Diskriminovaní patologickí a nepatologičtí internetoví hráči využívající sparse neuroanatomické funkce (2018)

. 2018; 9: 291.

Publikováno online 2018 Jun 29. dva:  10.3389 / fpsyt.2018.00291

PMCID: PMC6033968

PMID: 30008681

Abstraktní

Porucha internetového hraní (IGD) je často diagnostikována na základě devíti základních kritérií z nejnovější verze Diagnostického a statistického manuálu duševních poruch (DSM-5). Zde jsme zkoumali, zda by taková kategorizace založená na symptomech mohla být převedena do klasifikace založené na výpočtu. Strukturální MRI (sMRI) a difúzně vážená MRI (dMRI) byla získána u hráčů 38 diagnostikovaných IGD, 68 normální hráči diagnostikovaní jako nemající IGD a 37 zdravých neherců. Z dat MRI jsme vygenerovali 108 vlastnosti struktury šedé hmoty (GM) a bílé hmoty (WM). Když byla na neuroanatomické rysy 108 aplikována regularizovaná logická regrese, aby se vybraly důležité pro rozlišení mezi skupinami, byli disordered a normální hráči zastoupeni ve smyslu 43 a 21 ve vztahu ke zdravým non-hráčům, zatímco disordered hráči byli reprezentováni v podmínkách 11 rysů ve srovnání s normálními hráči. V podpůrných vektorových strojích (SVM) používajících řídké neuroanatomické rysy jako prediktory byli neuspořádaní a normální hráči úspěšně rozlišeni od přesnosti 98% od zdravých neherců, ale klasifikace mezi narušenými a normálními hráči byla relativně náročná. Tato zjištění naznačují, že patologičtí a nepatologičtí hráči, jak jsou kategorizováni podle kritérií DSM-5, mohou být představováni řídkými neuroanatomickými rysy, zejména v souvislosti s diskriminací hráčů od zdravých jedinců bez hraní.

Klíčová slova: porucha internetového hraní, diagnostická klasifikace, strukturální MRI, difúzně vážená MRI, regularizovaná regrese

Úvod

Ačkoli byl navrhován jako patologická závislost po celá desetiletí (), teprve nedávno byla porucha internetového hraní (IGD) uvedena v Diagnostické a statistické příručce duševních poruch (DSM). Páté vydání DSM (DSM-5) () identifikoval IGD jako podmínku pro další studium a poskytl devět kritérií pro jeho diagnostiku. V kategorizaci založené na symptomech pomocí devítimístné stupnice IGD (IGDS) navržené v DSM − 5 byl pro diagnostiku IGD použit práh prožívání pěti nebo více kritérií. Ačkoli tato hraniční hodnota může adekvátně odlišit hráče trpící významnou klinickou poruchou (), dichotomická povaha položek IGDS nevyhnutelně zahrnuje diagnostické nadměrné zjednodušení nebo nejasnost.

Kromě symptomů jsou běžně pozorovány různé dysfunkce související s IGD, v neposlední řadě neuroanatomické změny. Značná část práce skutečně ukázala, že IGD je spojena se strukturálními změnami v mozku: zmenšení objemu šedé hmoty (GM) (-), redukce kortikální tloušťky () a ztráta integrity bílé hmoty (WM) (, ) byly obvykle prokázány. Tyto neuroanatomické změny související s IGD naznačují, že takové parametry zobrazování mozku mohou sloužit jako biomarkery k rozlišení jednotlivců s IGD od ostatních jedinců. To znamená, že diagnóza IGD může být stanovena pomocí počítačové manipulace s neuroanatomickými biomarkery, spíše než prostřednictvím klasifikace založené na symptomech založené na DSM-5. Tyto pokusy mohou být v souladu se snahami překročit popisnou diagnózu pomocí počítačových přístupů k psychiatrii (), konkrétně přístupy založené na údajích založené na strojovém učení (ML) k řešení diagnózy duševních chorob ().

V této studii jsme hledali souvislost mezi kategorizací založenou na symptomech na základě IGDS a klasifikací založenou na výpočtu pomocí neuroanatomických biomarkerů v diagnostice IGD. Protože by některé složky GM a WM v mozku pravděpodobně obsahovaly redundantní nebo irelevantní informace pro diagnostickou klasifikaci, snažili jsme se vybrat řídké neuroanatomické rysy pomocí regularizované regrese. Předpokládali jsme, že kategorizace založená na symptomech by mohla být reprezentována z hlediska řídkých neuroanatomických rysů, které by vytvářely klasifikační modely pro diagnostiku IGD. Patologičtí hráči s diagnózou IGD byli považováni za více odlišné od zdravých jedinců, kteří nehrají hry, než od hráčů s diagnózou, že nemají IGD, tj. Nepatologičtí hráči; patologičtí hráči by tak mohli být charakterizováni větším počtem funkcí ve srovnání s nepatologickými hráči ve vztahu ke zdravým jedincům bez hraní. Kromě toho jsme chtěli rozhodnout, zda mohou být nepatologičtí hráči méně rozlišitelní od patologických hráčů nebo od zdravých jedinců, kteří nehrají hry. Nepatologičtí hráči by mohli být neurčitě považováni za blízké nehrajícím zdravým jedincům, pokud jde o popisné symptomy, ale mysleli jsme si, že takový pojem musí být ověřen pomocí klasifikace založené na výpočtu.

Materiály a metody

Účastníci

Mezi účastníky 237u, kteří hrají internetové hry, byli jednotlivci 106 vybráni vyloučením těch, kteří projevili nesoulad mezi samostatně hlášenými IGDS a strukturovaným rozhovorem s klinickým psychologem v diagnostice IGD nebo měli zmeškané nebo vážně zkreslené údaje o mozku. Na základě IGDS byli označeni jednotlivci 38 (27.66 ± 5.61 roky; ženy 13), kteří splnili alespoň pět položek IGDS, označeni za narušené hráče a jednotlivci 68 (27.96 ± 6.41 roky; ženy 21), kteří byli spokojeni maximálně s jednou položkou IGDS normální hráči. Jednotlivci, kteří uspokojili položky IGDS mezi dvěma a čtyřmi, byli rovněž vyloučeni, protože je lze rozeznat jako další třídu mezi narušenými a běžnými hráči (). Kromě toho bylo samostatně najato 37 jedinců (25.86 ± 4.10 let; 13 žen), kteří nehrají internetové hry, a byli označeni jako zdravé nehráči. Absence komorbidit u všech účastníků byla potvrzena. Písemný informovaný souhlas byl získán od všech účastníků v souladu s Helsinskou deklarací a jejími pozdějšími změnami a studie byla schválena Radou pro institucionální kontrolu v nemocnici Soul sv. Marie v Soulu v Koreji.

Získávání dat MRI

Údaje o strukturální MRI (sMRI) a difúzně vážené MRI (dMRI) byly získány za použití systému 3 T MAGNETOM Verio (Siemens AG, Erlangen, Německo). Sběr dat sMRI byl prováděn pomocí magneticky připravené sekvence rychlého gradientu echo: počet řezů v sagitální rovině = 176, tloušťka řezů = 1 mm, velikost matrice = 256 × 256 a rozlišení v rovině = 1 × 1 mm . Pro získání dat dMRI bylo provedeno kódování difúzního gradientu ve směrech 30 s b = 1,000 s / mm2 a byla použita jednorázová echo-planární zobrazovací sekvence: počet řezů v axiální rovině = 75, tloušťka řezu = 2 mm, velikost matice = 114 × 114 a rozlišení v rovině = 2 × 2 mm.

Zpracování MRI dat

Nástroje zahrnuté v CAT12 (http://www.neuro.uni-jena.de/cat/) byly použity ke zpracování dat sMRI. Obrázek objemu mozku byl rozdělen do různých tkání, včetně GM, WM a kortikospinální tekutiny, jakož i prostorově zaregistrován do referenčního mozku ve standardním prostoru. V morfometrii založené na voxelu (VBM) byl objem GM voxel-moudrý odhadnut vynásobením pravděpodobnosti, že bude GM objemem voxelu, a pak byly tyto hodnoty vyděleny celkovým intrakraniálním objemem, aby bylo možné upravit individuální rozdíly v objemu hlavy. V povrchové morfometrii (SBM) byla kortikální tloušťka odhadnuta pomocí metody tloušťky projekce ().

Zpracování dMRI dat

Nástroje obsažené v FSL 5.0 (http://fsl.fmrib.ox.ac.uk/fsl/) byly použity ke zpracování dMRI dat. Všechny obrázky byly zarovnány k nulovému obrazu získanému pomocí b = 0 s / mm2 opravit zkreslení vyvolané vířivými proudy a pohyb hlavy. Difuzní tenzor byl modelován v každém voxelu v mozku a byly vypočteny parametry odvozené z difuzního tenzoru, včetně frakční anizotropie (FA), střední difuzivity (MD), axiální difuzivity (AD) a radiální difuzivity (RD)); při třech difuzivitách podél různých os difuzního tenzoru byl FA vypočten jako druhá odmocnina součtu čtverců rozdílů difuzivity mezi třemi osami, MD jako průměrná difuzivita přes tři osy, AD jako největší difuzivita podél hlavní osy a RD jako průměr difuzivit podél dvou menších os. Používání prostorové statistiky založené na traktech (TBSS) (), implementované v FSL 5.0, byly mapy parametrů odvozených z difuzního tenzoru prostorově zaregistrovány do referenčního mozku ve standardním prostoru a poté byly promítnuty do kostry WM traktu.

Generování funkcí

Dva hlavní kroky pro navrhování klasifikačního modelu jsou generování a výběr prvků. Generovali jsme rysy z neuroanatomie, konkrétně objem a tloušťku sady GM oblastí a integritu a difuzivitu sady WM traktů. Po odhadu objemu GM a kortikální tloušťky jako voxel-moudrých map získaných z VBM a SBM, byly parametry vyhodnoceny pro každou z GM oblastí 60 (tabulka) S1), parcellovaný jako v Hammerově atlasu (), jako průměr všech voxelů v něm. Poté, co byly odhadnuty parametry odvozené z tenzoru difúze, včetně FA, MD, AD a RD, jako mapy voxel-moudré na kostře WM traktu získané z TBSS, byly parametry vypočteny pro každý z 48 WM traktů (tabulka) S2), parcellovaný jako v atlasu ICBM DTI-81 (), jako průměr všech voxelů v něm. V souhrnu jsme uvažovali dva parametry GM a čtyři parametry WM, což dalo osm kombinací parametrů GM a WM. Pro každou kombinaci parametrů GM a WM tvořily hodnoty parametrů oblastí 60 GM a traktů 48 WM celkem neuroanatomických funkcí 108.

Výběr funkcí pravidelnou regresí

Snížení počtu funkcí je důležité, zejména u dat s velkým počtem funkcí a omezeným počtem pozorování. Omezený počet pozorování ve vztahu k počtu funkcí může vést k nadměrnému přizpůsobení hluku a regularizace je technika, která umožňuje snížit nebo zabránit nadměrnému přizpůsobení zavedením dalších informací nebo omezení na modelu. Protože všechny funkce 108 nemusí zahrnovat užitečné a nezbytné informace pro klasifikaci, vybrali jsme řídkou sadu funkcí použitím regularizované regrese. Konkrétně laso () a elastická síť () byly použity pro regularizovanou logistickou regresi. Laso obsahuje trestný termín nebo parametr regularizace, X, který omezuje velikost odhadů koeficientů v logistickém regresním modelu. Protože zvýšení λ vede k více koeficientům s nulovou hodnotou, laso poskytuje zmenšený logistický regresní model s menším počtem prediktorů. Elastická síť také vytváří zmenšený logistický regresní model nastavením koeficientů na nulu, zejména zahrnutím hybridního regularizačního parametru laso a regrese hřebene, překonáním omezení lasa v léčbě vysoce korelovaných prediktorů ().

Pro klasifikaci mezi každou dvojicí ze tří skupin jsme použili laso a elastickou síť k identifikaci důležitých prediktorů mezi neuroanatomickými rysy 108 v logistickém regresním modelu. 108 rysy všech jednotlivců v každé dvojici ze tří skupin byly standardizovány tak, aby vytvořily datovou matici, A, ve kterém každý řádek představoval jedno pozorování a každý sloupec představoval jeden prediktor. Chcete-li korigovat vlivy věku a pohlaví jednotlivců na parametry GM a WM, zbytková formovací matice, R, bylo vygenerováno: R = I-C(CTC)-1C kde I byla matice identity a C byla matice kódující matoucí kovariáty věku a pohlaví. Poté byl použit A získat zbytky po regresi z matoucího kovariátu: X = RA.

Vzhledem k upravené matici dat Xa odpověď, Y, který kódoval dvě třídy jednotlivců, byla použita 10-násobná křížová validace (CV) k vyhledání parametru regularizace, λMinErr, které poskytly minimální chybu z hlediska odchylky, definovanou jako negativní logaritmická pravděpodobnost pro testovaný model, zprůměrovanou přes validační záhyby. Alternativně, protože křivka CV má chyby v každém testovaném λ, parametr regularizace, λ1SE, která byla zjištěna v rámci jedné standardní chyby minimální chyby CV ve směru rostoucí regularizace od λMinErr bylo také uvažováno. To znamená, že v λ byly vybrány sparserní funkce1SE, zatímco řídké vlastnosti byly stanoveny na λMinErr. Tento postup pro hledání regularizovaného logistického regresního modelu s menším počtem prediktorů byl opakován pro každou kombinaci parametrů GM a WM obsahujících neuroanatomické rysy 108.

Výkon vybraných funkcí

Pro posouzení užitečnosti řídkých a řídkých funkcí byl výkon porovnán mezi modelem se sníženým počtem prvků a modelem se všemi vlastnostmi 108 v podpůrných vektorových strojích (SVM) měřením křivky provozní charakteristiky přijímače (ROC). S lineárním jádrem jako funkcí jádra a hyperparametry optimalizovanými pětinásobným CV byl SVM vyškolen pro všechny jednotlivce v každé dvojici ze tří skupin. Plocha pod ROC křivkou (AUC) byla vypočtena pro každý model jako kvantitativní míra jeho výkonu. DeLong testy () byly použity k porovnání AUC mezi každou dvojicí modelů. Když se AUC lišila a p- hodnota 0.05, výkon byl považován za srovnatelný u dvou modelů.

Přesnost klasifikace

Schematické postupy od generování a výběru prvků po konstrukci klasifikačních modelů jsou uvedeny na obrázku Obrázek1.1. Pro každou dvojici ze tří skupin byly vytvořeny klasifikační modely SVM s použitím vybraných funkcí jako prediktorů. Přesnost klasifikačních modelů jsme posoudili pomocí schématu CV typu „one-out-out-out“, takže přesnost klasifikace mimo vzorek byla vypočtena pro každého vynechaného jednotlivce a poté byla průměrována u všech jednotlivců. Statistická významnost přesnosti byla odhadnuta pomocí permutačních testů. Empirické nulové rozdělení pro klasifikaci mezi každou dvojicí ze tří skupin bylo generováno opakovanou permutací štítků jednotlivců a měřením přesnosti spojené s permutovanými štítky. Když přesnost měřená pro nepovolené štítky byla vyšší nebo rovná nulové distribuci v a p- hodnota 0.05, která byla stanovena jako významně odlišná od úrovně pravděpodobnosti (přesnost = 50%). Kromě toho byla vizualizována matice zmatení, aby se popsala citlivost a specificita, pokud jde o rozlišení mezi každou dvojicí těchto tří skupin.

 

Externí soubor, který obsahuje obrázek, obrázek atd. Název objektu je fpsyt-09-00291-g0001.jpg

Schematické postupy od vzniku a výběru neuroanatomických prvků po konstrukci modelů pro klasifikaci mezi narušenými hráči (DG) a zdravými nehry (HN), mezi normální hráče (NG) a HN a mezi DG a NG. GM, šedá hmota; WM, bílá hmota.

výsledky

Výběr funkcí

Obrázek Obrázek22 zobrazí vybrané funkce mezi funkcemi 108 s jejich odhady koeficientů a tabulkou Table11 popisuje související montážní informace regularizovaného logistického regresního modelu pro klasifikaci mezi každou dvojici ze tří skupin. Kromě toho, obr S1 ukazuje, které λ přinesly minimální chybu CV a kolik funkcí bylo vybráno v λ1SE stejně jako na λMinErr. Minimální chyba CV byla získána při výběru prvků lasem (hmotnost laso = 1) pro klasifikaci mezi zdravými hráči bez hraní a normální hráči a elastickou sítí (laso = 0.5) pro ostatní klasifikace.

 

Externí soubor, který obsahuje obrázek, obrázek atd. Název objektu je fpsyt-09-00291-g0002.jpg

Vybrané neuroanatomické rysy v regularizované logistické regrese pro klasifikaci mezi každou dvojicí tří skupin. Poruchoví hráči (DG) byli kódováni jako 1 v klasifikaci mezi zdravými nehráči (HN) a DG, normální hráči (NG) jako 1 v klasifikaci mezi HN a NG a DG jako 1 v klasifikaci mezi NG a DG. Velikost pruhu představuje velikost koeficientu příslušného prvku, takže jsou vybrány prvky nenulových koeficientů. Vykreslené mozky zobrazují komponenty šedé hmoty a bílé hmoty odpovídající vybraným prvkům z lepšího pohledu. Prvky v červené nebo modré barvě označují prvky obsažené v řídčích prvcích určených na λ1SE stejně jako v řídkých prvcích určených na λMinErr, zatímco ty žluté nebo purpurové označují ty, které jsou zahrnuty pouze v řídkých prvcích. Označení složek mozku je uvedeno v tabulkách S1 a S2. L, vlevo; R, správně.

Tabulka 1

Přizpůsobení informací o regularizované logistické regresi pro klasifikaci mezi každou dvojicí tří skupin.

 HN vs. DGHN vs. NGNG vs. DG
ParametrGMTloušťkaTloušťkaHlasitost
 WMFARDMD
Hmotnost laseru0.510.5
Řídké prvky vybrané v λMinErrChyba CV37.368141.7876133.3857
 Počet funkcí432111
Funkce Sparser vybrané v λ1SEChyba CV46.568150.0435141.2622
 Počet funkcí34121
 

Hmotnost laso udává, zda byla provedena regularizovaná logistická regrese pomocí laso (hmotnost laso = 1) nebo elastické sítě (laso = 0.5).

HN, zdraví neherci; DG, neuspořádaní hráči; NG, normální hráči; GM, šedá hmota; WM, bílá hmota; FA, frakční anizotropie; RD, radiální difuzivita; MD, střední difuzivita; Životopis, křížová validace.

Při rozlišování disordered hráčů od zdravých non-hráči, 43 rysy vybrané u?MinErr zahrnovaly tloušťku GM oblastí 24 a FA traktů 19 WM a vlastnosti 34 vybrané v λ1SE zahrnoval tloušťku GM oblastí 15 a FA traktů 19 WM. Na rozdíl od běžných hráčů od zdravých hráčů není funkce 21 vybrána v λMinErr zahrnovaly tloušťku GM oblastí 12 a RD traktů 9 WM a vlastnosti 12 vybrané v λ1SE zahrnoval tloušťku GM oblastí 6 a RD 6 WM traktů. V klasifikaci mezi neuspořádanými a normálními hráči jsou funkce 11 vybrané v λMinErr obsahoval objem GM oblastí 7 a MD traktů 4 WM a jeden prvek vybraný v λ1SE odpovídá objemu jedné oblasti GM.

Výkon vybraných funkcí

Mezi modelem se sníženým počtem funkcí a modelem se všemi funkcemi 108 byl výkon srovnatelný, pokud jde o AUC, v rozlišení mezi jednotlivými typy hráčů a zdravými ne-hráči pomocí SVM (obrázek) (Obrázek3) .3). V klasifikaci mezi neuspořádanými a normálními hráči, model s vlastnostmi vybranými buď v λMinErr (AUC = 0.83, p = 0.006) nebo na λ1SE (AUC = 0.72, p <0.001) vykazovaly horší výkon než model se všemi 108 funkcemi (AUC = 0.90).

 

Externí soubor, který obsahuje obrázek, obrázek atd. Název objektu je fpsyt-09-00291-g0003.jpg

Porovnání výkonu z hlediska oblasti pod křivkou provozní charakteristiky přijímače (AUC) mezi modely bez a s výběrem funkcí pro klasifikaci mezi každou dvojicí tří skupin pomocí vektorových podporovacích strojů. Model prvků 108 (označený plnou čarou) odpovídá modelu bez výběru prvků, zatímco modely se sníženým počtem prvků odpovídají modelům s řídkými a řídkými prvky vybranými v λMinErr (označeno přerušovanou čarou) a λ1SE (označeno čárkovanou čarou). HN, zdraví neherci; DG, neuspořádaní hráči; NG, normální hráči.

Přesnost klasifikace

V klasifikaci pomocí SVM pomocí funkcí vybraných v λMinErr, přesnost byla vyšší než 98%, výrazně vyšší než úroveň pravděpodobnosti (p <0.001), na rozdíl od každého typu hráčů od zdravých hráčů, kteří nejsou hráči (obrázek (Obrázek 4A) .4A). Přesnost byla stále výrazně vyšší než úroveň pravděpodobnosti (p = 0.002), ale tak nízká, jako je 69.8% v klasifikaci mezi narušenými a normálními hráči, konkrétně vykazující nízkou citlivost (47.4%) při správné identifikaci narušených hráčů. Promyšlené vlastnosti určené v λ1SE vykazovaly podobný výkon (obrázek č (Figure4B) 4B), ale vykazovaly mnohem nižší citlivost (2.6%) ve správném rozlišení narušených hráčů od běžných hráčů.

 

Externí soubor, který obsahuje obrázek, obrázek atd. Název objektu je fpsyt-09-00291-g0004.jpg

Matice zmatení při klasifikaci mezi každou dvojicí tří skupin (A) řídké a (B) šetrnější vlastnosti stanovené v λMinErr a na λ1SE, v podpůrných vektorových strojích. Dolní-pravá buňka představuje klasifikační přesnost (ACC), pravou zápornou rychlost levé buňky (TNR) nebo specifičnost, pravou pozitivní rychlost dolní buňky (TNR) nebo citlivost, negativní prediktivní hodnotu dolní pravé buňky (NPV) ) a pozitivní prediktivní hodnota střední pravé buňky (PPV). TP, skutečně pozitivní; TN, skutečně negativní; FP, falešně pozitivní; FN, falešně negativní.

Diskuse

V této studii jsme se snažili prozkoumat, zda by patologičtí a nepatologičtí hráči klasifikovaní podle IGDS navržených v DSM-5 mohli být reprezentováni řídkými neuroanatomickými rysy. Neuspořádaní a normální hráči byli zastoupeni z hlediska vlastností 43 a 21 ve vztahu ke zdravým hráčům. Kromě toho byli disordered hráči reprezentováni z hlediska funkcí 11 ve vztahu k běžným hráčům. Použitím řídkých neuroanatomických rysů by mohli být neuspořádaní a normální hráči úspěšně odlišeni od zdravých neherců, ale klasifikace mezi narušenými a normálními hráči byla poměrně náročná.

Popisná kategorizace IGD založená na symptomech s IGDS navržená v DSM-5 je široce přijímána. Přestože empirická platnost IGDS byla potvrzena ve více zemích (, , ), práh prožívání pěti nebo více položek IGDS nemusí být jednoznačnou volbou a mohou být navrženy další způsoby kategorizace jednotlivců hrajících internetové hry (). Protože se stále více zpřístupňuje více typů klinických údajů, jako jsou například zobrazovací údaje mozku a demografická, behaviorální a symptomatická data, je možné pro diagnostiku duševních chorob použít přednostně další údaje. Zejména díky velkému množství kvantitativních informací jsou data pro zobrazování mozku vhodná pro výpočetní přístupy a byla by užitečná pro predikci. Ve skutečnosti se ukázalo, že zobrazovací údaje mozku mají lepší prediktivní hodnoty ve srovnání s jinými klinickými údaji v predikci řešení klinicky relevantního problému ().

Protože diagnostická klasifikace založená na ML byla nedávno použita na další návykové chování a poruchy (-) se zdá, že klasifikace IGD založená na symptomech také čelí výzvě klasifikace založené na výpočtu. Protože v předchozích studiích byly opakovaně hlášeny anatomické abnormality mozku po IGD (-, ), zvažovali jsme takové neuroanatomické informace z mozkových zobrazovacích datových potenciálních biomarkerů pro diagnostiku IGD. V této studii bylo naším cílem identifikovat soubor důležitých neuroanatomických rysů, které by mohly poskytovat přiměřeně vysokou klasifikační výkonnost, kromě popisu neuroanatomických rozdílů mezi třídami jednotlivců.

Vybrali jsme důležité, mezi neuroanatomické rysy 108u, důkladnou pravidelnou regresi. Když jsme zvažovali osm kombinací parametrů GM a WM, byly pro rozlišení každé dvojice ze tří skupin vybrány různé kombinace parametrů. Kombinace tloušťky GM oblastí a integrity WM traktů byla lepší pro rozlišení patologických hráčů od zdravých ne-hráčů, zatímco kombinace objemu GM oblastí a difuzivity WM traktů byla lepší pro rozlišení patologických hráčů od nepatologických hráčů. Ačkoli mnoho mozkových komponent běžně sloužilo jako neuroanatomické rysy, které byly důležité pro rozlišení patologických a nepatologických hráčů od zdravých ne-hráčů, některé oblasti GM a WM trakty charakterizovaly nepatologické hráče, ale nikoli patologické hráče . Tato zjištění naznačují, že nemusí existovat univerzálně nejlépe fungující kombinace parametrů GM a WM jako neuroanatomických biomarkerů, takže je třeba vybrat konkrétní kombinaci parametrů GM a WM podle skupin, které mají být klasifikovány.

Menší počet řídkých rysů pro rozlišení nepatologických hráčů ve srovnání s rozlišením patologických hráčů od zdravých neherců ukazuje, že nepatologičtí hráči jsou v přechodném stadiu mezi patologickými hráči a zdravými non-hráči. Kromě toho méně řídkých znaků pro klasifikaci mezi dvěma typy hráčů než pro rozlišení mezi jednotlivými typy hráčů a zdravými neherci znamená, že patologičtí a nepatologičtí hráči se navzájem méně podobali neuroanatomie než tomu, že se liší od zdravých hráčů. Klasifikační modely vytvořené pomocí řídkých prvků tedy poskytly přesnost přesahující 98% v rozlišení mezi každým typem hráčů a zdravých neherců, ale přesnost pod 70% v klasifikaci mezi dvěma typy hráčů. To znamená, že nepatologičtí hráči byli odlišitelní od zdravých neherců a patologičtí hráči byli, ale existují rozdíly v rozlišení mezi patologickými a nepatologickými hráči.

Zdá se, že tato relativně nízká rozlišitelnost mezi těmito dvěma typy hráčů naznačuje několik pojmů. Za prvé může být navržen nesoulad mezi kategorizací založenou na symptomech a klasifikací založenou na výpočtu. Přestože navrhovaný diagnostický práh prožívání pěti nebo více kritérií v IGDS byl konzervativně zvolen, aby se zabránilo naddiagnostice IGD () nelze přehlížet přítomnost hráčů, kteří trpí významnými patologickými změnami v neuroanatomii, ale nesplňují práh IGD. Zejména jsme zahrnuli pouze hráče, kteří uspokojili položky IGDS mnohem nižší než práh IGD jako normální hráči, takže hráči s diagnózou, že nemají IGD, mohou být obecně dále od hraní zdravých jedinců, než je uvedeno v této studii. Za druhé, lze zaznamenat výzvu v klasifikaci, která se spoléhá pouze na neuroanatomické biomarkery. Výkonnost klasifikace by se mohla zlepšit zahrnutím dalších biomarkerů, které mohou zachytit větší odlišnost mezi patologickými a nepatologickými hráči. Zejména proto, že funkční změny v mozku jsou také demonstrovány na IGD (-), funkce a anatomie mozku lze považovat za biomarkery mozku. Dále chceme poznamenat, že změny v mozku představují pouze součást vícerozměrných aspektů závislosti na internetu, takže další faktory, v neposlední řadě různé interní a externí rizikové faktory pro závislost na internetu (), by měly být zahrnuty do úplnějších modelů pro klasifikaci mezi patologickými a nepatologickými hráči a také pro rozlišení hráčů od zdravých jedinců, kteří nehrají hry.

Zde jsme použili regularizovanou regresi pomocí odhadců podporujících řídkost, jako jsou laso a elastická síť, k identifikaci důležitých vlastností klasifikačních modelů. Ve skutečnosti existují metodologické rozdíly ve výběru prvků nebo zmenšení rozměrů a pro použití vybraných prvků v konstrukci modelu lze použít různé přístupy (). Náš přístup využívající pravidelnou regresi s sebou nese apriorní předpoklad týkající se rozptýlení neuroanatomických rysů. Za předpokladu, že takový předpoklad je přijatelný, jak jsme věřili v této studii, mohla by být regularizovaná regrese věrohodným přístupem a u vybrané sady řídkých prvků by se očekávalo, že vytvoří klasifikační modely s dostatečně vysokou výkonností. Je však pozoruhodné, že jednodušší klasifikační modely založené na větší rozptýlenosti nemusí vždy vykazovat srovnatelný nebo zlepšený výkon. Ve skutečnosti mezi různými volbami stupně sparity podle parametru regularizace nebyla větší sparzita pravděpodobně schopna poskytnout výkonnější model, zejména v náročnějších klasifikačních problémech, jako je klasifikace mezi patologickými a nepatologickými hráči.

Kromě toho jsme použili SVM jako techniku ​​ML pro konstrukci klasifikačních modelů, protože patří mezi nejoblíbenější. Pro zlepšení výkonnosti klasifikace lze použít i jiné pokročilé metody, i když srovnávací výkonnost mezi různými metodami nemusí být uzavřena z důvodu závislosti výkonu na experimentálních scénářích (). Na druhé straně, pro srovnávací výkon mezi klasickými statistickými metodami a technikami ML jsme provedli klasifikaci také pomocí logistické regrese a ukázali, že obě metody, konkrétně logistická regrese a SVM, byly srovnatelné ve výkonu klasifikace (obrázek). S2). Může být opakováno, že klasické statistické metody nejsou při klasifikačních výkonech vždy nižší než ML techniky.).

V současné studii jsme odhalili, že kategorizace IGD založená na symptomech by mohla být reprezentována z hlediska řídkých neuroanatomických biomarkerů, které tvořily klasifikační modely. Dále jsme prokázali, že nepatologičtí hráči mohou být méně odlišeni od patologických hráčů než od zdravých jedinců, kteří nehrají hry, pokud jde o neuroanatomii. Navrhujeme tedy, že ačkoli současné diagnostické systémy spoléhají na popisné kategorizace, jako je DSM-5, jako zlaté standardy, může být u nepatologických hráčů třeba diagnostikovat s větší péčí pomocí objektivních biomarkerů, jako jsou ty spojené s neuroanatomickými změnami. Zdá se, že přijetí počítačových přístupů je v psychiatrii nezvratným trendem, ale může být dlouhá cesta, jak je prakticky aplikovat na klinická prostředí. Hledání optimálního výběru řídkých funkcí ze zobrazování mozku a dalších klinických údajů musí být provedeno v následných studiích av dlouhodobém horizontu by toto úsilí podpořilo výpočetní diagnostiku IGD založenou na výpočtu.

Autorské příspěvky

D-JK a J-WC byly zodpovědné za koncepci a design studie. HC provedla klinickou charakterizaci a výběr účastníků. CP analyzoval data a vypracoval rukopis. Všichni autoři kriticky recenzovali obsah a schválili konečnou verzi k publikaci.

Prohlášení o střetu zájmů

Autoři prohlašují, že výzkum byl proveden bez obchodních či finančních vztahů, které by mohly být považovány za potenciální střet zájmů.

Poznámky pod čarou

 

Financování. Tento výzkum byl podporován programem Brain Science Research Program prostřednictvím Národní výzkumné nadace Koreje (NRF) financované ministerstvem vědy a ICT v Koreji (NRF-2014M3C7A1062893).

 

 

Doplňkový materiál

Doplňkový materiál k tomuto článku lze nalézt na adrese: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material

Reference

1. Young KS. Závislost na internetu: vznik nové klinické poruchy. CyberPsychol Behav. (1998) 1: 237 – 44. 10.1089 / cpb.1998.1.237 [Cross Ref]
2. Diagnostický a statistický manuál Americké psychiatrické asociace duševních poruch, 5th Edition. Washington, DC: American Psychiatric Association Publishing; (2013).
3. Ko CH, Yen JY, Chen SH, Wang PW, Chen CS, Yen CF. Vyhodnocení diagnostických kritérií internetové herní poruchy u DSM-5 u mladých dospělých na Tchaj-wanu. J Psychiatr Res. (2014) 53: 103 – 10. 10.1016 / j.jpsychires.2014.02.008 [PubMed] [Cross Ref]
4. Ko CH, Hsieh TJ, Wang PW, Lin WC, Yen CF, Chen CS, et al. . Upravená hustota šedé hmoty a narušená funkční konektivita amygdaly u dospělých s poruchou internetového hraní. Prog Neuropsychopharmacol Biol Psychiatry (2015) 57: 185 – 92. 10.1016 / j.pnpbp.2014.11.003 [PubMed] [Cross Ref]
5. Lin X, Dong G, Wang Q, Du X. Abnormální objem šedé hmoty a bílé hmoty v „závislých na internetu“. Addict Behav. (2015) 40: 137 – 143. 10.1016 / j.addbeh.2014.09.010 [PubMed] [Cross Ref]
6. Wang H, Jin C, Yuan K, Shakir ™, Mao C, Niu X, et al. . Změna objemu šedé hmoty a kognitivní kontroly u dospívajících s poruchou internetového hraní. Front Behav Neurosci. (2015) 9: 64. 10.3389 / fnbeh.2015.00064 [PMC bezplatný článek] [PubMed] [Cross Ref]
7. Yuan K, Cheng P, Dong T, Bi Y, Xing L, Yu D, et al. . Abnormality tloušťky kortikálu v pozdní adolescenci s online herní závislostí. PloS ONE (2013) 8: e53055. 10.1371 / journal.pone.0053055 [PMC bezplatný článek] [PubMed] [Cross Ref]
8. Dong G, Devito E, Huang J, Du X. Difuzní tenzorové zobrazování odhaluje abnormality talamu a zadního cingulačního kortexu u závislých na internetu. J Psychiatr Res. (2012) 46: 1212 – 6. 10.1016 / j.jpsychires.2012.05.015 [PMC bezplatný článek] [PubMed] [Cross Ref]
9. Xing L, Yuan K, Bi Y, Yin J, Cai C, Feng D, et al. . Snížená integrita vláken a kognitivní kontrola u dospívajících s poruchou internetového hraní. Brain Res. (2014) 1586: 109 – 17. 10.1016 / j.brainres.2014.08.044 [PubMed] [Cross Ref]
10. Besson P, Dinkelacker V, Valabregue R, Thivard L, Leclerc X, Baulac M, et al. . Strukturální rozdíly v konektivitě u epilepsie levého a pravého temporálního laloku. Neuroimage (2014) 100: 135 – 44. 10.1016 / j.neuroimage.2014.04.071 [PubMed] [Cross Ref]
11. Huys QJ, Maia TV, Frank MJ. Výpočetní psychiatrie jako most od neurověd k klinickým aplikacím. Nat Neurosci. (2016) 19: 404 – 13. 10.1038 / nn.4238 [PMC bezplatný článek] [PubMed] [Cross Ref]
12. Lemmens JS, Valkenburg PM, pohan DA. Stupnice poruch hraní na internetu. Psychol Posoudit. (2015) 27: 567 – 82. 10.1037 / pas0000062 [PubMed] [Cross Ref]
13. Dahnke R, Yotter RA, Gaser C. Kortikální tloušťka a odhad centrální plochy. Neuroimage (2013) 65: 336 – 48. 10.1016 / j.neuroimage.2012.09.050 [PubMed] [Cross Ref]
14. Smith SM, Jenkinson M, Johansen-Berg H, Rueckert D, Nichols TE, Mackay CE, et al. . Prostorová statistika založená na traktech: voxelwise analýza dat o více subjektech. Neuroimage (2006) 31: 1487 – 505. 10.1016 / j.neuroimage.2006.02.024 [PubMed] [Cross Ref]
15. Hammers A, Allom R, Koepp MJ, Free SL, Myers R, Lemieux L, et al. . Trojrozměrný atlas maximální pravděpodobnosti lidského mozku, se zvláštním odkazem na temporální lalok. Hum Brain Mapp. (2003) 19: 224 – 47. 10.1002 / hbm.10123 [PubMed] [Cross Ref]
16. Mori S, Oishi K, Jiang H, Jiang L, Li X, Akhter K, et al. . Stereotaxický atlas bílé hmoty založený na zobrazování difúzního tenzoru v šabloně ICBM. Neuroimage (2008) 40: 570 – 82. 10.1016 / j.neuroimage.2007.12.035 [PMC bezplatný článek] [PubMed] [Cross Ref]
17. Tibshirani R. Srážení a selekce regrese pomocí laso. J Roy Stat Soc Ser B (1996) 58: 267 – 88.
18. Zou H, Hastie T. regularizace a výběr proměnných prostřednictvím elastické sítě. J Roy Stat Soc Ser B (2005) 67: 301 – 20. 10.1111 / j.1467-9868.2005.00503.x [Cross Ref]
19. Theodoridis S. Strojové učení: Bayesovský a optimalizační pohled. London: Academic Press; (2015).
20. Delong ER, Delong DM, Clarke-Pearson DL. Porovnání oblastí pod dvěma nebo více korelovanými charakteristickými křivkami přijímače: neparametrický přístup. Biometrie (1988) 44: 837 – 45. 10.2307 / 2531595 [PubMed] [Cross Ref]
21. Cho SH, Kwon JH. Ověření korejské verze stupnice internetového hraní her (K-IGDS): zjištění ze vzorku dospělých dospělých. Korean J Clin Psychol. (2017) 36: 104 – 17. 10.15842 / kjcp.2017.36.1.010 [Cross Ref]
22. Sigerson L, Li AYL, Cheung MWL, Luk JW, Cheng C. Psychometrické vlastnosti stupnice poruch čínských internetových her. Addict Behav. (2017) 74: 20 – 6. 10.1016 / j.addbeh.2017.05.031 [PubMed] [Cross Ref]
23. Burke Quinlan E, Dodakian L, viz J, Mckenzie A, Le V, Wojnowicz M, et al. . Neurální funkce, poranění a podtyp mrtvice předpovídají zisky po léčbě. Ann Neurol. (2015) 77: 132 – 45. 10.1002 / ana.24309 [PMC bezplatný článek] [PubMed] [Cross Ref]
24. Pariyadath V, Stein EA, Ross TJ. Klasifikace strojového učení funkční konektivity v klidovém stavu předpovídá stav kouření. Přední Hum Neurosci. (2014) 8: 425. 10.3389 / fnhum.2014.00425 [PMC bezplatný článek] [PubMed] [Cross Ref]
25. Fedota JR, Stein EA. Funkční konektivita v klidu a závislost na nikotinu: vyhlídky na vývoj biomarkerů. Ann NY Acad Sci. (2015) 1349: 64 – 82. 10.1111 / nyas.12882 [PMC bezplatný článek] [PubMed] [Cross Ref]
26. Ahn WY, Ramesh D, Moeller FG, Vassileva J. Užitečnost přístupů strojového učení k identifikaci markerů chování u poruch užívání návykových látek: dimenze impulzivity jako prediktory současné závislosti na kokainu. Přední psychiatrie (2016) 7: 34. 10.3389 / fpsyt.2016.00034 [PMC bezplatný článek] [PubMed] [Cross Ref]
27. Ahn WY, Vassileva J. Strojové učení identifikuje markery chování závislé na látce pro závislost na opiátech a stimulantech. Závisí na drogovém alkoholu. (2016) 161: 247 – 57. 10.1016 / j.drugalcdep.2016.02.008 [PMC bezplatný článek] [PubMed] [Cross Ref]
28. Percy C, França M, Dragičević S, D'avila Garcez A. Predikce vyloučení online hazardních her: analýza výkonu modelů supervizovaného strojového učení. Int Gambl Stud. (2016) 16: 193–210. 10.1080 / 14459795.2016.1151913 [Cross Ref]
29. Ding WN, Sun JH, Sun YW, Zhou Y, Li L, Xu JR, et al. . Změněné výchozí funkční připojení v klidovém stavu u dospívajících se závislostí na internetu. PloS ONE (2013) 8: e59902. 10.1371 / journal.pone.0059902 [PMC bezplatný článek] [PubMed] [Cross Ref]
30. Meng Y, Deng W, Wang H, Guo W, Li T. Prefrontální dysfunkce u jedinců s poruchou internetového hraní: metaanalýza funkčních studií magnetické rezonance. Addict Biol. (2015) 20: 799 – 808. 10.1111 / adb.12154 [PubMed] [Cross Ref]
31. Zhang JT, Yao YW, Li CSR, Zang YF, Shen ZJ, Liu L, et al. . Změněná funkční konektivita insula v klidovém stavu u mladých dospělých s poruchou internetového hraní. Addict Biol. (2015) 21: 743 – 51. 10.1111 / adb.12247 [PMC bezplatný článek] [PubMed] [Cross Ref]
32. Cai C, Yuan K, Yin J, Feng D, Bi Y, Li Y, et al. . Morfometrie striatu je spojena s kognitivními kontrolními deficity a závažností příznaků u internetové herní poruchy. Brain Imaging Behav. (2016) 10: 12 – 20. 10.1007 / s11682-015-9358-8 [PubMed] [Cross Ref]
33. Park C, Chun JW, Cho H, Jung YC, Choi J, Kim DJ. Je mozek závislý na internetu téměř v patologickém stavu? Addict Biol. (2017) 22: 196 – 205. 10.1111 / adb.12282 [PubMed] [Cross Ref]
34. Kuss DJ, Griffiths MD. Závislost na internetu: systematická revize empirického výzkumu. Int J Ment Health Addict. (2012) 10: 278 – 96. 10.1007 / s11469-011-9318-5 [Cross Ref]
35. Castellanos FX, Di Martino A, Craddock RC, Mehta AD, Milham MP. Klinické aplikace funkčního konektomu. Neuroimage (2013) 80: 527 – 40. 10.1016 / j.neuroimage.2013.04.083 [PMC bezplatný článek] [PubMed] [Cross Ref]
36. Tollenaar N, Van Der Heijden P. Která metoda předpovídá recidivismus nejlépe ?: srovnání statistických modelů, strojového učení a prediktivních modelů dolování dat. J Roy Stat Soc Ser A (2013) 176: 565 – 84. 10.1111 / j.1467-985X.2012.01056.x [Cross Ref]