı və ya göy rəngli xüsusiyyətlər determined-də təyin olunan sparser xüsusiyyətlərə daxil olanları göstərir1SE həm də λ-də təyin olunan seyrək xüsusiyyətlərdəMinErr, sarı və ya mavi rəngdə olanlar yalnız seyrək xüsusiyyətlərə daxil olanları göstərir. Beyin komponentlərinin etiketləri Cədvəldə göstərildiyi kimi S1S2. L, sol; R, sağ.

Cədvəl 1

Üç qrupun hər cütü arasında təsnifat üçün tənzimlənmiş logistik reqressiya məlumatları.

 HN vs DGHN vs NGNG vs DG
ParametrGMQalınlıqQalınlıqHəcm
 WMFARDMD
Lasso çəkisi0.510.5
Ar-də seçilən seyrək xüsusiyyətlərMinErrCV xətası37.368141.7876133.3857
 Xüsusiyyətlərin sayı432111
Sparser xüsusiyyətləri selected-də seçilir1SECV xətası46.568150.0435141.2622
 Xüsusiyyətlərin sayı34121
 

Lasso çəkisi, lasso (lasso çəkisi = 1) və ya elastik ağdan (lasso çəkisi = 0.5) istifadə edərək tənzimlənmiş logist reqressinin olub olmadığını göstərir..

HN, sağlam olmayan oyunçular; DG, pozğun oyunçular; NG, normal oyunçular; GM, boz maddə; WM, ağ maddə; FA, fraksiya anizotropiyası; RD, radial yayılma; MD, orta diffuziya; CV, çarpaz təsdiqləmə.

Sağlam olmayan oyunçuların pozğun oyunçularının ayrıseçkiliyində λ-də seçilmiş 43 xüsusiyyətləriMinErr 24 GM bölgələrinin qalınlığını və 19 WM traktlarının FA-nı və 34 xüsusiyyətlərini λ-də seçdi1SE 15 GM bölgələrinin qalınlığından və 19 WM traktının FA-dan ibarətdir. Normal oyunçuların sağlam olmayan oyunçuların fərqliliyində N-də seçilmiş 21 xüsusiyyətləriMinErr 12 GM bölgələrinin qalınlığından və 9 WM traktının RD-dən və 12 xüsusiyyətlərindən λ-də seçilmişdir1SE 6 GM bölgələrinin qalınlığından və 6 WM traktının RD-dən ibarətdir. Qüsurlu və normal oyunçuların təsnifatında at-də seçilən 11 xüsusiyyətləriMinErr 7 GM bölgələrinin həcmini və 4 WM traktının MD-ni və feature-də seçilən bir xüsusiyyətdən ibarətdir.1SE bir GM bölgəsinin həcminə uyğun gəldi.

Seçilmiş xüsusiyyətlərin performansı

Azaldılmış bir sıra xüsusiyyətə sahib model və bütün 108 xüsusiyyətləri olan model arasında SVM-lər tərəfindən hər oyun növü və sağlam olmayan oyunçular arasında ayrı-seçkilikdə AUC baxımından performans müqayisə edildi. (Şəkil3) .3). Bozukluklu və normal oyunçuların təsnifatında, the-də seçilən xüsusiyyətləri olan modelMinErr (AUC = 0.83, p = 0.006) və ya λ səviyyəsində1SE (AUC = 0.72, p <0.001), bütün 108 xüsusiyyətləri olan modeldən daha zəif bir performans göstərdi (AUC = 0.90).

 

Şəkil, illüstrasiya və s. Saxlayan xarici fayl. Nümunə adı fpsyt-09-00291-g0003.jpg

Dəstək vektor maşınları ilə üç qrupun hər bir cütü arasında təsnifat üçün model seçmədən və xüsusiyyət seçimi ilə qəbuledici əməliyyat xarakteristik əyri (AUC) arasındakı sahə ilə müqayisəsi. 108 xüsusiyyətlərinin modeli (qatı xətt ilə işarələnmişdir) xüsusiyyət seçimi olmadan buna uyğundur, halbuki azaldılmış xüsusiyyətlərin modelləri at-də seçilmiş seyrək və seyrək xüsusiyyətlərə malik olanlara uyğundur.MinErr (tire xətti ilə göstərilmişdir) və λ1SE (uyğun olaraq nöqtə nöqtəsi ilə göstərilmişdir). HN, sağlam olmayan oyunçular; DG, pozğun oyunçular; NG, normal oyunçular.

Təsnifat dəqiqliyi

Seçilən xüsusiyyətlərdən istifadə edərək SVM-lər tərəfindən təsnifatdaMinErr, dəqiqlik 98% -dən böyük idi, şans səviyyəsindən əhəmiyyətli dərəcədə yüksək idi (p <0.001), oyunçuların hər növünün sağlam olmayan oyunçulardan fərqindədir (Şəkil4A) .4A). Dəqiqlik hələ şans səviyyəsindən daha yüksək idi (p = 0.002), lakin pozulmuş oyunçuların düzgün müəyyənləşdirilməsində aşağı həssaslığı (69.8%) göstərən, pozğun və normal oyunçuların təsnifatında 47.4% qədərdir. Sparer xüsusiyyətləri determined-də müəyyən edilir1SE oxşar performans sərgilədi (Şəkil (Şəkil 4B) 4B) lakin pozğun oyunçuların normal oyunçulardan düzgün fərqlənməsində daha aşağı həssaslıq göstərdi (2.6%).

 

Şəkil, illüstrasiya və s. Saxlayan xarici fayl. Nümunə adı fpsyt-09-00291-g0004.jpg

İstifadə edərkən üç qrupun hər cütü arasındakı təsnifatdakı qarışıqlıq matrisləri (A) seyrək və (B) ars nöqtəsində təyin olunan seyrək xüsusiyyətlərMinErr və λ-də1SEmüvafiq olaraq dəstək vektor maşınlarında. Aşağı sağ hüceyrə təsnifat dəqiqliyini (ACC), aşağı sol hüceyrənin həqiqi mənfi nisbətini (TNR) və ya spesifikliyi, alt orta hüceyrə gerçək müsbət nisbətini (TNR) və ya həssaslığı, yuxarı sağ hüceyrə mənfi proqnozlaşdırma dəyərini (NPV) təmsil edir. ) və orta sağ hüceyrənin müsbət proqnozlaşdırma dəyəri (PPV). TP, əsl müsbət; TN, əsl mənfi; FP, saxta müsbət; FN, saxta mənfi.

Müzakirə

Bu araşdırmada, DSM-5-də təklif olunan IGDS ilə təsnif edilən patoloji və qeyri-patoloji oyunçuların seyrək neyroanatomik xüsusiyyətlərlə təmsil oluna biləcəyini araşdırmağa çalışdıq. Bozuklu və normal oyunçular, sağlam olmayan oyunçulara münasibətdə müvafiq olaraq 43 və 21 xüsusiyyətləri baxımından təmsil olundu. Bundan əlavə, pozğun oyunçular normal oyunçulara münasibətdə 11 xüsusiyyətləri baxımından təmsil olundu. Seyrək neyroanatomik xüsusiyyətlərdən istifadə edərək pozğun və normal oyunçuları sağlam olmayan oyunçulardan uğurla ayırmaq olardı, lakin pozğun və normal oyunçuların təsnifatı nisbətən çətin idi.

DSM-5-da təklif olunan IGDS ilə İGD-nin simptom əsaslı təsviri təsnifatı geniş şəkildə qəbul edilir. IGDS-nin empirik etibarlılığı bir çox ölkədə təsdiqlənsə də (, , ), beş və ya daha çox IGDS maddəsi ilə qarşılaşma həddi müəyyən bir seçim olmaya bilər və İnternet əsaslı oyunlar oynayan şəxsləri təsnifləşdirməyin digər yolları təklif oluna bilər (). Beyin görüntüləmə məlumatları, demoqrafik, davranış və simptomatik məlumatlar kimi çoxsaylı klinik məlumatlar getdikcə daha çox əldə edildiyi üçün psixi xəstəlik diaqnozu üçün əlavə məlumatlar istifadə edilə bilər. Xüsusilə, kəmiyyət məlumatlarının kütləsi səbəbiylə beyin görüntü məlumatları hesablama yanaşmalarına uyğundur və proqnozlaşdırma üçün faydalı olardı. Həqiqətən, beyin görüntüləmə məlumatlarında klinik cəhətdən uyğun bir problemi həll etmək üçün proqnozlaşdırmada digər klinik məlumatlarla müqayisədə daha yüksək proqnozlaşdırıcı dəyərlərə sahib olduğu göstərilmişdir ().

Bu yaxınlarda ML əsaslı diaqnostik təsnifat digər asılılıq davranışları və pozğunluqlarına tətbiq olunduğu üçün (-), IGD'nin simptomlara əsaslanan təsnifatı da hesablama əsaslı təsnifat problemi ilə qarşılaşır. Çünki IGD-dən sonra beynin anatomik anormallıqları əvvəlki işlərdə dəfələrlə bildirilmişdir (-, ), IGD diaqnozu üçün beyin görüntüləmə məlumatları potensial biomarkerlərindən belə neyroanatomik məlumatları nəzərdən keçirdik. Bu araşdırmada məqsədimiz, fərdlərin sinifləri arasındakı neyroanatomik fərqləri izah etməkdən əlavə, kifayət qədər yüksək təsnifat performansını təmin edə biləcək vacib bir nöroanatomik xüsusiyyətlər toplusunu tapmaq idi.

108 nöroanatomik xüsusiyyətlər arasında, hərtərəfli tənzimlənmiş reqressiya arasında vacib olanları seçdik. GM və WM parametrlərinin səkkiz birləşməsini nəzərdən keçirdikdə, üç qrupun hər cütünü fərqləndirmək üçün fərqli parametr birləşmələri seçildi. GM bölgələrinin qalınlığının və WM traktlarının bütövlüyünün birləşməsi patoloji oyunçuların sağlam olmayan oyunçulardan fərqlənməsi üçün daha yaxşı idi, halbuki GM bölgələrinin həcminin və WM traktlarının diffuzivliyinin patoloji oyunçuları fərqləndirməsi daha yaxşı idi. patoloji olmayan oyunçulardan. Bundan əlavə, bir çox beyin komponentləri sağlam olmayan oyunçulardan patoloji və qeyri-patoloji oyunçuların fərqlənməsi üçün vacib olan neyroanatomik xüsusiyyətlər kimi xidmət etsələr də, bəzi GM bölgələri və WM traktatları patoloji olmayan oyunçuları xarakterizə etdi, lakin . Bu tapıntılar, GM və WM parametrlərinin neyroanatomik biomarkerlər kimi ən yaxşı şəkildə işlənmiş birləşməsinin olmayacağını göstərir və beləliklə GM və WM parametrlərinin təsnif ediləcək qruplara görə seçilməsini tələb edir.

Patoloji oyunçuların sağlam olmayan oyunçuların fərqi ilə müqayisədə qeyri-patoloji oyunçuların fərqliliyi üçün seyrək xüsusiyyətlərin daha az olması, patoloji olmayan oyunçuların patoloji oyunçularla sağlam arasında keçid mərhələsində olduğunu göstərir. qeyri-oyunçular. Bundan əlavə, oyunçuların hər növü və sağlam olmayan oyunçular arasındakı ayrıseçkiliyə görə oyunçuların iki növü arasında təsnifat üçün daha az seyrək xüsusiyyətlər, patoloji və patoloji olmayan oyunçuların baxımından bir-birlərinə daha az oxşar olduğunu göstərir. sağlam olmayan oyunçulara bənzər olmayan neyroanatomiya. Buna görə seyrək xüsusiyyətləri ilə yaradılan təsnifat modelləri, oyunçuların hər növü və sağlam olmayan oyunçular arasında ayrıseçkilikdə 98% -dən çox olan dəqiqliyi, lakin oyunçuların iki növü arasındakı təsnifatda 70% -dən aşağı olan dəqiqliyi əldə etdi. Yəni, patoloji olmayan oyunçuların sağlam olmayan oyunçularından, patoloji oyunçularından da fərqlənirdi, ancaq patoloji və patoloji olmayan oyunçuların fərqlənməsində məhdudiyyətlər var idi.

Oyunçuların iki növü arasındakı bu nisbətən aşağı fərqlilik bir neçə anlayışa işarə edir. Əvvəlcə simptomlara əsaslanan təsnifat və hesablama əsaslı təsnifat arasında uyğunsuzluq təklif oluna bilər. IGDS-də beş və ya daha çox meyarla qarşılaşmağın təklif olunan diaqnostik həddi IGD-nin həddindən artıq diaqnozunun qarşısını almaq üçün mühafizəkar şəkildə seçilmişdir (), neyroanatomiyada əhəmiyyətli dərəcədə patoloji dəyişikliklərə məruz qalan, lakin IGD həddini ödəməyən oyunçuların mövcudluğu nəzərə alınmaya bilər. Xüsusilə, IGDS maddələrini normal oyunçuların səviyyəsindən IGD həddindən xeyli aşağı olan oyunçulara daxil etdik ki, IGD olmadığı diaqnozu qoyulan oyunçuların bu araşdırmada göstərildiyindən daha çox oyun olmayan sağlam şəxslərdən daha uzaq ola bilməsi üçün. İkincisi, yalnız nöroanatomik biomarkerlərə güvənərək təsnifatdakı bir problem qeyd edilə bilər. Təsnifat performansı, patoloji və qeyri-patoloji oyunçular arasında daha çox oxşarlıq yarada biləcək digər biomarkerlər daxil olmaqla yaxşılaşdırıla bilər. Xüsusilə beyindəki funksional dəyişikliklər IGD-də də göstərildiyi üçün (-), funksiyası və beynin anatomiyası da beyin biomarkerləri sayıla bilər. Bundan əlavə, qeyd etmək istəyirik ki, beyindəki dəyişikliklər İnternet oyun asılılığının digər amillərdən fərqli olaraq daxili və xarici risk faktorları olmaması üçün İnternet oyun asılılığının çoxölçülü cəhətlərini təşkil edir (), patoloji və qeyri-patoloji oyunçuların təsnifatı, oyunçuların oyunu olmayan sağlam şəxslərdən fərqlənməsi üçün daha dolğun modellərə daxil edilməlidir.

Burada təsnifat modelləri üçün vacib xüsusiyyətləri müəyyənləşdirmək üçün lasso və elastik şəbəkə kimi seyrəkliyi təşviq edən qiymətləndiricilərdən istifadə edərək nizamlı reqressiya tətbiq etdik. Xüsusiyyət seçimi və ya ölçülülüyün azaldılmasında əslində metodoloji dəyişikliklər mövcuddur və seçilmiş xüsusiyyətlərin model qurulmasında istifadəsi üçün müxtəlif yanaşmalar tətbiq oluna bilər (). Mütəmadi tənzimlənmiş reqressiya istifadə edərək, nöroanatomik xüsusiyyətlərdə seyrəkliyə dair bir priori fərziyyə verir. Belə bir fərziyyənin qəbul ediləcəyi təqdirdə, bu araşdırmaya inandığımız kimi, nizamlanmış reqressiya məqsədəuyğun bir yanaşma ola bilər və seçilmiş seyrək xüsusiyyətlərin kifayət qədər yüksək səviyyəli təsnifat modellərini tərtib etməsi gözlənilir. Lakin diqqətəlayiqdir ki, daha geniş əraziyə əsaslanan sadə təsnifat modelləri həmişə müqayisə olunan və ya təkmilləşdirilmiş fəaliyyət göstərə bilməzlər. Həqiqətən, bir nizamlama parametrinə görə seyrəklik dərəcəsinin müxtəlif seçimləri arasında, daha çox seyrəkliyin daha çətin bir təsnifat problemlərində, məsələn, patoloji və patoloji olmayan oyunçuların təsnifatı baxımından daha yaxşı bir model təmin etməsi ehtimalı yoxdur.

Bundan əlavə, SVM-ləri təsnifat modellərinin qurulması üçün ML texnikası kimi istifadə etdik, çünki bunlar ən populyar olanlardandır. Təsnifat performansını yaxşılaşdırmaq üçün digər qabaqcıl metodlardan istifadə oluna bilər, baxmayaraq ki, müxtəlif metodlar arasında müqayisəli performans performansın eksperimental ssenarilərdən asılı olduğuna görə bağlanmaya bilər (). Digər tərəfdən, klassik statistika metodları ilə ML texnikaları arasında müqayisəli performans üçün logistik reqressiya ilə də təsnifat apardıq və göstərdik ki, iki metod, yəni logistik reqressiya və SVM-lər təsnifat performansında müqayisə edildi (Şəkil) S2). Klassik statistik metodların təsnifat fəaliyyətində həmişə ML metodlarından aşağı olmaması təkrarlana bilər ().

Cari araşdırmada, IGD'nin simptomlara əsaslanan təsnifatını təsnifat modellərini təşkil edən seyrək neyroanatomik biomarkerlər baxımından təqdim edilə biləcəyini ortaya qoyduq. Bundan əlavə, biz patoloji olmayan oyunçuların neyroanatomiya baxımından oyunu olmayan sağlam şəxslərdən fərqli olaraq patoloji oyunçulardan daha az fərqlənə biləcəyini göstərdik. Beləliklə, mövcud diaqnostik sistemlərin qızıl standartlar kimi DSM-5 kimi təsviri təsnifata etibar etməsinə baxmayaraq, patoloji olmayan oyunçuların neyroanatomik dəyişikliklər ilə əlaqəli obyektiv biomarkerlərdən istifadə edərək daha çox qayğı diaqnozu tələb oluna bilər. Hesablama yanaşmalarının qəbul edilməsi psixiatriyada dönməz bir tendensiya kimi görünür, amma praktik olaraq klinik mühitlərə tətbiq etmək üçün uzun bir yol ola bilər. Beyin görüntüsündən və digər klinik məlumatlardan seyrək xüsusiyyətlərin optimal seçimi üçün ardıcıl araşdırmalar aparılmalıdır və uzunmüddətli perspektivdə bu səylər IGD-nin hesablama əsaslı diaqnozunu təşviq edəcəkdir.

Müəllif iştirak edir

D-JK və J-WC, iş konsepsiyasına və dizaynına cavabdeh idi. HC klinik xarakterizə və iştirakçıların seçilməsini həyata keçirdi. CP məlumatları təhlil etdi və əlyazma hazırladı. Bütün müəlliflər məzmunu tənqidi nəzərdən keçirdilər və dərc üçün son variantı təsdiq etdilər.

Maraqlılıq mübahisəsi

Müəlliflər bildirirlər ki, tədqiqat potensial münaqişələr kimi başa düşülə bilən hər hansı bir kommersiya və ya maliyyə əlaqəsi olmadıqda həyata keçirilir.

Dəyişikliklər

 

Maliyyələşdirmə. Bu tədqiqat Koreyadakı Elm və İKT (NRF-2014M3C7A1062893) tərəfindən maliyyələşdirilən Koreyanın Milli Araşdırma Fondu (NRF) vasitəsilə Beyin Elmi Tədqiqat Proqramı tərəfindən dəstəklənmişdir.

 

 

Əlavə material

Bu maddənin Əlavə Materialı aşağıdakı ünvana daxil edilə bilər: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material

References

1. Gənc KS. İnternet asılılığı: yeni bir klinik pozğunluğun ortaya çıxması. CyberPsychol Behav. (1998) 1: 237 –44. 10.1089 / cpb.1998.1.237 [Çaprazlıq]
2. Amerika Psixiatrik Dərnəyi, Psixi Bozuklukların Diaqnostik və Statistik Təlimatı, 5th Edition. Washington, DC: Amerika Psixiatrik Assosiasiyası Nəşriyyatı; (2013).
3. Ko CH, Yen JY, Chen SH, Wang PW, Chen CS, Yen CF. Tayvanda gənc yetkinlər arasında DSM-5-də İnternet oyunu pozğunluğunun diaqnostik meyarlarının qiymətləndirilməsi. J Psixiatr Res. (2014) 53: 103 –10. 10.1016 / j.jpsychires.2014.02.008 [PubMed] [Çaprazlıq]
4. Ko CH, Hsieh TJ, Wang PW, Lin WC, Yen CF, Chen CS və s. . Dəyişən boz maddənin sıxlığı və İnternet oyun pozğunluğu olan böyüklərdə amigdalanın funksional bağlantısı pozuldu. Prog Neyropsikofarmakol Biol Psixiatriya (2015) 57: 185-92. 10.1016 / j.pnpbp.2014.11.003 [PubMed] [Çaprazlıq]
5. Lin X, Dong G, Wang Q, Du X. 'İnternet oyun asılılığı' nda qeyri-adi boz maddə və ağ maddə həcmi. Addict Behav. (2015) 40: 137 –143. 10.1016 / j.addbeh.2014.09.010 [PubMed] [Çaprazlıq]
6. Wang H, Jin C, Yuan K, Shakir TM, Mao C, Niu X, et al. . İnternet oyun bozukluğu olan yeniyetmələrdə boz maddə həcminin və idrak nəzarətinin dəyişməsi. Ön Behav Neurosci. (2015) 9: 64. 10.3389 / fnbeh.2015.00064 [PMC pulsuz məqalə] [PubMed] [Çaprazlıq]
7. Yuan K, Cheng P, Dong T, Bi Y, Xing L, Yu D və s. . Onlayn oyun asılılığı ilə gec yetkinlikdə kortikal qalınlıq anormallıqları. PloS ONE (2013) 8: e53055. 10.1371 / jurnal.pone.0053055 [PMC pulsuz məqalə] [PubMed] [Çaprazlıq]
8. Dong G, Devito E, Huang J, Du X. Diffuziya tensor görüntüləməsi internet oyun asılılarında talamus və posterior cingulate korteks anormallıqlarını göstərir. J Psixiatr Res. (2012) 46: 1212 –6. 10.1016 / j.jpsychires.2012.05.015 [PMC pulsuz məqalə] [PubMed] [Çaprazlıq]
9. Xing L, Yuan K, Bi Y, Yin J, Cai C, Feng D və s. . İnternet oyun bozukluğu olan yeniyetmələrdə lif bütövlüyü və bilişsel nəzarətin azalması. Beyin Res. (2014) 1586: 109 –17. 10.1016 / j.brainres.2014.08.044 [PubMed] [Çaprazlıq]
10. Besson P, Dinkelacker V, Valabregue R, Thivard L, Leclerc X, Baulac M və s. . Sol və sağ temporal lob epilepsiyasında struktur bağlantısı fərqləri. Neuroimage (2014) 100: 135-44. 10.1016 / j.neuroimage.2014.04.071 [PubMed] [Çaprazlıq]
11. Huys QJ, Maia TV, Frank MJ. Kompüter psixiatriyası nevrologiyadan klinik tətbiqlərə bir körpü olaraq. Nat Neurosci. (2016) 19: 404 –13. 10.1038 / nn.4238 [PMC pulsuz məqalə] [PubMed] [Çaprazlıq]
12. Lemmens JS, Valkenburg PM, Gentile DA. İnternet oyun bozukluğu miqyası. Psixol qiymətləndirməsi. (2015) 27: 567 –82. 10.1037 / pas0000062 [PubMed] [Çaprazlıq]
13. Dahnke R, Yotter RA, Gaser C. Kortikal qalınlığı və mərkəzi səth qiymətləndirilməsi. Neuroimage (2013) 65: 336-48. 10.1016 / j.neuroimage.2012.09.050 [PubMed] [Çaprazlıq]
14. Smith SM, Jenkinson M, Johansen-Berg H, Rueckert D, Nichols TE, Mackay CE və s. . Traktə əsaslanan məkan statistikası: çox subyektiv yayılma məlumatlarının vokselli təhlili. Neuroimage (2006) 31: 1487-505. 10.1016 / j.neuroimage.2006.02.024 [PubMed] [Çaprazlıq]
15. Hammers A, Allom R, Koepp MJ, Pulsuz SL, Myers R, Lemieux L, et al. . Temporal loba xüsusi istinad ilə insan beyninin üç ölçülü maksimum ehtimal atlası. Hum Brain Mapp. (2003) 19: 224 –47. 10.1002 / hbm.10123 [PubMed] [Çaprazlıq]
16. Mori S, Oishi K, Jiang H, Jiang L, Li X, Akhter K, et al. . Bir ICBM şablonundakı diffuziya tenzor görüntüsünə əsaslanan stereotaksik ağ maddə atlası. Neuroimage (2008) 40: 570-82. 10.1016 / j.neuroimage.2007.12.035 [PMC pulsuz məqalə] [PubMed] [Çaprazlıq]
17. Tibshirani R. Reqressiya daralması və lasso yolu ilə seçim. J Roy Stat Soc Ser B (1996) 58: 267-88.
18. Zou H, Hastie T. Elastik şəbəkə vasitəsilə nizamlama və dəyişkən seçim. J Roy Stat Soc Ser B (2005) 67: 301-20. 10.1111 / j.1467-9868.2005.00503.x [Çaprazlıq]
19. Teodoridis S. Maşın öyrənməsi: Bayesian və Optimallaşdırma Perspektivi. London: Akademik Mətbuat; (2015).
20. Delong ER, Delong DM, Clarke-Pearson DL. İki və ya daha çox əlaqəli qəbuledici əməliyyat xarakterik əyriləri altındakı sahələri müqayisə edin: parametrik olmayan bir yanaşma. Biometrika (1988) 44: 837-45. 10.2307 / 2531595 [PubMed] [Çaprazlıq]
21. Cho SH, Kwon JH. İnternet Oyun Bozukluğu Miqyasının (K-IGDS) Koreyalı versiyasının təsdiqlənməsi: böyüklərdən ibarət bir cəmiyyət nümunəsindən tapılanlar. Koreyalı J klinik psixol. (2017) 36: 104 –17. 10.15842 / kjcp.2017.36.1.010 [Çaprazlıq]
22. Sigerson L, Li AYL, Cheung MWL, Luk JW, Cheng C. Çin internet oyun bozukluğu miqyasının psixometrik xüsusiyyətləri. Addict Behav. (2017) 74: 20 –6. 10.1016 / j.addbeh.2017.05.031 [PubMed] [Çaprazlıq]
23. Burke Quinlan E, Dodakian L, baxın J, Mckenzie A, Le V, Wojnowicz M, et al. . Sinir funksiyası, zədələnmə və vuruş alt növü vuruşdan sonra müalicə qazancını proqnozlaşdırır. Ann Neurol. (2015) 77: 132 –45. 10.1002 / ana.24309 [PMC pulsuz məqalə] [PubMed] [Çaprazlıq]
24. Pariyadath V, Stein EA, Ross TJ. Dincəlmə funksional bağlantısının maşın öyrənmə təsnifatı siqaretin vəziyyətini proqnozlaşdırır. Ön Hum Neurosci. (2014) 8: 425. 10.3389 / fnhum.2014.00425 [PMC pulsuz məqalə] [PubMed] [Çaprazlıq]
25. Fedota JR, Stein EA. İstirahət vəziyyətində olan funksional əlaqə və nikotin asılılığı: biomarkerin inkişaf perspektivləri. Ann NY Acad Sci. (2015) 1349: 64 –82. 10.1111 / nyas.12882 [PMC pulsuz məqalə] [PubMed] [Çaprazlıq]
26. Ahn WY, Ramesh D, Moeller FG, Vassileva J. Maddə istifadəsi pozğunluqları üçün davranış markerlərini təyin etmək üçün maşın öyrənmə yanaşmalarının faydası: cari kokain asılılığının proqnozlaşdırıcısı kimi dürtüsellik ölçüləri. Ön Psixiatriya (2016) 7: 34. 10.3389 / fpsyt.2016.00034 [PMC pulsuz məqalə] [PubMed] [Çaprazlıq]
27. Ahn WY, Vassileva J. Dəzgahdan öyrənmə, tiryək və stimullaşdırıcı asılılıq üçün maddələrə xas davranış işarələrini təyin edir. Narkotik alkoqoldan asılıdır. (2016) 161: 247 –57. 10.1016 / j.drugalcdep.2016.02.008 [PMC pulsuz məqalə] [PubMed] [Çaprazlıq]
28. Percy C, França M, Dragičević S, D'avila Garcez A. Onlayn qumarın özünü xaric etməsini proqnozlaşdırmaq: nəzarət olunan maşın öyrənmə modellərinin performansının təhlili. Int Gambl Stud. (2016) 16: 193-210. 10.1080 / 14459795.2016.1151913 [Çaprazlıq]
29. Ding WN, Sun JH, Sun YW, Zhou Y, Li L, Xu JR və s. . İnternet oyun asılılığı olan yeniyetmələrdə dəyişdirilmiş standart şəbəkə istirahət vəziyyətli funksional əlaqə. PloS ONE (2013) 8: e59902. 10.1371 / jurnal.pone.0059902 [PMC pulsuz məqalə] [PubMed] [Çaprazlıq]
30. Meng Y, Deng W, Wang H, Guo W, Li T. İnternet oyun pozğunluğu olan şəxslərdə prefrontal disfunksiya: funksional maqnetik rezonans görüntüləmə işlərinin meta analizi. Addict Biol. (2015) 20: 799 –808. 10.1111 / adb.12154 [PubMed] [Çaprazlıq]
31. Zhang JT, Yao YW, Li CSR, Zang YF, Shen ZJ, Liu L, et al. . İnternet oyun pozğunluğu olan gənc yetkinlərdə insulanın istirahət vəziyyətini dəyişdirdi. Addict Biol. (2015) 21: 743 –51. 10.1111 / adb.12247 [PMC pulsuz məqalə] [PubMed] [Çaprazlıq]
32. Cai C, Yuan K, Yin J, Feng D, Bi Y, Li Y və s. . Striatum morfometri, bilişsel idarəetmə çatışmazlığı və internet oyun pozğunluğunda simptom şiddəti ilə əlaqələndirilir. Beyin görüntüləmə davranışı. (2016) 10: 12 –20. 10.1007 / s11682-015-9358-8 [PubMed] [Çaprazlıq]
33. Park C, Chun JW, Cho H, Jung YC, Choi J, Kim DJ. İnternet oyun asılılığı beyin patoloji vəziyyətə yaxın? Addict Biol. (2017) 22: 196 –205. 10.1111 / adb.12282 [PubMed] [Çaprazlıq]
34. Kuss DJ, Griffiths MD. İnternet oyun asılılığı: empirik araşdırmalara sistematik bir baxış. Int J Ment Health Addict. (2012) 10: 278 –96. 10.1007 / s11469-011-9318-5 [Çaprazlıq]
35. Castellanos FX, Di Martino A, Craddock RC, Mehta AD, Milham MP. Funksional bağlantının klinik tətbiqləri. Neuroimage (2013) 80: 527-40. 10.1016 / j.neuroimage.2013.04.083 [PMC pulsuz məqalə] [PubMed] [Çaprazlıq]
36. Tollenaar N, Van Der Heijden P. Hansı metod residivizmin ən yaxşısını proqnozlaşdırır? J Roy Stat Soc Ser A (2013) 176: 565-84. 10.1111 / j.1467-985X.2012.01056.x [Çaprazlıq]