Usuarisi di scrivutu privati ​​è patologici di l'Internet chì ùn anu patologicu Usendu Functionalistic Neuro-anatomica Sparale (2018)

Parcu Chang-hyun,¹ Ji-Won Chun,¹ Hyun Cho,^1,2 e Dai-Jin Kim^1,*

U disordine di i ghjoculi in Internet (IGD) hè spessu diagnosticatu nantu à a basa di nove criterii sottostanti da l'ultima versione di u Manual Diagnosticu è Statistiche di Disordini Mentali (DSM-5). Quì, avemu esaminatu se una tale categurizazione basata nantu à i sintomi puderia esse tradutta in una classificazione basata in computazione. I dati di MRI strutturale (sMRI) è di diffusione ponderata di MRI (dMRI) sò stati acquistati in 38 gamers diagnosticati cù IGD, 68 gamers normali diagnosticati chì ùn anu micca IGD, è 37 non-gamers sani. Avemu generatu 108 caratteristiche di materia grisa (GM) è struttura di materia bianca (WM) da i dati MRI. Quandu a regressione logistica regularizzata hè stata applicata à e 108 caratteristiche neuroanatomiche per selezziunà quelli impurtanti per a distinzione trà i gruppi, i gamers disordinati è normali sò stati rapprisentati in termini di 43 è 21 caratteristiche, rispettivamente, in relazione à i non-gamers sani, mentre chì i gamers disordinati eranu rapprisintati in termini di 11 caratteristiche in relazione à i gamers normali. In e macchine di supportu vettoriali (SVM) chì utilizanu e caratteristiche neuroanatomiche sparse cum'è predittori, i gamers disordinati è normali sò stati discriminati cù successu, cù una precisione chì supera u 98%, da i non-gamers sani, ma a classificazione trà i gamers disordinati è normali era relativamente sfida. Questi risultati suggerenu chì i gamers patologichi è micca patologichi cum'è categurizzati cù i criteri da u DSM-5 puderanu esse rapprisintati da caratteristiche neuroanatomiche sparse, soprattuttu in u cuntestu di discriminazione di quelli da individui sani chì ùn sò micca ghjoculi.

participanti

Trà i participanti 237 chì ghjucanu à i ghjoculi basati in Internet, 106 individui sò stati scelti escludendu quelli chì anu mostratu una discrepanza trà l'IGDS auto-riportatu è una entrevista strutturata cù un psicologu clinicu in u diagnosticu di IGD o avianu mancatu o severamente distortu dati di l'imaghjini cerebrali. In basa di l'IGDS, 38 individui (27.66 ± 5.61 anni; 13 femine) chì anu soddisfatu almenu cinque articuli IGDS sò stati etichettati cum'è gamers disordinati è 68 individui (27.96 ± 6.41 anni; 21 femine) chì anu soddisfatu almenu un articulu IGDS sò stati etichettati. i ghjucatori normali. L'individui chì anu soddisfatu l'articuli IGDS trà dui è quattru sò stati ancu esclusi, perchè ponu esse discerniti cum'è una altra classa trà i gamers disordinati è normali (12). Inoltre, 37 individui (25.86 ± 4.10 anni; 13 femine) chì ùn ghjucanu micca ghjochi basati in Internet sò stati recrutati separatamente, è sò stati etichettati sani non-gamers. L'assenza di comorbidità in tutti i participanti hè stata cunfirmata. L'accunsentu infurmatu scrittu hè statu ottenutu da tutti i participanti in cunfurmità cù a Dichjarazione di Helsinki è e so mudificazioni successive, è u studiu hè statu appruvatu da u Cunsigliu di Revisione Istituziunale in l'Hospital di Santa Maria di Seoul, Seoul, Corea.

Acquisizione di dati MRI

Structural MRI (sMRI) è diffusion-weighted MRI (dMRI) data sò stati cullati cù un sistema 3 T MAGNETOM Verio (Siemens AG, Erlangen, Germany). L'acquisizione di dati sMRI hè stata realizata utilizendu una sequenza d'eco di gradiente rapidu preparata per magnetizazione: numeru di fette in u pianu sagittale = 176, spessore di fette = 1 mm, dimensione di matrice = 256 × 256, è risoluzione in-plane = 1 × 1 mm. . Per l'acquistu di dati dMRI, a codificazione di gradiente di diffusione hè stata realizata in direzzione 30 cù b = 1,000 s/mm² è hè stata aduprata una sequenza d'imaghjini eco-planari unicu: numeru di fette in u pianu assiale = 75, spessore di fette = 2 mm, dimensione di matrice = 114 × 114, è risoluzione in-plane = 2 × 2 mm.

Trattamentu di dati MRI

Strumenti inclusi in CAT12 (http://www.neuro.uni-jena.de/cat/) sò stati usati per processà i dati sMRI. L'imaghjini di u voluminu di u cervellu hè stata segmentata in diversi tessuti, cumpresi GM, WM è u fluidu corticospinale, è ancu registratu spazialmente à un cervellu di riferimentu in u spaziu standard. In a morfometria basata in voxel (VBM), u voluminu GM in voxel-wise hè statu stimatu multiplicendu a probabilità di esse GM da u voluminu di un voxel, è dopu quelli valori sò stati divisi da u voluminu intracranial tutale per aghjustà per e differenzi individuali in u voluminu di a testa. In a morfometria basata nantu à a superficia (SBM), u gruixu corticale hè statu stimatu utilizendu u metudu di spessore basatu in proiezione (13).

Trattamentu di dati dMRI

Strumenti inclusi in FSL 5.0 (http://fsl.fmrib.ox.ac.uk/fsl/) sò stati impiegati per processà i dati dMRI. Tutte l'imaghjini sò stati rialignati à l'imagine nulla acquistata cù b = 0 s/mm² per correggerà e distorsioni indotte da eddy currenti è u muvimentu di a testa. Un tensor di diffusione hè statu modellatu à ogni voxel in u cervellu, è i paràmetri derivati ​​da u tensore di diffusione, cumprese l'anisotropia fraccionaria (FA), a diffusività media (MD), a diffusività assiale (AD) è a diffusività radiale (RD), sò stati calculati; datu trè diffusività longu i diversi assi di un tensor di diffusione, FA hè stata calculata cum'è a radica quadrata di a somma di i quadrati di diffusività diffirenzii trà i trè assi, MD cum'è a diffusività media à traversu i trè assi, AD cum'è a più grande diffusività longu l'assi principale. , è RD cum'è a media di diffusività longu dui assi minori. Utilizà statistiche spaziali basate nantu à u trattu (TBSS) (14) implementatu in FSL 5.0, i carte di i paràmetri derivati ​​da u tensor di diffusione sò stati registrati spazialmente à un cervellu di riferimentu in u spaziu standard, è sò stati prughjetti nantu à un scheletru di trattu WM.

Generazione di funziunalità

Dui passi maiò per u disignu di un mudellu di classificazione sò a generazione è a selezzione di funzioni. Avemu generatu caratteristiche da neuroanatomia, in particulare u voluminu è u grossu di un settore di regioni GM è l'integrità è a diffusività di un settore di tratti WM. Dopu avè stimatu u voluminu GM è u spessore corticale cum'è carte voxel-sàvi acquistate da VBM è SBM, rispettivamente, i parametri sò stati valutati per ognuna di e regioni GM 60 (Table S1), parcellated cum'è in l'atlas di Hammers (15), cum'è a media in tutti i voxels in questu. Dopu avè stimatu i paràmetri derivati ​​da u tensore di diffusione, cumpresi FA, MD, AD è RD cum'è carte voxel-wise nantu à u scheletru di trattu WM acquistatu da TBSS, i paràmetri sò stati calculati per ognunu di 48 tratti WM (Table S2), parcellated cum'è in l'ICBM DTI-81 atlas (16), cum'è a media in tutti i voxels in questu. In summa, avemu cunsideratu dui paràmetri di GM è quattru paràmetri di WM, chì cedevanu ottu cumminazzioni di parametri GM è WM. Per ogni cumminazione di parametri GM è WM, i valori di parametri di 60 regioni GM è 48 tratti WM cumponenu un totale di 108 caratteristiche neuroanatomiche.

Selezzione di funziunalità per regressione regularizzata

A riduzzione di u nùmeru di funziunalità hè impurtante, soprattuttu per i dati cù un gran numaru di funziunalità è un numaru limitatu di osservazioni. U numeru limitatu di osservazioni in relazione à u numeru di funziunalità pò purtà à un overfitting à u rumore, è a regularizazione hè una tecnica chì permette di riduce o prevene l'overfitting intruducendu infurmazioni supplementari o limitazioni nantu à un mudellu. Perchè tutte e 108 funzioni ùn ponu micca include infurmazioni utili è necessarii per a classificazione, avemu sceltu un inseme sparse di funziunalità applicà una regressione regularizzata. In particulare, u lasso (17) è rete elastica (18) sò stati usati per a regressione logistica regularizzata. Le lasso inclut un terme de pénalité, ou un paramètre de régularisation, λ, qui limite la taille des estimations du coefficient dans un modèle de régression logistique. Parce qu'un accroissement de λ conduit à plus de coefficients de valeur nulle, le lasso fournit un modèle de régression logistique réduit avec moins de prédicteurs. A reta elastica pruduce ancu un mudellu di regressione logistica ridutta mettendu i coefficienti à zero, soprattuttu includendu un paràmetru di regularizazione hibrida di u lasso è a regressione di a cresta, superendu a limitazione di u lasso in u trattamentu di predittori altamente correlati.19).

Per a classificazione trà ogni paru di i trè gruppi, avemu appiicatu u lassu è a reta elastica per identificà predittori impurtanti trà e 108 caratteristiche neuroanatomiche in un mudellu di regressione logistica. E 108 caratteristiche di tutti l'individui in ogni paru di i trè gruppi sò stati standardizati per cumpone una matrice di dati, A, in quale ogni fila rapprisentava una observazione è ogni colonna rapprisentava un predictore. Per correggerà l'effetti di l'età è u sessu di l'individui nantu à i paràmetri GM è WM, una matrice di forma residuale, R, hè stata generata: R = I-C(C^TC)^-1C induva I era una matrice identitaria è C era una matrice di codificazione chì cunfonde covariate di età è sessu. Dopu hè stata appiicata à A per ottene residuali dopu a regressione di e covariate di cunfusione: X = RA.

Data a matrice di dati aghjustata, X, è a risposta, Y, chì codificava duie classi di individui, a validazione incruciata di 10 volte (CV) hè stata utilizata per circà un paràmetru di regularizazione, λ_MinErr, chì furnia l'errore minimu in termini di deviance, definitu cum'è log-probabilità negativu per u mudellu testatu mediu nantu à i folds di validazione. Alternativement, comme une courbe CV a des erreurs à chaque λ testé, un paramètre de régularisation, λ_1SE, qui a été trouvé dans une erreur standard de l'erreur CV minimale dans le sens de la régularisation croissante à partir de λ_MinErr hè statu ancu cunsideratu. Autrement dit, des caractéristiques plus éparses ont été sélectionnées à λ_1SE, alors que les caractéristiques éparses ont été déterminées à λ_MinErr. Questa prucedura per a ricerca di un mudellu di regressione logistica regularizzata cù menu predittori hè stata ripetuta per ogni cumminazione di parametri GM è WM chì comprende e 108 caratteristiche neuroanatomiche.

Prestazione di e funzioni selezziunate

Per valutà l'utilità di e caratteristiche sparse è sparser, u rendiment hè statu paragunatu trà u mudellu cù un numeru ridutta di funziunalità è u mudellu cù tutte e 108 caratteristiche in support vector machines (SVMs) misurà a curva di a caratteristica operativa di u receptore (ROC). Cù un kernel lineale cum'è a funzione di kernel è iperparametri ottimizzati da cinque volte CV, un SVM hè statu furmatu per tutti l'individui in ogni paru di i trè gruppi. L'area sottu a curva ROC (AUC) hè stata calculata per ogni mudellu cum'è una misura quantitativa di u so rendiment. Testi di DeLong (20) sò stati impiegati per paragunà l'AUC trà ogni paru di mudelli. Quandu l'AUC differisce à a p-valore di 0.05, u rendiment hè statu cunsideratu micca cumparabile in dui mudelli.

Precisione di classificazione

I prucedure schematiche da a generazione è a selezzione di funziunalità à a custruzzione di mudelli di classificazione sò presentati in a Figura Figure1.1. Per ogni paru di i trè gruppi, i mudelli di classificazione SVM sò stati generati utilizendu e caratteristiche scelte cum'è predittori. Avemu valutatu l'accuratezza di i mudelli di classificazione utilizendu un schema di CV lasciatu, cusì chì a precisione di classificazione fora di u campione hè stata calculata per ogni individuu mancatu è dopu hè stata mediata in tutti l'individui. A significazione statistica di a precisione hè stata stimata cù l'impiegu di testi di permutazione. Una distribuzione empirica nulla per a classificazione trà ogni paru di i trè gruppi hè stata generata permutendu ripetutamente l'etichette di l'individui è a misurazione di a precisione assuciata à l'etichette permutate. Quandu l'accuratezza misurata per e etichette micca permesse era più altu o uguale à a distribuzione nulla à un p-value di 0.05, chì hè statu determinatu per esse significativamente sfarente da u livellu di chance (accurata = 50%). Inoltre, una matrice di cunfusione hè stata visualizata per discrive a sensibilità è a specificità in quantu à a distinzione trà ogni paru di i trè gruppi.

Selezione di funzioni

figura Figure22 mostra caratteristiche selezziunate trà e 108 caratteristiche cù e so stime di coefficient, è Table Table11 descrive l'infurmazione di adattazione di u mudellu di regressione logistica regularizzata per a classificazione trà ogni paru di i trè gruppi. Inoltre, a figura S1 montre quel λ a produit l'erreur CV minimale et combien de caractéristiques ont été sélectionnées à λ_1SE ainsi qu'à λ_MinErr. L'errore CV minimu hè statu ottenutu in a selezzione di funziunalità da u lasso (pesu lasso = 1) per a classificazione trà i gamers sani è i gamers normali è da a reta elastica (pesu lasso = 0.5) per l'altra classificazione.

In a discriminazione di i gamers disordinati da i non-gamers sani, 43 caratteristiche selezionate à λ_MinErr comprend l'épaisseur de 24 régions GM et l'AF de 19 tracts WM, et 34 caractéristiques sélectionnées à λ_1SE cumpresu u spessore di 15 regioni GM è u FA di 19 tratti WM. In a distinzione di i gamers normali da i non-gamers sani, 21 funziunalità selezziunate à λ_MinErr comprend l'épaisseur de 12 régions GM et le RD de 9 tracts WM, et 12 caractéristiques sélectionnées à λ_1SE cumpresu u spessore di 6 regioni GM è u RD di 6 tratti WM. In a classificazione trà i gamers disordinati è normali, 11 caratteristiche selezziunate à λ_MinErr comprenait le volume de 7 régions GM et le MD de 4 tracts WM, et une caractéristique sélectionnée à λ_1SE currisponde à u voluminu di una regione GM.

Prestazione di e funzioni selezziunate

Trà u mudellu cù un numeru ridottu di funziunalità è u mudellu cù tutte e funzioni 108, u rendimentu era paragunabile in quantu à l'AUC in a discriminazione trà ogni tipu di gamers è i non-gamers sani da SVMs (Figura). (Figure3) .3). In a classificazione trà i gamers disordinati è normali, u mudellu cù e caratteristiche selezziunate sia in λ_MinErr (AUC = 0.83, p = 0.006) ou à λ_1SE (AUC = 0.72, p < 0.001) hà mostratu un rendimentu più poviru di u mudellu cù tutte e 108 caratteristiche (AUC = 0.90).

Precisione di classificazione

In classificazione per SVMs utilizendu e caratteristiche scelte in λ_MinErr, a precisione era più grande di 98%, significativamente più altu ch'è u livellu di chance (p < 0.001), in a distinzione di ogni tipu di gamers da i sani non-gamers (Figura (Figure4A) .4A). A precisione era ancu significativamente più altu ch'è u livellu di chance (p = 0.002) ma finu à u 69.8% in a classificazione trà i gamers disordinati è nurmali, specificamente chì mostra una sensibilità bassa (47.4%) in l'identificazione curretta di i gamers disordinati. Les caractéristiques plus claires déterminées à λ_1SE hà mostratu prestazioni simili (Figura (Figura 4B) 4B) ma dimustrava una sensibilità assai più bassa (2.6%) in a distinzione curretta di i gamers disordinati da i gamers normali.

Declarazione di cunflittu d'interessu

I autori dicianu chì a ricerca hè stata capunanzata in l'assenza di qualsiasi relazioni cummerciale o finanziarii chì puderia esse interpretatu com'è un cunflittu di interessu interessanti.

Finanziamento. Sta ricerca hè stata sustinuta da u Brain Science Research Program through the National Research Foundation of Korea (NRF) finanziatu da u Ministeru di a Scienza è l'ICT in Corea (NRF-2014M3C7A1062893).