Дыскрымінуе Паталагічныя і непатологического Gamers Інтэрнэт Выкарыстанне разрэджаных нейроанатомической Асаблівасці (2018)

, 2018; 9: 291.

Апублікавана онлайн 2018 чэрвеня 29. DOI:  10.3389 / fpsyt.2018.00291

PMCID: PMC6033968

PMID: 30008681

абстрактны

Інтэрнэт-гульні засмучэнне (ИГД) часта дыягнастуецца на аснове дзевяці базавых крытэрыяў з апошняй версіі дыягнастычным і статыстычнага кіраўніцтва па псіхічным засмучэнням (DSM-5). Тут мы даследавалі, ці могуць такія сімптомы на аснове катэгарызацыі могуць быць пераведзены ў класіфікацыі вылічэнні на аснове. Структурная МРТ (sMRI) і дадзеныя дыфузійна-ўзважаная МРТ (dMRI) былі набыты ў 38 геймераў з дыягназам ИГДОМ, 68 нармальныя гульцы дыягнаставаны як бы ня мелі IGD і 37 здаровыя ня геймеры. Мы стварылі 108 рысы шэрага рэчыва (GM) і структуры белага рэчывы (WM) па дадзеных МРТ. Пры регуляризованная лагістычная рэгрэсія была ўжытая да нейроанатомическим функцый 108 выбраць важныя для адрозненні паміж групамі, неўпарадкаванай і нармальныя гульцы былі прадстаўлены ў тэрмінах 43 і 21 функцый, адпаведна, у адносінах да здаровых ня-геймерам, у той час як неўпарадкаваныя геймеры былі прадстаўлены з пункту гледжання асаблівасцяў 11 ў адносінах да звычайных гульцам. У апорных вектарах (SVM), выкарыстоўваючы рэдкія нейроанатомических функцыі, як прадказальнікі, неўпарадкаванай і нармальныя гульцы прадузята паспяхова, з дакладнасцю, якая перавышае 98%, ад здаровых ня-геймераў, але класіфікацыя паміж неўпарадкаваных і нармальнымі гульцамі была адносна складанай задачай. Гэтыя дадзеныя сведчаць аб тым, што паталагічныя і непатологические гульцы, як класіфікуюцца з крытэрамі з DSM-5 можа быць прадстаўлены рэдкімі нейроанатомическими асаблівасцямі, асабліва ў кантэксце адрознівання тых з негульнявых здаровых людзей.

Ключавыя словы: Інтэрнэт гульнявога засмучэнні, дыягнастычная класіфікацыя, структурная МРТ, дыфузна-ўзважаная МРТ, регуляризованная рэгрэсіі

Увядзенне

Хоць тое, было прапанавана ў якасці паталагічнага прыхільнасці на працягу дзесяцігоддзяў (), Гэта толькі нядаўна, што Інтэрнэт-гульні засмучэнне (ИГД) было ўключана ў дыягнастычных і статыстычным кіраўніцтве па псіхічным засмучэнням (DSM). Пятае выданне DSM (DSM-5) () Ідэнтыфікавалі IGD ў якасці ўмовы для далейшага вывучэння і пры ўмове, дзевяць крытэраў для дыягностыкі яго. У сымптоме на аснове катэгарызацыі з выкарыстаннем дзевяць элемента IGD шкалы (IGDS), прапанаваным у DSM-5, парог адчувае пяць ці больш крытэрыяў быў ужыты да дыягностыкі IGD. Хоць гэта скарачэнне кропка можа адэкватна дыферэнцаваць геймераў пакутуюць значнае клінічнае пагаршэнне (), Дихотомическое характар ​​IGDS элементаў непазбежна цягне за сабой дыягнастычнае спрашчэнне або невыразнасць.

Акрамя таго, сімптомы, розныя IGD звязаных з дысфункцыяй звычайна назіраюцца, не ў апошнюю чаргу нейроанатомических зменаў. Сапраўды, значны аб'ём работ паказалі, што ИГД звязана са структурнымі зменамі ў мозгу: ўсаджванне шэрага рэчыва (GM) аб'ём (-), Памяншэнне таўшчыні кортикального (), І страты белага рэчывы (WM) цэласнасці (, ), Як правіла, былі прадэманстраваны. Гэтыя нейроанатомические змены, звязаныя з ИГД мяркуюць, што такія параметры візуалізацыі мозгу могуць служыць у якасці биомаркеров, каб адрозніць людзей з ИГД ад іншых асоб. Гэта значыць, дыягназ ИГДА можа быць зроблены з дапамогай камп'ютэрнага маніпулявання нейроанатомических биомаркер, а не праз катэгарызацыі сімптомаў на аснове на аснове DSM-5. Гэтыя спробы могуць быць у адпаведнасці з намаганнямі выйсці за рамкі апісальнага дыягназу, выкарыстоўваючы вылічальныя падыходы да псіхіятрыі (), Падыходы, у прыватнасці, кіраваныя дадзеных на аснове машыннага навучання (ML) для вырашэння дыягназу псіхічнага захворвання ().

У дадзеным даследаванні мы шукалі сувязь паміж сімптому на аснове катэгарызацыі на аснове IGDS і класіфікацыі вылічэнняў на аснове з выкарыстаннем нейроанатомических биомаркеров ў дыягностыцы ИГД. Паколькі некаторыя кампаненты GM і WM мозгу будуць, верагодна, ўключаць у сябе залішнюю або непатрэбную інфармацыю для дыягнастычнай класіфікацыі, мы імкнуліся выбраць рэдкія нейроанатомических функцыі з выкарыстаннем регуляризованной рэгрэсіі. Мы выказалі здагадку, што сімптом на аснове катэгарызацыі можа быць прадстаўлена ў тэрмінах разрэджаных нейроанатомических функцый, якія складаюць мадэль класіфікацыі для дыягностыкі ИГДА. Паталагічныя гульцы з дыягназам ИГДОМ лічыліся больш адрозніваюцца ад негульнявых здаровых людзей, чым ад геймераў, дыягнаставаных як бы ня мелі IGD, гэта значыць, без паталагічных гульцоў; Такім чынам, паталагічныя гульцы могуць быць ахарактарызаваны з дапамогай большай колькасці функцый, у параўнанні з не-паталагічнымі гульцамі, у адносінах да неігравога здаровым людзям. Акрамя таго, мы хацелі, каб вырашыць, ці можна непатологические геймер менш отлічімы ад паталагічных гульцоў або ад негульнявых здаровых людзей. Non-паталагічныя гульцы могуць цьмяна меркаваць, каб быць бліжэй да неігравога здаровым асобам з пунктам гледжання апісальных сімптомаў, але мы думалі, што такое паняцце павінна быць пацверджана з дапамогай класіфікацыі вылічэнняў на аснове.

Матэрыялы і метады

Удзельнікі

Сярод 237 удзельнікаў, якія граюць інтэрнэт-гульні, 106 індывіды былі адабраны за выключэннем тых, хто паказаў неадпаведнасць паміж самасправаздачы IGDS і структураваным інтэрв'ю з клінічным псіхолагам у дыягностыцы ИГДА або прапусціў або дадзеныя моцна скажоныя малюнкаў мозгу. На аснове IGDS, 38 асоб (27.66 ± 5.61 гадоў; 13 жанчыны), якія задаволеныя, па меншай меры пяць IGDS пунктаў былі пазначаныя неўпарадкаваныя геймеры і 68 асоб (27.96 ± 6.41 гадоў; 21 жанчыны), якія задаволены ў асноўным адзін IGDS пункта пазначалі нармальныя гульцы. Асобы, якія задавальняюць IGDS элементаў паміж два і чатыры таксама былі выключаныя, бо яны могуць быць выяўленыя ў іншым класе паміж неўпарадкаваных і нармальнымі гульцамі (). Акрамя таго, 37 асоб (25.86 ± 4.10 гадоў; 13 жанчын), якія не гулялі ў Інтэрнэт-гульні, былі асобна завербаваны, і яны былі пазначаны як здаровыя негуляры. Пацверджана адсутнасць спадарожных захворванняў ва ўсіх удзельнікаў. Пісьмовая інфармаваная згода была атрымана ад усіх удзельнікаў у адпаведнасці з Хельсінскай дэкларацыяй і яе пазнейшымі папраўкамі, а даследаванне было ўхвалена Камісіяй па аглядзе інстытута пры Сеульскай бальніцы Святой Марыі, Сеул, Карэя.

Збор дадзеных МРТ

Структурная МРТ (sMRI) і дадзеныя дыфузійна-ўзважанай МРТ (dMRI) збіралі з выкарыстаннем сістэмы 3 Т MAGNETOM Verio (Сіменс, Эрланген, Германія). Атрыманне даных sMRI праводзілі з выкарыстаннем намагнічанасці падрыхтаваныя хуткага градыент рэха паслядоўнасці: лік зрэзаў у сагітальнай плоскасці = 176, таўшчыня зрэзу = 1 мм, памер матрыцы = 256 × 256, а ў плоскасці дазвол = 1 × 1 мм , Для атрымання дадзеных dMRI, кадаваньне дыфузійнага градыенту праводзілі ў напрамках з 30 b = 1,000 сек / мм2 і аднакратны рэха-планарнай паслядоўнасць малюнкаў выкарыстоўвалі: колькасць зрэзаў у восевай плоскасці = 75, таўшчыня зрэзу = 2 мм, памер матрыцы = 114 × 114, а ў плоскасці дазвол = 2 × 2 мм.

Апрацоўка дадзеных МРТ

Інструменты, уключаныя ў CAT12 (http://www.neuro.uni-jena.de/cat/) Былі выкарыстаны для апрацоўкі дадзеных sMRI. Аб'ём мозгу малюнка на сегменты ў розныя тканіны, уключаючы GM, WM, і корковых вадкасць, а таксама прасторава зарэгістраваную да апорным мозгу ў стандартным прасторы. У вокселей аснове морфометрии (ВБМ), вокселей-накрыж аб'ём ГМ быў ацэнены шляхам множання верагоднасці таго, каб быць GM па аб'ёме вокселей, а затым гэтыя значэнні былі падзеленыя на агульнае нутрачарапнога аб'ёму для карэкціроўкі індывідуальных адрозненняў у аб'ёме галавы. На паверхні на аснове морфометрии (SBM), таўшчыня кортикальной была разлічана з выкарыстаннем праекцыйнай на аснове метады таўшчыні ().

Апрацоўка дадзеных dMRI

Інструменты, уключаныя ў FSL 5.0 (http://fsl.fmrib.ox.ac.uk/fsl/) Былі выкарыстаны для апрацоўкі дадзеных dMRI. Усе выявы былі перабудаваны да нулявым малюнках, атрыманых з b = 0 сек / мм2 для карэкцыі віхравых токаў, індукаваных скажэнняў і руху галавы. Тэнзар дыфузіі была змадэляваныя на кожным вокселей ў галаўным мозгу, і дыфузія тэнзар атрыманых параметраў, у тым ліку фракцыйнай анізатрапіі (FA), сярэдні каэфіцыент дыфузіі (MD), восевай каэфіцыент дыфузіі (AD) і радыяльнай дыфузіі (RD), былі вылічаныя; Дадзеныя тры температуропроводности ўздоўж розных восяў тэнзар дыфузіі, Ф. была вылічаная як квадратны корань з сумы квадратаў температуропроводности адрозненняў паміж трыма восямі, MD, як сярэдні каэфіцыент дыфузіі па трох восях, AD ў якасці найбольшага каэфіцыента дыфузіі ўздоўж галоўнай восі і RD як сярэдняе па двух каэфіцыентам дыфузіі малых восяў. Выкарыстанне гасцінца на аснове прасторавай статыстыкі (ТБСС) () Рэалізаваны ў FSL 5.0, карты дыфузійных тэнзар атрыманых параметраў былі зарэгістраваныя ў прасторы да апорным мозгу ў стандартным прасторы, і яны былі затым праецыюецца на шкілет WM-кішачнага гасцінца.

пакаленне Feature

Дзве асноўных крокаў па распрацоўцы мадэлі класіфікацыі пакаленне функцый і выбар. Мы генеравацца асаблівасці ад нейроанатомии, у прыватнасці, аб'ём і таўшчыню набору GM і абласцей цэласнасці і дыфузных набору WM шляхоў. Пасля ацэнкі аб'ёму GM і кортикальной таўшчыні, як вокселей-накрыж карт, атрыманых з ВБМ і SBM, адпаведна, параметры былі ацэненыя для кожнага з 60 ГМ рэгіёнаў (табліца S1), Parcellated, як у атласе малаты (), Як і ў сярэднім па ўсіх вокселей ў ім. Ацаніўшы тэнзар дыфузіі, атрыманых параметры, уключаючы FA, MD, AD і РД, як вокселей-накрыж карты на шкілеце гасцінца WM, атрыманым з ТБССА, параметры былі вылічаныя для кожнага з 48 WM шляхоў (табліца S2), Parcellated, як у атласе МБР DTI-81 (), Як і ў сярэднім па ўсіх вокселей ў ім. У цэлым, мы разгледзелі два параметры GM і чатырох параметраў WM, якія далі восем камбінацый параметраў GM і WM. Для кожнай камбінацыі параметраў GM і WM, значэнне параметраў 60 GM рэгіёнаў і 48 WM гасцінцаў складаецца ў агульных складанасцях 108 нейроанатомических асаблівасцяў.

выбару прыкмет уведзенымі рэгрэсіі

Памяншэнне колькасці функцый мае важнае значэнне, асабліва для дадзеных з вялікай колькасцю функцый і абмежаваным лікам назіранняў. Абмежаваную колькасць назіранняў у дачыненні да колькасці функцый можа прывесці да перанавучанню да шуму, і рэгулярызацыі з'яўляецца метадам, які дазваляе паменшыць або прадухіліць перанавучання шляху ўвядзення дадатковай інфармацыі або абмежаванняў на мадэлі. Паколькі ўсе функцыі 108 не можа ўключаць у сябе карысную і неабходную інфармацыю для класіфікацыі, мы абралі разрэджаны набор функцый, ужываючы регуляризованную рэгрэсію. У прыватнасці, ласо () І эластычная сетка () Былі выкарыстаны для регуляризованной лагістычнай рэгрэсіі. Ласо ўключае ў сябе тэрмін штраф, або параметр рэгулярызацыі, λ, што абмяжоўвае памер адзнак каэфіцыентаў у мадэлі лагістычнай рэгрэсіі. Паколькі павелічэнне Х прыводзіць да большай колькасці нулявых каэфіцыентаў на суму, ласо забяспечвае паменшаную мадэль лагістычнай рэгрэсіі з меншай колькасцю прэдыктар. Эластычная сетка таксама вырабляе паменшаныя мадэлі лагістычнай рэгрэсіі шляху ўстанаўлення каэфіцыентаў да нуля, асабліва ў тым ліку гібрыднага параметру рэгулярызацыі ласо і коньковой рэгрэсіі, пераадольваючы абмежаванне ласо ў лячэнні з высокай карэляцыі прэдыктар ().

Для класіфікацыі паміж кожнай парай з трох груп, мы ўжылі ласо і эластычную сетку для выяўлення важных прэдыктар сярод neuroanatomic асаблівасцяў 108 ў мадэлі лагістычнай рэгрэсіі. Асаблівасці 108 ўсіх асобін у кожнай пары з трох груп былі стандартызаваны, каб скласці матрыцу дадзеных, A, у якім кожны радок прадстаўляў адно назіранне, а кожны слупок - адзін прадказальнік. Каб выправіць уплыў узросту і полу асоб на параметры ГМ і ЗМ, матрыца рэшткавага фарміравання, R, Быў створаны: R = I-C(CTC)-1C дзе I была адзінкавая матрыца і C была матрыца кадавання скажальнага ковариата ўзросту і полу. Затым ён быў ужыты да A для атрымання рэшткаў пасля рэгрэсу па-за які скажае ковариата: X = RA.

З улікам скарэкціраванай матрыцы дадзеных, X, І адказ, Y, Якія кадуюцца два класы індывідаў, 10-разовая крос-праверка (CV) была выкарыстаная для пошуку параметру рэгулярызацыі, λMinErr, Пры ўмове, што мінімальная памылка з пунктам гледжання дэвіяцыі, якая вызначаецца як адмоўны лагарыфм праўдападабенства для тэстоўванай мадэлі асераднёнага па складках праверкі. У якасці альтэрнатывы, так як крывая CV мае памылкі на кожны Х выпрабаванні, параметр рэгулярызацыі, λ1SE, Які быў знойдзены ў межах адной стандартнай памылкі мінімальнай хібнасці CV ў напрамку павелічэння рэгулярызацыі ад ЙMinErr быў таксама разгледжаны. Гэта значыць, разрэджаныя функцыі былі выбраны ў Х1SE, У той час як рэдкія функцыі былі вызначаны на ЛMinErr, Гэтая працэдура паўтарала для пошуку регуляризованного мадэль лагістычнай рэгрэсіі з меншай колькасцю прэдыктар для кожнай камбінацыі параметраў GM і WM, якія змяшчаюць нейроанатомическую асаблівасць 108.

Выкананне асобных функцый

Для таго, каб ацаніць карыснасць рэдкіх і рэдкай асаблівасці, прадукцыйнасць параўноўвалі паміж мадэллю з паменшаным колькасцю функцый і мадэлі з усімі функцыямі 108 ў апорных вектараў (SVM) шляхам вымярэння прыёмнік аперацыйнай характарыстычнай крывой (ROC). З лінейным ядром у выглядзе функцыі ядра і гиперпараметров аптымізаванай па пяціразовай CV, SVM быў навучаны для ўсіх людзей у кожнай пары з трох груп. Плошчу пад крывой ROC (AUC) была вылічаная для кожнай мадэлі ў якасці колькаснай меры яе прадукцыйнасці. Дэлонг тэсты () Выкарыстоўвалі для параўнання АУК паміж кожнай парай мадэляў. Калі AUC адрозніваліся ў p-значение з 0.05, прадукцыйнасць лічыцца не супастаўныя ў двух мадэлях.

дакладнасць класіфікацыі

Схема працэдура ад генерацыі і выбару функцый для пабудовы класіфікацыйных мадэляў прадстаўлена на малюнку Figure1.1, Для кожнай пары з трох груп, мадэлі SVM класіфікацыі былі атрыманы з выкарыстаннем выбраных функцый у якасці прадказальнікаў. Мы ацанілі дакладнасць мадэляў класіфікацыі, выкарыстоўваючы нязмыўную адзін з схемы CV, так што па-за выбаркі дакладнасці класіфікацыі была вылічаная для кожнага левага чакання індывіда, а затым ён быў асераднёны па ўсіх асобам. Статыстычная значнасць дакладнасці была ацэненая з выкарыстаннем перастаноўкі тэстаў. Эмпірычнае размеркаванне нуля для класіфікацыі паміж кожнай парай з трох груп было згенеравана неаднаразова перастаноўка пазнакі асоб і дакладнасці вымярэння, звязаную з перастаўляць этыкеткамі. Калі дакладнасць вымяраецца для недазволеных этыкетак была вышэй або роўная нулявой кропкай а размеркаванне p-value з 0.05, што было ўстаноўлена, што значна адрозніваецца ад узроўню выпадковасці (дакладнасць = 50%). Акрамя таго, матрыца блытаніны візуалізавалі апісаць адчувальнасць і спецыфічнасць у дачыненні да адрозненні паміж кожнай парай з трох груп.

 

Знешні файл, які змяшчае малюнак, ілюстрацыі і г.д. Імя аб'екта з'яўляецца fpsyt-09-00291-g0001.jpg

Схема працэдура ад генерацыі і адбору нейроанатомических функцый для пабудовы мадэляў для класіфікацыі паміж неўпарадкаваных геймерамі (DG) і здаровымі ня-геймерамі (HN), паміж нармальнымі гульцамі (НГ) і HN, а таксама паміж DG і NG. GM, шэрае рэчыва; WM, белае рэчыва.

Вынікі

выбар прыкмет

Малюнак Figure22 адлюстроўвае выбраныя аб'екты сярод 108 асаблівасці з іх ацэнкамі каэфіцыентаў, а ў табліцы Table11 апісвае звязаную фітынг інфармацыі регуляризованному мадэлі лагістычнай рэгрэсіі для класіфікацыі паміж кожнай парай з трох груп. Акрамя таго, на малюнку S1 паказвае, якія λ далі мінімальную памылку CV і колькі функцыі былі выбраны ў Х1SE а таксама на ХMinErr, Мінімальная памылка CV была атрымана пры выбары прыкметы па Lasso (Ласо вагі = 1) для класіфікацыі паміж здаровымі ня-геймерамі і звычайнымі гульцамі і эластычнай сеткай (Lasso вагі = 0.5) для іншай класіфікацыі.

 

Знешні файл, які змяшчае малюнак, ілюстрацыі і г.д. Імя аб'екта з'яўляецца fpsyt-09-00291-g0002.jpg

Выбраныя нейронаанатычныя асаблівасці рэгулярызаванай лагістычнай рэгрэсіі для класіфікацыі паміж кожнай парай з трох груп. Неўпарадкаваныя геймеры (DG) былі зафіксаваны як 1 у класіфікацыі паміж здаровымі негеймерамі (HN) і DG, звычайныя геймеры (NG) - 1 у класіфікацыі паміж HN і NG, а DG як 1 у класіфікацыі паміж NG і DG. Памер слупка ўяўляе памер каэфіцыента адпаведнай прыкметы, такім чынам, што выбіраюцца асаблівасці ненулявых каэфіцыентаў. Выяўлены мозг з цудоўнага выгляду адлюстроўвае кампаненты шэрага рэчыва і белага рэчыва, якія адпавядаюць абраным прыкметам. Чырвоны альбо сіні прыкметы паказваюць на прыкметы, уключаныя ў больш рэдкія прыкметы, вызначаныя пры λ1SE а таксама ў разрэджаных функцый вызначаецца па ХMinErr, У той час як тыя, у жоўты або пурпурны паказваюць на тыя, якія ўключаны толькі ў рэдкіх функцый. Этыкеткі кампанентаў галаўнога мозгу, як гэта прадугледжана ў табліцах S1 і S2, Л, злева; R, права.

Табліца 1

Месца інфармацыі регуляризированной лагістычнай рэгрэсіі для класіфікацыі паміж кожнай парай з трох груп.

 HN супраць DGHN vs. NGNG супраць DG
ПараметрGMТаўшчыняТаўшчыняАб'ём
 WMFARDMD
Lasso вага0.510.5
Разрэджаных прыкметы, выбраныя на ХMinErrпамылка CV37.368141.7876133.3857
 колькасць функцый432111
Разрэджаныя прыкметы, выбраныя на Х1SEпамылка CV46.568150.0435141.2622
 колькасць функцый34121
 

Lasso вага ўказвае, была праведзена Ці регуляризованная лагістычная рэгрэсія з выкарыстаннем Lasso (Ласо вагі = 1) або эластычнай сеткі (Lasso вагі = 0.5).

HN, здаровых ня-геймераў; Д. Г., неўпарадкаваныя гульцоў; NG, нармальныя гульцы; GM, шэрае рэчыва; WM, белае рэчыва; FA, дробавая анізатрапіі; РД, радыяльная дыфузія; MD, сярэдні каэфіцыент дыфузіі; CV, крос-праверкі.

У адрозніванні неўпарадкаваных геймераў ад здаровых ня-геймераў, 43 выбраных функцый пры λMinErr складаюцца таўшчыню 24 GM абласцей і ФА 19 WM гасцінцаў, а таксама 34 выбраных функцый у пункце Я1SE складалі таўшчыню 15 GM абласцей і FA з 19 WM шляхоў. У адрозненні ад звычайных геймераў ад здаровых ня-геймераў, 21 выбраных функцый пры λMinErr складаюцца таўшчыню 12 GM абласцей і РД 9 WM гасцінцаў, а таксама 12 выбраных функцый у пункце Я1SE складалі таўшчыню 6 GM абласцей і РД 6 WM шляхоў. У класіфікацыі паміж бязладнымі і нармальнымі гульцамі, 11 выбраных функцыямі пры λMinErr склаў аб'ём 7 GM рэгіёнаў і МО 4 WM гасцінцаў, а таксама адну функцыю, выбраную ў Х1SE адпавядае аб'ёму аднаго GM рэгіёну.

Выкананне асобных функцый

Паміж мадэлі з паменшаным колькасцю функцый і мадэлі з усімі функцыямі 108, прадукцыйнасць была супастаўная з пункту гледжання AUC ў дыскрымінацыі паміж кожным тыпам гульцоў і здаровых ня-геймераў па SVMs (мал (Figure3) .3). У класіфікацыі паміж бязладнымі і нармальнымі геймерамі, мадэль з функцыямі абраная альбо на ЙMinErr (ППК = 0.83, p = 0.006) або Х1SE (ППК = 0.72, p <0.001) паказалі горшыя паказчыкі, чым мадэль з усімі 108 асаблівасцямі (AUC = 0.90).

 

Знешні файл, які змяшчае малюнак, ілюстрацыі і г.д. Імя аб'екта з'яўляецца fpsyt-09-00291-g0003.jpg

Параўнанне прадукцыйнасці з пункту гледжання плошчы пад прымачом характарыстычнай крывой (AUC) паміж мадэлямі без і з адбору прыкмет для класіфікацыі паміж кожнай парай з трох груп з дапамогай апорных вектараў. Мадэль функцый 108 (пазначана суцэльнай лініяй) адпавядае таму, што без адбору прыкмет, у той час як мадэлі скарачэння колькасці функцый, адпавядаюць тым, якія з рэдкімі і больш рэдкіх функцый, выбраных на даўжыніMinErr (Пазначана пункцірнай лініяй) і λ1SE (Указаны штрихпунктирной лініяй), адпаведна. HN, здаровых ня-геймераў; Д. Г., неўпарадкаваныя гульцоў; NG, нармальныя гульцы.

дакладнасць класіфікацыі

У класіфікацыі па SVMs з выкарыстаннем функцыі выбраны на ХMinErr, Дакладнасць была больш, чым 98%, што значна вышэй, чым узровень выпадковага (p <0.001), у адрозненне кожнага тыпу геймераў ад здаровых негеймераў (мал (Figure4A) .4A). Дакладнасць па-ранейшаму значна вышэй, чым узровень выпадковасці (p = 0.002), але па кошце ад 69.8% у класіфікацыі паміж неўпарадкаваных і нармальнымі гульцамі, у прыватнасці, паказвае нізкую адчувальнасць (47.4%) у правільнай ідэнтыфікацыі неўпарадкаваных гульцоў. У разрэджаных функцыях, вызначаных на Л1SE выстаўлены аналагічныя паказчыкі (мал (Figure4B) 4B), Але паказалі значна больш нізкую адчувальнасць (2.6%) у правільным адрозненні неўпарадкаваных гульцоў ад нармальных гульцоў.

 

Знешні файл, які змяшчае малюнак, ілюстрацыі і г.д. Імя аб'екта з'яўляецца fpsyt-09-00291-g0004.jpg

Блытаніна матрыцы ў класіфікацыі паміж кожнай парай з трох груп пры выкарыстанні (A) рэдкія і (B) разрэджаныя функцыі, пэўныя на ЛMinErr і на Х1SE, Адпаведна, у апорных вектараў. Правая ніжняя вочка ўяўляе дакладнасць класіфікацыі (ACC), ніжняя левая ячэйка праўдзіва адмоўнай хуткасці (ОНС) або спецыфічнасць, чым ніжэй сярэдняга клетак праўдзівая станоўчая норма (ОНС) або адчувальнасць, верхняя правая клетка адмоўную прагнастычныя каштоўнасць (ЧПС ), і клетка станоўчае прагнастычнае значэнне сярэдняга направа (PPV). TP, праўда дадатны; TN, праўдзівы адмоўны; FP, прытворнададатны; FN, ілжывы адмоўны вынік.

Абмеркаванне

У гэтым даследаванні мы паспрабавалі даследаваць ці паталагічныя і непатологические гульцы, як класіфікуюцца з IGDS прапанаванага ў DSM-5 можа быць прадстаўлены рэдкай нейроанатомической функцыямі. Разупорядоченные і нармальныя гульцы былі прадстаўлены ў тэрмінах 43 і 21 функцый, адпаведна, у адносінах да здаровых ня-геймерам. Акрамя таго, неўпарадкаваныя гульцы былі прадстаўлены ў тэрмінах 11 асаблівасці ў адносінах да звычайных гульцам. Выкарыстоўваючы рэдкія нейроанатомических функцыі, неўпарадкаванай і нармальныя гульцы могуць паспяхова адрозніць ад здаровых ня-геймераў, але класіфікацыя паміж неўпарадкаваных і нармальнымі гульцамі была адносна складанай задачай.

Сімптом на аснове апісальнай класіфікацыі ИГДА з IGDS прапанаванага ў DSM-5 ў цяперашні час шырока ўжываюцца. Хоць эмпірычная абгрунтаванасць IGDS была пацверджана ў некалькіх краінах (, , ), Парог адчувае пяць ці больш IGDS элементаў не можа быць пэўным выбарам, і іншыя спосабы катэгарызацыі асоб, якія граюць інтэрнэт-гульні могуць быць прапанаваныя (). Паколькі некалькі тыпаў клінічных дадзеных, такія як мозг дадзеныя малюнкаў, а таксама дэмаграфічныя, паводніцкія і сімптаматычныя дадзеныя, становіцца ўсё больш даступнымі, дадатковыя дадзеныя могуць быць выкарыстаны пераважна для дыягностыкі псіхічных захворванняў. У прыватнасці, з-за масіўнасці колькаснай інфармацыі, дадзеныя малюнкаў мозгу падыходзяць для вылічальных падыходаў і былі б карысная для прагназавання. Сапраўды, дадзеныя візуалізацыі мозгу было паказана, што маюць цудоўныя вынікі разліку прагнозных значэнняў у параўнанні з іншымі клінічнымі дадзенымі прагназавання для вырашэння клінічна значнай праблемы ().

У ML-заснаваная дыягнастычная класіфікацыя была нядаўна прыменена да іншых аддиктивного паводзінаў і расстройстваў (-), Сімптом на аснове катэгарызацыі ИГД таксама, як уяўляецца, сутыкаюцца з праблемай класіфікацыі вылічэнняў на аснове. Паколькі анатамічныя анамаліі галаўнога мозгу наступны IGD неаднаразова паведамлялася ў папярэдніх даследаваннях (-, ), Мы разглядалі такую ​​нейроанатомической інфармацыю дадзеных візуалізацыі мозгу патэнцыйных биомаркеров для дыягностыкі ИГД. У гэтым даследаванні, наша мэта складалася ў тым, каб выявіць шэраг важных нейроанатомических функцый, якія маглі б забяспечыць высокую прадукцыйнасць у дастатковай класіфікацыі, акрамя апісання нейроанатомических адрозненняў паміж класамі індывідаў.

Мы выбралі важныя з іх, у тым ліку 108 нейроанатомических асаблівасцяў, дбайнай регуляризованной рэгрэсіі. Калі мы разгледзелі восем камбінацый параметраў GM і WM, былі абраныя розныя камбінацыі параметраў для адрознівання кожнай пары з трох груп. Спалучэнне таўшчыні GM абласцей і цэласнасці WM шляхоў было лепш для адрознівання паталагічных гульцоў ад здаровых ня-геймераў, у той час як камбінацыя аб'ёму ГМ-абласцей і температуропроводности WM шляхоў было лепш для адрознівання паталагічных гульцоў ад не-паталагічных гульцоў. Акрамя таго, хоць шматлікія кампаненты мозгу звычайна служыў neuroanatomic асаблівасцяў, якія былі важныя для адрознівання паталагічных і ня паталагічных гульцоў ад здаровых ня-геймераў, некаторыя GM рэгіёны і WM гасцінцы характарызавалі непатологические геймер, але не паталагічныя гульцы , Гэтыя дадзеныя сведчаць аб тым, што не можа быць універсальна самымі эфектыўнымі камбінацыі параметраў GM і WM, як нейроанатомические биомаркер, так што пэўная камбінацыя параметраў GM і WM павінна быць абраная ў адпаведнасці з гуртамі, якія будуць класіфікавана.

Меншы лік разрэджаных прыкмет для адрознівання ня-паталагічных гульцоў, у параўнанні з тым адрозненнем паталагічных гульцоў, ад здаровых ня-геймераў, адлюстроўвае, што непатологические гульцы знаходзяцца на пераходным этапе паміж паталагічнымі гульцамі і здаровым ня-геймераў. Акрамя таго, чым менш рэдкія магчымасці для класіфікацыі паміж двума тыпамі гульцоў, чым для адрознівання кожнага тыпу гульцоў і здаровых ня-геймераў азначаюць, што паталагічныя і ня паталагічныя гульцы былі менш адрозніваюцца ад адзін аднаго ў тэрмінах нейроанатомии, чым да іх выдатнымі адзін ад здаровых ня-геймераў. Адпаведна, мадэль класіфікацыі, якія генерыруюцца з рэдкімі функцыямі дала дакладнасць перавышэнне 98% у дыскрымінацыі паміж кожным тыпам гульцоў і здаровымі ня-геймерамі, але дакладнасцю ніжэй 70% у класіфікацыі паміж двума тыпамі гульцоў. Гэта значыць, непатологические гульцы адрозніваліся ад здаровых ня-геймераў, а таксама паталагічных гульцоў былі, але былі абмежаванні ў адрозніванні паталагічных і ня паталагічных гульцоў.

Гэта адносна нізкая адрозныя паміж гэтымі двума тыпамі гульцоў, здаецца, прапануе некалькі паняццяў. Па-першае, можа быць прапанавана неадпаведнасць паміж сімптому на аснове катэгарызацыі і класіфікацыі вылічэнняў на аснове. Хоць прапанаваны дыягнастычны парог адчувае пяць ці больш крытэрыяў у IGDS кансерватыўна абраны для прадухілення гипердиагностики ИГД (), Прысутнасць гульцоў, якія пакутуюць значныя паталагічныя змены ў нейроанатомии, але не задавальняюць парог IGD можа не прымацца пад увагу. У прыватнасці, мы ўключаны толькі геймеры, якія задавальняюць IGDS пунктаў значна ніжэй, чым парог ИГДА як нармальныя гульцы, так што гульцы дыягнаставаны як які не мае ИГД можа быць у цэлым далей ад негульнявых здаровых людзей, чым паказана ў дадзеным даследаванні. Па-другое, можна адзначыць выклік у класіфікацыі спадзеючыся толькі на нейроанатомических биомаркер. Класіфікацыя прадукцыйнасць можа быць палепшана за лікам ўключэння іншых биомаркер, якія могуць захапіць вялікую непадабенства паміж паталагічнымі і ня паталагічнымі гульцамі. У прыватнасці, таму, што функцыянальныя змены ў галаўным мозгу таксама прадэманстраваны ў IGD (-), Функцыя а таксама анатомія галаўнога мозгу можна лічыць мазгавыя биомаркеры. Акрамя таго, мы хочам адзначыць, што змены ў мозгу толькі складаюць частку шматмерных аспектаў інтэрнэт-гульнявой залежнасці, так што іншыя фактары, не ў апошнюю чаргу розныя ўнутраныя і знешнія фактары рызыкі для інтэрнэт-гульнявой залежнасці (), Павінна быць уключаны ў больш поўных мадэлях для класіфікацыі паміж паталагічнымі і ня паталагічнымі гульцамі, а таксама адрозненнем гульцоў ад негульнявых здаровых людзей.

Тут мы выкарыстоўвалі регуляризованную рэгрэсію, выкарыстоўваючы разрэджанасці якія спрыяюць ацэншчыкаў, такія як ласо і эластычную сетка, каб вызначыць важныя функцыі для класіфікацыі мадэляў. Ёсць фактычна метадалагічныя варыяцыі адбору прыкмет або памяншэнні памернасці, а таксама розныя падыходы могуць быць выкарыстаны для выкарыстання выбраных элементаў у мадэлі канструкцыі (). Наш падыход з выкарыстаннем регуляризованной рэгрэсіі мяркуе апрыёрнае здагадка аб разрэджанасці ў нейроанатомических функцыях. Пры ўмове, што такая здагадка з'яўляецца прымальным, бо мы лічылі ў гэтым даследаванні, регуляризованная рэгрэсіі можа быць праўдападобным падыход, і абраны набор рэдкіх функцый можна было б чакаць, каб скласці мадэлі класіфікацыі адэкватна высокай прадукцыйнасці. Але варта адзначыць, што больш простыя мадэлі класіфікацыі, заснаваныя на большай разрэджанасці не заўсёды дэманструюць параўнальную або палепшаную прадукцыйнасць. Сапраўды, сярод розных варыянтаў выбару ступені разрэджанасці ў адпаведнасці з параметрам рэгулярызацыі, больш разрэджанасці была малаверагодная, каб забяспечыць лепшую мадэль выканальніцкай у прыватнасці, у больш складаных задачах класіфікацыі, такія як класіфікацыі паміж паталагічнымі і ня паталагічнымі гульцамі.

Акрамя таго, мы выкарыстоўвалі SVMs як метад ML для пабудовы мадэляў класіфікацыі, так як яны з'яўляюцца аднымі з найбольш папулярных з іх. Іншыя дадатковыя метады могуць быць выкарыстаны для павышэння прадукцыйнасці класіфікацыі, хоць параўнальныя характарыстыкі паміж рознымі метадамі, не могуць быць заключаны з-за залежнасці прадукцыйнасці на эксперыментальных сцэнарах (). З іншага боку, для параўнальнай прадукцыйнасці паміж класічнымі статыстычнымі метадамі і метадамі ОД, мы правялі класіфікацыю па лагістычнай рэгрэсіі, а таксама і паказалі, што гэтыя два метаду, а менавіта лагістычная рэгрэсія і SVMs, былі супастаўныя па прадукцыйнасці класіфікацыі (мал S2). Гэта можа паўтарацца, што класічныя статыстычныя метады не заўсёды саступаюць метады ML ў выкананні класіфікацыі ().

У гэтым даследаванні мы паказалі, што сімптом на аснове катэгарызацыі ИГДА можа быць прадстаўлена ў тэрмінах разрэджаных нейроанатомических биомаркер, якія ў склад мадэлі класіфікацыі. Акрамя таго, мы паказалі, што непатологические геймеры могуць быць менш адрозныя ад паталагічных гульцоў, чым ад негульнявых здаровых людзей, з пункту гледжання нейроанатомии. Такім чынам, мы прапануем хоць сучасныя дыягнастычныя сістэмы заснаваныя на апісальных катэгарызацыі, такія як DSM-5 як стандарты золата, непатологические геймеры, магчыма, павінны быць дыягнаставаны з большай асцярожнасцю, выкарыстоўваючы аб'ектыўныя биомаркеры, такія як тыя, якія звязаны з нейроанатомическими зменамі. Прыняцце вылічальных падыходаў, як уяўляецца, незваротная тэндэнцыя ў псіхіятрыі, але можа быць доўгі шлях, каб прымяняць на практыцы тых клінічных умовах. Пошук аптымальнага выбару разрэджаных ад асаблівасцяў малюнка мозгу і іншых клінічных дадзеных павінен быць праведзены ў наступных даследаваннях, так і ў доўгатэрміновай перспектыве гэтыя намаганні будуць садзейнічаць вылічэннях на аснове дыягназу ИГДА.

Аўтар узносаў

D-JK і J-WC былі адказныя за канцэпцыю даследаванні і распрацоўкі. HC правялі клінічныя характарыстыкі і адбор удзельнікаў. CP прааналізавалі дадзеныя і падрыхтаваў рукапіс. Усе аўтары крытычна прааналізаваць змест і зацверджаны канчатковы варыянт для публікацыі.

Заяву аб канфлікце інтарэсаў

Аўтары заяўляюць, што даследаванне было праведзена ў адсутнасць якіх-небудзь камерцыйных або фінансавых адносін, якія маглі б быць вытлумачаны як патэнцыйны канфлікт інтарэсаў.

зноскі

 

Фінансаванне. Гэта даследаванне было падтрымана праграмай Brain Science Research ў рамках Нацыянальнага даследчага фонду Карэі (NRF), што фінансуецца Міністэрствам навукі і ІКТ ў Карэі (NRF-2014M3C7A1062893).

 

 

дадатковы матэрыял

Дадатковы матэрыял для гэтага артыкула можна знайсці ў Інтэрнэце па адрасе: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material

Спасылкі

1. Маладыя KS. Інтэрнэт-залежнасць: з'яўленне новага клінічнага засмучэнні. CyberPsychol Behav. (1998) 1: 237-44. 10.1089 / cpb.1998.1.237 [крыжаваны реф]
2. Амерыканская псіхіятрычная асацыяцыя Дыягнастычнае і статыстычнае кіраўніцтва па псіхічным засмучэнням, 5th выданне. Вашынгтон, акруга Калумбія: Амерыканская псіхіятрычная асацыяцыя Publishing; (2013).
3. Да СН, JY ен, Чэн SH, Ван PW, Чэн CS, ены CF. Ацэнка дыягнастычных крытэрыяў інтэрнэт-гульнявой засмучэнні ў DSM-5 сярод маладых людзей у Тайвані. J Psychiatr Res. (2014) 53: 103-10. 10.1016 / j.jpsychires.2014.02.008 [PubMed] [крыжаваны реф]
4. Да СНО, З т, Ван PW, Лін туалет, ены CF, CS Чэн і інш. , Змененая шэры шчыльнасці рэчыва і парушаецца функцыянальная сувязь міндаліны у дарослых з інтэрнэтам гульнявога засмучэнні. Prog Neuropsychopharmacol Biol Psychiatry (2015) 57: 185-92. 10.1016 / j.pnpbp.2014.11.003 [PubMed] [крыжаваны реф]
5. Lin X, Dong G, Ван Q, Du X. Анамальны шэрае рэчыва і белы аб'ём рэчывы ў «Інтэрнэт-гульнявых наркаманаў». Наркаман Behav. (2015) 40: 137-143. 10.1016 / j.addbeh.2014.09.010 [PubMed] [крыжаваны реф]
6. Ван Н, Джын З, Юань Да, Шакіра ТМ, Мао З, Ню Х, і інш. , Змяненне аб'ёму шэрага рэчыва і пазнавальны кантроль у падлеткаў з інтэрнэтам гульнявога засмучэнні. Пярэдняя Behav Neurosci. (2015) 9: 64. 10.3389 / fnbeh.2015.00064 [PMC бясплатна артыкула] [PubMed] [крыжаваны реф]
7. Юань Да, Р Чэнг, Дон Т, Бі У, Сін л, Ю Д, і інш. , Кортикальные анамаліі таўшчыні ў канцы падлеткавага ўзросту з онлайн гульнявой залежнасцю. PLoS ONE (2013) 8: e53055. 10.1371 / journal.pone.0053055 [PMC бясплатна артыкула] [PubMed] [крыжаваны реф]
8. Dong G, Devito Е, Хуанг Дж, Д Х. тэнзар дыфузіі паказвае таламуса і заднюю частку пасавай звіліны анамаліі ў Інтэрнэце гульнявых наркаманаў. J Psychiatr Res. (2012) 46: 1212-6. 10.1016 / j.jpsychires.2012.05.015 [PMC бясплатна артыкула] [PubMed] [крыжаваны реф]
9. Сін л, Юань Да, Bi Y, Інь-J, Цай З, D Feng і інш. , Цэласнасць Памяншэнне валакна і кагнітыўны кантроль у падлеткаў з інтэрнэтам гульнявога засмучэнні. Brain Res. (2014) 1586: 109-17. 10.1016 / j.brainres.2014.08.044 [PubMed] [крыжаваны реф]
10. Бессон Р, Динкелакер У, Valabregue R, Thivard л, Леклерк Х, Baulac М., і інш. , Структурныя адрозненні падлучэння ў левай і правай скроневай эпілепсіі. Neuroimage (2014) 100: 135-44. 10.1016 / j.neuroimage.2014.04.071 [PubMed] [крыжаваны реф]
11. Хьюс QJ, Maia TV, Фрэнк MJ. Вылічальная псіхіятрыя ў якасці моста ад нейробиологии да клінічнай практыцы. Нат Neurosci. (2016) 19: 404-13. 10.1038 / nn.4238 [PMC бясплатна артыкула] [PubMed] [крыжаваны реф]
12. Lemmens JS, Валькенбург PM, язычнік DA. Інтэрнэт гульнявога бязладзіцы маштаб. Psychol Ацэнка. (2015) 27: 567-82. 10.1037 / pas0000062 [PubMed] [крыжаваны реф]
13. Dahnke R, Yotter РА, таўшчыня GASER С. Кортикальная і ацэнка цэнтральнай паверхні. Neuroimage (2013) 65: 336-48. 10.1016 / j.neuroimage.2012.09.050 [PubMed] [крыжаваны реф]
14. Сміт С.М., Джэнкінсана М, Ёхансан-Берг Н, Рюкерт Д, Нікалс ТЫЯ, Маккей CE, і інш. , Тракт на аснове прасторавай статыстыкі: аналіз voxelwise мульты-прадметных дадзеных дыфузіі. Neuroimage (2006) 31: 1487-505. 10.1016 / j.neuroimage.2006.02.024 [PubMed] [крыжаваны реф]
15. Перфаратары А, Allom R, Кеппена МДж, свабоднай SL, Майерс R, Лемье L, і інш. , Трохмерны максімальная верагоднасць атлас чалавечага мозгу, з асаблівай спасылкі на скроневую долю. Hum Brain Mapp. (2003) 19: 224-47. 10.1002 / hbm.10123 [PubMed] [крыжаваны реф]
16. Мардуй S, Оиши Да, Цзян Н, Цзян л, Лі Х, Ахтер Да, і інш. , Стереотаксическое рэчыва атлас белага на аснове тэнзар дыфузіі ў шаблоне МБР. Neuroimage (2008) 40: 570-82. 10.1016 / j.neuroimage.2007.12.035 [PMC бясплатна артыкула] [PubMed] [крыжаваны реф]
17. Tibshirani Р. Рэгрэсійная ўсаджвання і выбар з дапамогай ласо. J Рой Стат Soc Ser У (1996) 58: 267-88.
18. Цзоу Н, Хэсти Т. рэгулярызацыі і адбор зменных праз эластычную сетку. J Рой Стат Soc Ser У (2005) 67: 301-20. 10.1111 / j.1467-9868.2005.00503.x [крыжаваны реф]
19. Theodoridis S. Machine Learning: байесовский і аптымізацыя Perspective. Лондан: Academic Press; (2015).
20. Дэлонг ЭР, Дэлонг ДЙ, Кларк-Пірсан DL. Параўнанне плошчаў пад два ці больш карэляваць прымачом працуе характэрныя крывыя: непараметрический падыход. Біяметрыя (1988) 44: 837-45. 10.2307 / 2531595 [PubMed] [крыжаваны реф]
21. Cho SH, Kwon JH. Валідацыю карэйскай версіі Internet Gaming Disorder Scale (K-IGDS): высновы з выбаркі дарослых. Карэйская J Clin Psychol. (2017) 36: 104-17. 10.15842 / kjcp.2017.36.1.010 [крыжаваны реф]
22. Sigerson L, Li AYL, Cheung MWL, Luk JW, Cheng C. Психометрического ўласцівасць кітайскага інтэрнэт гульнявога маштабу бязладзіцы. Наркаман Behav. (2017) 74: 20-6. 10.1016 / j.addbeh.2017.05.031 [PubMed] [крыжаваны реф]
23. Берк Вос Е, Dodakian л, м J, McKenzie A, V, Le Wojnowicz М., і інш. , Нейронавыя функцыі, траўма і інсульт падтып прагназуюць прырост лячэння пасля інсульту. Ann Neurol. (2015) 77: 132-45. 10.1002 / ana.24309 [PMC бясплатна артыкула] [PubMed] [крыжаваны реф]
24. Pariyadath У, Е. А. Штэйн, Рос TJ. Машыннае навучанне класіфікацыя стану супакою функцыянальнага злучэння прадказвае статус курэння. Пярэдняя Hum Neurosci. (2014) 8: 425. 10.3389 / fnhum.2014.00425 [PMC бясплатна артыкула] [PubMed] [крыжаваны реф]
25. Федот JR, Stein EA. Адпачываючы стану функцыянальная складнасць і нікацінавая залежнасць: перспектывы развіцця биомаркеров. Ann NY Acad Sci. (2015) 1349: 64-82. 10.1111 / nyas.12882 [PMC бясплатна артыкула] [PubMed] [крыжаваны реф]
26. Ahn WY, Рамеш D, Moeller FG, Vassileva J. Карыснасць машыннага навучання падыходаў для выяўлення паводніцкіх маркераў для таксікаманію расстройстваў: памеры імпульсіўнасці як прэдыктар току залежнасці какаіну. Пярэдняя Psychiatry (2016) 7: 34. 10.3389 / fpsyt.2016.00034 [PMC бясплатна артыкула] [PubMed] [крыжаваны реф]
27. Ahn WY, Vassileva J. Машына навучання ідэнтыфікуе рэчыва канкрэтных паводніцкіх маркераў для апіятаў і псіхостімуляторов залежнасці. Drug Alcohol Залежаць. (2016) 161: 247-57. 10.1016 / j.drugalcdep.2016.02.008 [PMC бясплатна артыкула] [PubMed] [крыжаваны реф]
28. Percy C, França M, Dragičević S, D'avila Garcez A. Прагназаванне самавыключэння азартных гульняў у Інтэрнэце: аналіз эфектыўнасці мадэляў машыннага навучання, якія кантралююцца. Int Gambl Stud. (2016) 16: 193–210. 10.1080 / 14459795.2016.1151913 [крыжаваны реф]
29. Дын WN, нд JH, нд YW, Чжоу Y, Li L, Xu JR, і інш. , Змененая сетка па змаўчанні спачываюць стан функцыянальная складнасць ў падлеткаў з інтэрнэт-гульнявой залежнасці. PLoS ONE (2013) 8: e59902. 10.1371 / journal.pone.0059902 [PMC бясплатна артыкула] [PubMed] [крыжаваны реф]
30. Мэн Y, Дэн Вт, Ван Н, Го Вт, Лі Т. префронтальной дысфункцыі ў асоб з Інтэрнэт-гульнявой засмучэнні: мета-аналіз функцыянальных даследаванняў малюнкаў магнітнага рэзанансу. Наркаман Biol. (2015) 20: 799-808. 10.1111 / adb.12154 [PubMed] [крыжаваны реф]
31. Чжан JT, Яо YW, Лі КСА, Занг Ю.Ф., Shen ZJ, Лю L, і інш. , Змененае спачываюць стан функцыянальная звязнасць астраўка ў маладых дарослых з інтэрнэтам гульнявога засмучэнні. Наркаман Biol. (2015) 21: 743-51. 10.1111 / adb.12247 [PMC бясплатна артыкула] [PubMed] [крыжаваны реф]
32. Цай З, Юань Да, Інь-J, Фэн D, Bi Y, Li Y, і інш. , Стриатум морфометрия звязаная з кагнітыўны парушэннямі кантролю і цяжарам сімптомаў у інтэрнэце гульнявога засмучэнні. Мозг малюнкаў Behav. (2016) 10: 12-20. 10.1007 / s11682-015-9358-8 [PubMed] [крыжаваны реф]
33. Парк C, Chun JW, Cho H, Jung YC, Choi J, Кім DJ. Ці з'яўляецца Інтэрнэт-гульні захапляецца мозг блізка, каб быць у стане паталагічнага? Наркаман Biol. (2017) 22: 196-205. 10.1111 / adb.12282 [PubMed] [крыжаваны реф]
34. Kuss DJ, Грыфітс MD. Інтэрнэт-гульні наркаманія: сістэматычны агляд эмпірычных даследаванняў. Int J Мент Health Addict. (2012) 10: 278-96. 10.1007 / s11469-011-9318-5 [крыжаваны реф]
35. Castellanos FX, Di Martino A, Craddock RC Мехта AD, Milham MP. Клінічнае прымяненне функцыянальнага канэкт. Neuroimage (2013) 80: 527-40. 10.1016 / j.neuroimage.2013.04.083 [PMC бясплатна артыкула] [PubMed] [крыжаваны реф]
36. Tollenaar N, Van Der Хэйдэн P. Які метад прадказвае рэцыдывы лепш?: Параўнанне статыстычных, машыннага навучання і інтэлектуальнага аналізу дадзеных прагнозных мадэляў. J Рой Стат Soc Ser А (2013) 176: 565-84. 10.1111 / j.1467-985X.2012.01056.x [крыжаваны реф]