Diskriminierende pathologische und nicht-pathologische Internetspieler, die spärliche neuroanatomische Funktionen nutzen (2018)

. 2018; 9: 291.

Veröffentlicht online 2018 Juni 29. doi:  10.3389 / fpyt.2018.00291

PMCID: PMC6033968

PMID: 30008681

Abstrakt

Internet Gaming Disorder (IGD) wird häufig anhand von neun zugrunde liegenden Kriterien aus der neuesten Version des Diagnose- und Statistikhandbuchs für psychische Störungen (DSM-5) diagnostiziert. Hier haben wir untersucht, ob eine solche symptombasierte Kategorisierung in eine rechnerbasierte Klassifikation übersetzt werden kann. Strukturelle MRI (sMRI) - und diffusionsgewichtete MRI (dMRI) -Daten wurden in 38-Spielern mit IGD, normalen 68-Spielern mit nicht-IGD und gesunden 37-Nichtgamer erfasst. Wir haben 108-Merkmale der Struktur der grauen Substanz (GM) und der weißen Substanz (WM) aus den MRI-Daten generiert. Wenn die regulierte logistische Regression auf die neuroanatomischen Merkmale von 108 angewendet wurde, um wichtige Merkmale für die Unterscheidung zwischen den Gruppen auszuwählen, wurden die gestörten und normalen Spieler in Bezug auf die Merkmale 43 bzw. 21 in Bezug auf die gesunden Nicht-Spieler dargestellt, während die Ungeordnete Spieler wurden in Bezug auf 11-Funktionen im Vergleich zu normalen Spielern dargestellt. In Support Vector Machines (SVM), die die spärlichen neuroanatomischen Merkmale als Prädiktoren verwendeten, wurden die gestörten und normalen Spieler mit einer Genauigkeit von mehr als 98% erfolgreich von den gesunden Nicht-Spielern unterschieden, aber die Einstufung zwischen den gestörten und den normalen Spielern war relativ schwierig. Diese Ergebnisse deuten darauf hin, dass pathologische und nicht pathologische Spieler, die mit den Kriterien des DSM-5 kategorisiert wurden, durch spärliche neuroanatomische Merkmale dargestellt werden könnten, insbesondere im Zusammenhang mit der Unterscheidung von Personen, die kein gesundes Glücksspiel haben.

Stichwort: Internet-Spielstörung, diagnostische Klassifizierung, strukturelle MRI, diffusionsgewichtete MRI, regulierte Regression

Einleitung

Obwohl seit Jahrzehnten als pathologische Sucht vorgeschlagen (), erst kürzlich wurde Internet Gaming Disorder (IGD) im Diagnose- und Statistikhandbuch für psychische Störungen (DSM) aufgeführt. Die fünfte Ausgabe des DSM (DSM-5) () identifizierten IGD als Bedingung für weitere Studien und lieferten neun Kriterien für deren Diagnose. Bei der symptombasierten Kategorisierung unter Verwendung der im DSM-5 vorgeschlagenen IGD-Skala mit neun Elementen (IGDS) wurde ein Schwellenwert von fünf oder mehr Kriterien für die Diagnose von IGD angewendet. Dieser Grenzwert kann Gamer, die an einer erheblichen klinischen Beeinträchtigung leiden (), die dichotome Natur von IGDS-Artikeln beinhaltet unvermeidlich eine diagnostische Vereinfachung oder Vagheit.

Neben Symptomen wird häufig eine Vielzahl von IGD-bedingten Funktionsstörungen beobachtet, nicht zuletzt neuroanatomische Veränderungen. In der Tat hat eine umfangreiche Arbeit gezeigt, dass IGD mit strukturellen Veränderungen im Gehirn einhergeht: Schrumpfen des Volumens der grauen Substanz (GM) (-) Verringerung der kortikalen Dicke () und Verlust der Integrität der weißen Substanz (WM) (, ) wurden typischerweise nachgewiesen. Diese neuroanatomischen Veränderungen im Zusammenhang mit IGD legen nahe, dass solche Parameter zur Bildgebung des Gehirns als Biomarker dienen können, um Personen mit IGD von anderen Personen zu unterscheiden. Das heißt, die Diagnose von IGD kann durch eine rechnerische Manipulation neuroanatomischer Biomarker und nicht durch eine auf Symptomen basierende Kategorisierung basierend auf dem DSM-5 gestellt werden. Diese Versuche können im Einklang mit den Bemühungen stehen, über die deskriptive Diagnose hinauszugehen, indem computergestützte Ansätze für die Psychiatrie (), insbesondere datengesteuerte Ansätze, die auf maschinellem Lernen (ML) basieren, um die Diagnose psychischer Erkrankungen anzugehen ().

In dieser Studie suchten wir nach einem Zusammenhang zwischen der symptombasierten Kategorisierung auf der Grundlage des IGDS und der rechnungsbasierten Klassifizierung unter Verwendung neuroanatomischer Biomarker bei der Diagnose von IGD. Da einige GM- und WM-Komponenten des Gehirns wahrscheinlich redundante oder irrelevante Informationen für die diagnostische Klassifizierung enthalten würden, haben wir versucht, spärliche neuroanatomische Merkmale durch regulierte Regression auszuwählen. Wir stellten die Hypothese auf, dass eine symptombasierte Kategorisierung durch spärliche neuroanatomische Merkmale dargestellt werden könnte, aus denen Klassifikationsmodelle für die Diagnose von IGD bestehen. Es wurde angenommen, dass pathologische Spieler, bei denen IGD diagnostiziert wurde, von gesunden Nicht-Gaming-Individuen unähnlicher waren als von Spielern, bei denen diagnostiziert wurde, dass sie keine IGD hatten, dh nicht pathologische Spieler. So könnten pathologische Spieler im Vergleich zu nicht-pathologischen Spielern durch eine größere Anzahl von Merkmalen gekennzeichnet sein, im Vergleich zu gesunden Nicht-Gaming-Individuen. Außerdem wollten wir entscheiden, ob nicht-pathologische Spieler weniger von pathologischen Spielern oder von gesunden Nicht-Gaming-Individuen unterschieden werden können. Nicht-pathologische Spieler können in Bezug auf deskriptive Symptome vage als nah an gesunden Nicht-Gaming-Personen angesehen werden, aber wir waren der Meinung, dass ein solcher Begriff durch eine auf Berechnungen basierende Klassifizierung bestätigt werden muss.

Material und Methoden

Teilnehmer

Bei 237-Teilnehmern, die Spiele im Internet spielten, wurden 106-Personen ausgewählt, indem diejenigen ausgeschlossen wurden, die ein Missverhältnis zwischen dem selbst berichteten IGDS und einem strukturierten Interview mit einem klinischen Psychologen bei der Diagnose von IGD aufwiesen oder die Gehirnbilddaten vermisst oder stark verzerrt hatten. Auf der Grundlage des IGDS wurden 38-Individuen (27.66 ± 5.61-Jahre; 13-Frauen), die mindestens fünf IGDS-Artikel befriedigten, als gestörte Spieler und 68-Personen (27.96 ± 6.41-Jahre; 21-Frauen), die höchstens einen IGDS-Artikel erfüllten, gekennzeichnet normale Spieler Personen, die IGDS-Gegenstände zwischen zwei und vier Jahren befriedigten, wurden ebenfalls ausgeschlossen, da sie zwischen den gestörten und normalen Spielern als eine andere Klasse eingestuft werden können (). Darüber hinaus wurden 37 Personen (25.86 ± 4.10 Jahre; 13 Frauen), die keine internetbasierten Spiele spielten, separat rekrutiert und als gesunde Nichtspieler eingestuft. Das Fehlen von Komorbiditäten bei allen Teilnehmern wurde bestätigt. Eine schriftliche Einverständniserklärung wurde von allen Teilnehmern gemäß der Erklärung von Helsinki und ihren späteren Änderungen eingeholt, und die Studie wurde vom Institutional Review Board des Seoul St. Mary's Hospital in Seoul, Korea, genehmigt.

Erfassung von MRI-Daten

Strukturelle MRI (sMRI) - und Diffusionsgewichtete MRI (dMRI) -Daten wurden unter Verwendung eines 3 T MAGNETOM Verio-Systems (Siemens AG, Erlangen, Deutschland) erhoben. Die Erfassung der sMRI-Daten wurde unter Verwendung einer durch Magnetisierung hergestellten schnellen Gradientenechosequenz durchgeführt: Anzahl der Scheiben in der Sagittalebene = 176, Scheibendicke = 1 mm, Matrixgröße = 256 × 256 und Auflösung in der Ebene = 1 × 1 mm . Für die Erfassung von dMRI-Daten wurde eine Diffusionsgradientencodierung in 30-Richtungen mit durchgeführt b = 1,000 s / mm2 Es wurde eine Echo-Planar-Bildgebungssequenz mit einem einzigen Schuss verwendet: Anzahl der Schichten in der axialen Ebene = 75, Scheibendicke = 2 mm, Matrixgröße = 114 × 114 und Auflösung in der Ebene = 2 × 2 mm.

Verarbeitung von MRI-Daten

In CAT12 enthaltene Tools (http://www.neuro.uni-jena.de/cat/) wurden zur Verarbeitung von sMRI-Daten verwendet. Das Gehirnvolumenbild wurde in verschiedene Gewebe, einschließlich GM, WM und Kortikospinalflüssigkeit, segmentiert und räumlich für ein Referenzgehirn im Standardraum registriert. Bei der Voxel-basierten Morphometrie (VBM) wurde das Voxel-GM-Volumen geschätzt, indem die Wahrscheinlichkeit, GM zu sein, mit dem Volumen eines Voxels multipliziert wird, und dann wurden diese Werte durch das gesamte intrakraniale Volumen dividiert, um die individuellen Unterschiede im Kopfvolumen anzupassen. Bei der oberflächenbasierten Morphometrie (SBM) wurde die kortikale Dicke mit Hilfe der projektionsbasierten Dickenmethode ().

Verarbeitung von dMRI-Daten

In FSL 5.0 enthaltene Tools (http://fsl.fmrib.ox.ac.uk/fsl/) wurden zur Verarbeitung von dMRI-Daten eingesetzt. Alle Bilder wurden auf das mit aufgenommene Nullbild ausgerichtet b = 0 s / mm2 Wirbelstrom-induzierte Verzerrungen und Kopfbewegungen korrigieren. Ein Diffusionstensor wurde an jedem Voxel im Gehirn modelliert, und von Diffusionstensor abgeleitete Parameter, einschließlich fraktioneller Anisotropie (FA), mittlerer Diffusivität (MD), axialer Diffusivität (AD) und radialer Diffusivität (RD), wurden berechnet. Wenn drei Diffusivitäten entlang verschiedener Achsen eines Diffusionstensors gegeben wurden, wurde FA als Quadratwurzel der Summe der Quadrate der Diffusionsdifferenzen zwischen den drei Achsen, MD als durchschnittliche Diffusivität über die drei Achsen, AD als die größte Diffusivität entlang der Hauptachse berechnet und RD als Durchschnitt der Diffusivität entlang zweier Nebenachsen. Traktbasierte räumliche Statistik (TBSS) verwenden () In FSL 5.0 implementiert, wurden die Karten der vom Diffusionstensor abgeleiteten Parameter räumlich für ein Referenzgehirn im Standardraum registriert und dann auf ein WM-Trakt-Skelett projiziert.

Feature-Generierung

Zwei Hauptschritte zum Entwerfen eines Klassifizierungsmodells sind die Generierung und Auswahl von Merkmalen. Wir haben Merkmale aus der Neuroanatomie generiert, insbesondere das Volumen und die Dicke einer Reihe von GM-Regionen sowie die Integrität und Diffusivität einer Reihe von WM-Trakten. Nach Schätzung des GM - Volumens und der Kortikalisdicke als von VBM bzw. SBM erfasste voxelweise Karten wurden die Parameter für jede der 60 - GM - Regionen bewertet (Tabelle 1) S1), parzelliert wie im Hammers-Atlas (), als Durchschnitt aller Voxel. Nach Abschätzung der von Diffusionstensoren abgeleiteten Parameter, einschließlich FA, MD, AD und RD als voxelweise Karten auf dem von TBSS erfassten WM-Traktgerüst, wurden die Parameter für jeden der 48-WM-Trakte berechnet (Tabelle S2), parzelliert wie im ICBM-DTI-81-Atlas (), als Durchschnitt aller Voxel. Zusammenfassend haben wir zwei Parameter von GM und vier Parameter von WM betrachtet, die acht Kombinationen von GM- und WM-Parametern ergeben. Für jede Kombination von GM- und WM-Parametern setzen sich die Parameterwerte der 60-GM-Regionen und der 48-WM-Trakte insgesamt aus den neuroanatomischen Merkmalen des 108 zusammen.

Funktionsauswahl durch regulierte Regression

Die Reduzierung der Anzahl von Features ist besonders für Daten mit einer großen Anzahl von Features und einer begrenzten Anzahl von Beobachtungen wichtig. Die begrenzte Anzahl von Beobachtungen in Bezug auf die Anzahl der Merkmale kann zu einer Überanpassung des Rauschens führen, und die Regularisierung ist eine Technik, mit der Überanpassung durch Einführung zusätzlicher Informationen oder Einschränkungen in einem Modell reduziert oder verhindert werden kann. Da nicht alle 108-Features nützliche und notwendige Informationen für die Klassifizierung enthalten können, haben wir durch die Anwendung einer regulierten Regression einen spärlichen Satz von Features ausgewählt. Insbesondere das Lasso () und elastisches Netz () wurden für die regulierte logistische Regression verwendet. Das Lasso enthält einen Strafwert oder einen Regularisierungsparameter λ, der die Größe der Koeffizientenschätzungen in einem logistischen Regressionsmodell einschränkt. Da ein Anstieg von λ zu mehr Nullwertkoeffizienten führt, bietet das Lasso ein reduziertes logistisches Regressionsmodell mit weniger Prädiktoren. Das elastische Netz erzeugt auch ein reduziertes logistisches Regressionsmodell, indem Koeffizienten auf Null gesetzt werden, insbesondere durch Hinzufügen eines hybriden Regularisierungsparameters der Lasso- und Kammregression, wodurch die Einschränkung des Lassos bei der Behandlung hochkorrelierter Prädiktoren überwunden wird ().

Für die Klassifizierung zwischen jedem Paar der drei Gruppen verwendeten wir das Lasso und das elastische Netz, um wichtige Prädiktoren unter den neuroanatomischen 108-Merkmalen in einem logistischen Regressionsmodell zu identifizieren. Die 108-Funktionen aller Personen in jedem Paar der drei Gruppen wurden standardisiert, um eine Datenmatrix zu erstellen. A, wobei jede Zeile eine Beobachtung und jede Spalte einen Prädiktor darstellte. Um die Auswirkungen des Alters und des Geschlechts von Personen auf die GM- und WM-Parameter zu korrigieren, wird eine restliche Formungsmatrix, Rwurde generiert: R = I-C(CTC)-1C woher I war eine Identitätsmatrix und C war eine Matrix, die verwirrende Kovariaten von Alter und Geschlecht codierte. Es wurde dann angewendet A Residuen zu erhalten, nachdem die verwirrenden Kovariaten zurückgegangen wurden: X = RA.

Angesichts der angepassten Datenmatrix Xund die Antwort Y, das zwei Klassen von Individuen codierte, wurde 10-fach Kreuzvalidierung (CV) verwendet, um nach einem Regularisierungsparameter λ zu suchenMinErr, die den minimalen Fehler in Bezug auf die Abweichung lieferte, definiert als negative Log-Wahrscheinlichkeit für das getestete Modell, gemittelt über die Validierungsfalten. Alternativ, da eine CV-Kurve Fehler bei jedem getesteten λ aufweist, ein Regularisierungsparameter λ1SEDies wurde innerhalb eines Standardfehlers des minimalen CV-Fehlers in Richtung der Erhöhung der Regularisierung von λ gefundenMinErr wurde auch berücksichtigt. Das heißt, dünnere Merkmale wurden bei λ ausgewählt1SE, während spärliche Merkmale bei λ bestimmt wurdenMinErr. Dieses Verfahren zum Suchen eines regulierten logistischen Regressionsmodells mit weniger Prädiktoren wurde für jede Kombination von GM- und WM-Parametern mit den neuroanatomischen 108-Merkmalen wiederholt.

Leistung ausgewählter Funktionen

Um die Nützlichkeit der spärlichen und sparsameren Merkmale zu beurteilen, wurde die Leistung zwischen dem Modell mit einer reduzierten Anzahl von Merkmalen und dem Modell mit allen 108-Merkmalen in Support Vector Machines (SVMs) durch Messung der Empfängerbetriebskennlinie (ROC) verglichen. Mit einem linearen Kernel als Kernfunktion und Hyperparametern, die durch einen fünffachen CV optimiert wurden, wurde eine SVM für alle Personen in jedem Paar der drei Gruppen trainiert. Die Fläche unter der ROC-Kurve (AUC) wurde für jedes Modell als quantitatives Maß für seine Leistung berechnet. DeLong-Tests () wurden eingesetzt, um die AUC zwischen jedem Paar von Modellen zu vergleichen. Wenn die AUC bei a p-Wert von 0.05 wurde die Leistung in zwei Modellen als nicht vergleichbar angesehen.

Klassifizierungsgenauigkeit

Schematische Verfahren von der Erzeugung und Auswahl von Merkmalen bis zum Aufbau von Klassifikationsmodellen sind in Abbildung dargestellt Abbildung1.1. Für jedes Paar der drei Gruppen wurden SVM-Klassifikationsmodelle unter Verwendung der ausgewählten Merkmale als Prädiktoren erstellt. Wir bewerteten die Genauigkeit der Klassifizierungsmodelle mithilfe eines CV-Schemas, bei dem die Ausnahmebedingungen für jedes ausgelassene Individuum berechnet und dann über alle Personen gemittelt wurden. Die statistische Signifikanz der Genauigkeit wurde durch Verwendung von Permutationstests geschätzt. Eine empirische Nullverteilung zum Klassifizieren zwischen jedem Paar der drei Gruppen wurde durch wiederholtes Permutieren der Markierungen von Individuen und Messen der mit den permutierten Markierungen verbundenen Genauigkeit erzeugt. Wenn die Genauigkeit der nicht zulässigen Etiketten höher als die Nullverteilung bei a war p-Wert von 0.05, von dem bestimmt wurde, dass er signifikant vom Zufallsniveau abweicht (Genauigkeit = 50%). Zusätzlich wurde eine Konfusionsmatrix visualisiert, um die Sensitivität und Spezifität hinsichtlich der Unterscheidung zwischen jedem Paar der drei Gruppen zu beschreiben.

 

Eine externe Datei, die ein Bild, eine Illustration usw. enthält. Der Objektname ist fpypt-09-00291-g0001.jpg

Schematische Verfahren von der Erzeugung und Auswahl neuroanatomischer Merkmale bis zur Konstruktion von Modellen für die Klassifizierung zwischen gestörten Spielern (DG) und gesunden Nicht-Spielern (HN), zwischen normalen Spielern (NG) und HN sowie zwischen DG und NG. GM, graue Substanz; WM, weiße Substanz.

Die Ergebnisse

Merkmalsauswahl

Abbildung Abbildung22 Zeigt ausgewählte Funktionen der 108-Funktionen mit ihren Koeffizientenschätzungen und Tabelle an Tabelle11 beschreibt zugehörige Anpassungsinformationen des regulierten logistischen Regressionsmodells für die Klassifizierung zwischen jedem Paar der drei Gruppen. Darüber hinaus Abbildung S1 zeigt, welches λ den minimalen CV-Fehler ergab und wie viele Merkmale bei λ ausgewählt wurden1SE sowie bei λMinErr. Der minimale CV-Fehler wurde bei der Merkmalsauswahl durch das Lasso (Lasso-Gewicht = 1) für die Einstufung zwischen gesunden Nicht-Spielern und normalen Spielern und durch das elastische Netz (Lasso-Gewicht = 0.5) für die andere Klassifizierung erhalten.

 

Eine externe Datei, die ein Bild, eine Illustration usw. enthält. Der Objektname ist fpypt-09-00291-g0002.jpg

Ausgewählte neuroanatomische Merkmale in der regulierten logistischen Regression für die Klassifizierung zwischen jedem Paar von drei Gruppen. Ungeordnete Spieler (DG) wurden in der Klassifizierung zwischen gesunden Nichtspielern (HN) und DG als 1, normale Spieler (NG) als 1 in der Klassifizierung zwischen HN und NG und DG als 1 in der Klassifizierung zwischen NG und DG kodiert. Die Größe eines Balkens entspricht der Größe des Koeffizienten des jeweiligen Merkmals, sodass Merkmale mit Koeffizienten ungleich Null ausgewählt werden. Die gerenderten Gehirne zeigen Komponenten der grauen Substanz und der weißen Substanz, die den ausgewählten Merkmalen aus einer übergeordneten Ansicht entsprechen. Merkmale in Rot oder Blau zeigen diejenigen an, die in spärlicheren Merkmalen enthalten sind, die bei λ bestimmt wurden1SE sowie in spärlichen Merkmalen, die bei λ bestimmt wurdenMinErrDiejenigen in Gelb oder Magenta weisen auf solche hin, die nur in spärlichen Features enthalten sind. Die Etiketten der Gehirnkomponenten sind in den Tabellen angegeben S1 und S2. L links; R, richtig.

Tabelle 1

Anpassen von Informationen zur regulierten logistischen Regression für die Klassifizierung zwischen jedem Paar von drei Gruppen.

 HN vs. DGHN vs. NGNG vs. DG
ParameterGMDickeDickeVolume
 WMFARDMD
Lasso-Gewicht0.510.5
Geringfügige Merkmale bei λ ausgewähltMinErrCV-Fehler37.368141.7876133.3857
 Anzahl der Funktionen432111
Sparser-Features bei λ ausgewählt1SECV-Fehler46.568150.0435141.2622
 Anzahl der Funktionen34121
 

Das Lasso-Gewicht gibt an, ob die regulierte logistische Regression mit dem Lasso (Lasso-Gewicht = 1) oder einem elastischen Netz (Lasso-Gewicht = 0.5) durchgeführt wurde..

HN, gesunde Nichtspieler DG, ungeordnete Spieler; NG, normale Spieler; GM, graue Substanz; WM, weiße Substanz; FA, fraktionale Anisotropie; RD radiale Diffusivität; MD, mittlere Diffusivität; Lebenslauf, Gegenvalidierung.

Bei der Unterscheidung der ungeordneten Spieler von den gesunden Nicht-Spielern werden die 43-Merkmale bei λ ausgewähltMinErr umfasste die Dicke von 24-GM-Regionen und die FA von 19-WM-Bahnen und die 34-Merkmale, die bei λ ausgewählt wurden1SE umfasste die Dicke von 15-GM-Regionen und die FA von 19-WM-Bahnen. Bei der Unterscheidung der normalen Spieler von den gesunden Nicht-Spielern werden die 21-Funktionen bei λ ausgewähltMinErr umfasste die Dicke von 12-GM-Regionen und die RD von 9-WM-Bahnen sowie 12-Merkmale, die bei λ ausgewählt wurden1SE umfasste die Dicke der 6-GM-Regionen und die RD der 6-WM-Trakte. In der Klassifizierung zwischen den gestörten und normalen Spielern werden 11-Funktionen mit λ ausgewähltMinErr umfasste das Volumen von 7-GM-Regionen und das MD von 4-WM-Bahnen sowie ein bei λ ausgewähltes Merkmal1SE entsprach dem Volumen einer GM-Region.

Leistung ausgewählter Funktionen

Zwischen dem Modell mit einer reduzierten Anzahl von Features und dem Modell mit allen 108 - Features war die Leistung hinsichtlich der AUC hinsichtlich der Unterscheidung zwischen den einzelnen Spielertypen und den gesunden Nicht - Gamern durch SVMs vergleichbar (Abbildung (Abbildung3) .3). Bei der Klassifizierung zwischen gestörten und normalen Spielern wird das Modell mit den Merkmalen entweder bei λ ausgewähltMinErr (AUC = 0.83, p = 0.006) oder bei λ1SE (AUC = 0.72, p <0.001) zeigte eine schlechtere Leistung als das Modell mit allen 108 Merkmalen (AUC = 0.90).

 

Eine externe Datei, die ein Bild, eine Illustration usw. enthält. Der Objektname ist fpypt-09-00291-g0003.jpg

Leistungsvergleich in Bezug auf die Fläche unter der Empfängerbetriebskennlinie (AUC) zwischen Modellen ohne und mit Merkmalsauswahl für die Klassifizierung zwischen jedem Paar von drei Gruppen durch Unterstützungsvektormaschinen. Das Modell der 108-Features (durch eine durchgezogene Linie angegeben) entspricht demjenigen ohne Feature-Auswahl, während die Modelle mit reduzierter Anzahl von Features denjenigen mit spärlichen und sparsameren Features entsprechen, die bei λ ausgewählt werdenMinErr (gestrichelt angedeutet) und λ1SE (durch Strichpunktlinie angegeben). HN, gesunde Nichtspieler DG, ungeordnete Spieler; NG, normale Spieler.

Klassifizierungsgenauigkeit

Bei der Klassifizierung durch SVMs mit den bei λ ausgewählten MerkmalenMinErrDie Genauigkeit war größer als 98% und lag damit deutlich über dem Zufallsniveau (p <0.001), bei der Unterscheidung jedes Spielertyps von den gesunden Nichtspielern (Abbildung (Abbildung4A) .4A). Die Genauigkeit war immer noch deutlich höher als das Zufallsniveau (p = 0.002), aber so niedrig wie 69.8% in der Klassifizierung zwischen gestörten und normalen Spielern, wobei insbesondere eine geringe Empfindlichkeit (47.4%) bei der korrekten Identifizierung der gestörten Spieler gezeigt wird. Die weniger ausgeprägten Merkmale wurden bei λ bestimmt1SE zeigte eine ähnliche Leistung (Abbildung (Figure4B) 4B) zeigte jedoch eine viel geringere Empfindlichkeit (2.6%) bei der korrekten Unterscheidung der gestörten Spieler von den normalen Spielern.

 

Eine externe Datei, die ein Bild, eine Illustration usw. enthält. Der Objektname ist fpypt-09-00291-g0004.jpg

Verwirrungsmatrizen bei der Klassifizierung zwischen jedem Paar von drei Gruppen bei der Verwendung (A) spärlich und (B) Sparser-Merkmale bei λ bestimmtMinErr und bei λ1SEjeweils in Support-Vektor-Maschinen. Die untere rechte Zelle steht für die Klassifizierungsgenauigkeit (ACC), die echte negative Rate der unteren linken Zelle (TNR) oder Spezifität, die echte positive Rate der unteren mittleren Zelle (TNR) oder die Empfindlichkeit, der negative prädiktive Wert der oberen rechten Zelle (NPV) ) und den positiven prädiktiven Wert der mittleren rechten Zelle (PPV). TP, wirklich positiv; TN, echt negativ; FP, falsch positiv; FN, falsch negativ.

Diskussion

In dieser Studie untersuchten wir, ob die pathologischen und nicht pathologischen Gamer, wie sie mit dem im DSM-5 vorgeschlagenen IGDS kategorisiert werden, durch spärliche neuroanatomische Merkmale dargestellt werden können. Die ungeordneten und normalen Spieler wurden in Bezug auf die 43- bzw. 21-Merkmale in Bezug auf die gesunden Nicht-Gamer dargestellt. Darüber hinaus wurden die ungeordneten Spieler in Bezug auf die 11-Funktionen im Vergleich zu den normalen Spielern dargestellt. Mit den spärlichen neuroanatomischen Merkmalen konnten die gestörten und normalen Spieler erfolgreich von den gesunden Nicht-Spielern unterschieden werden, aber die Einstufung zwischen den gestörten und den normalen Spielern war relativ schwierig.

Die auf Symptomen basierende deskriptive Kategorisierung der IGD mit der im DSM-5 vorgeschlagenen IGDS wird weitgehend angenommen. Obwohl die empirische Gültigkeit des IGDS in mehreren Ländern bestätigt wurde (, , ), kann die Schwelle von fünf oder mehr IGDS-Elementen keine eindeutige Wahl sein, und andere Methoden zur Kategorisierung von Personen, die Spiele im Internet spielen, können vorgeschlagen werden (). Da verschiedene Arten klinischer Daten, wie z. B. Gehirnbilddaten sowie demographische, Verhaltens- und symptomatische Daten, zunehmend zur Verfügung stehen, könnten zusätzliche Daten vorzugsweise zur Diagnose einer psychischen Erkrankung verwendet werden. Insbesondere aufgrund der Massivität quantitativer Informationen sind Gehirnbilddaten für rechnerische Ansätze geeignet und wären für die Vorhersage nützlich. Tatsächlich haben Gehirnbilddaten im Vergleich zu anderen klinischen Daten zur Vorhersage eines klinisch relevanten Problems bessere Vorhersagewerte ().

Da ML-basierte diagnostische Klassifizierung kürzlich auf andere Suchtverhalten und -störungen angewendet wurde (-), scheint die symptombasierte Kategorisierung der IGD einer rechnerischen Klassifizierung zu begegnen. Da in früheren Studien wiederholt auf anatomische Anomalien des Gehirns nach IGD hingewiesen wurde (-, ), untersuchten wir solche neuroanatomischen Informationen aus Gehirnbilddaten als potenzielle Biomarker für die Diagnose von IGD. In dieser Studie war es unser Ziel, eine Reihe wichtiger neuroanatomischer Merkmale zu identifizieren, die eine ausreichend hohe Klassifizierungsleistung erbringen und über die Beschreibung neuroanatomischer Unterschiede zwischen den Klassen von Individuen hinausgehen.

Wir haben unter den neuroanatomischen Merkmalen von 108 wichtige Regressionen ausgewählt. Bei der Betrachtung von acht Kombinationen von GM- und WM-Parametern wurden unterschiedliche Kombinationen von Parametern zur Unterscheidung jedes Paars der drei Gruppen ausgewählt. Die Kombination der Dicke der GV-Regionen und der Integrität der WM-Trakte war für die Unterscheidung der pathologischen Spieler von den gesunden Nicht-Gamern besser, während die Kombination des Volumens der GM-Regionen und die Diffusivität der WM-Trakte für die Unterscheidung der pathologischen Spieler besser waren von den nicht-pathologischen Spielern. Obwohl viele Gehirnkomponenten im Allgemeinen als neuroanatomische Merkmale dienten, die für die Unterscheidung der pathologischen und nicht pathologischen Spieler von den gesunden Nicht-Gamern wichtig waren, charakterisierten einige GM-Regionen und WM-Trakte die nicht-pathologischen Spieler, nicht aber die pathologischen Spieler . Diese Ergebnisse deuten darauf hin, dass es möglicherweise keine allgemein beste Kombination von GM- und WM-Parametern als neuroanatomische Biomarker gibt, sodass eine bestimmte Kombination von GM- und WM-Parametern nach zu klassifizierenden Gruppen ausgewählt werden muss.

Die geringere Anzahl der spärlichen Merkmale für die Unterscheidung der nicht-pathologischen Spieler im Vergleich zu der Unterscheidung der pathologischen Spieler von den gesunden Nicht-Spielern zeigt, dass die nicht-pathologischen Spieler sich in einem Übergangszustand zwischen den pathologischen Spielern und den Gesunden befinden Nicht-Gamer. Die weniger spärlichen Merkmale für die Klassifizierung zwischen den beiden Spielertypen als für die Unterscheidung zwischen den einzelnen Spielertypen und den gesunden Nichtspielern deuten darauf hin, dass die pathologischen und nicht-pathologischen Spieler hinsichtlich ihrer Ausprägung weniger unterschiedlich waren der Neuroanatomie, als dass sie sich von den gesunden Nichtspielern unterscheiden. Dementsprechend ergaben die mit den spärlichen Merkmalen erzeugten Klassifikationsmodelle eine Genauigkeit, die 98% bei der Unterscheidung zwischen den einzelnen Spielertypen und den gesunden Nicht-Spielern überstieg, jedoch eine Genauigkeit unter 70% bei der Klassifizierung zwischen den beiden Spielertypen. Das heißt, die nicht-pathologischen Spieler unterschieden sich sowohl von den gesunden Nicht-Spielern als auch von den pathologischen Spielern, es gab jedoch Einschränkungen bei der Unterscheidung zwischen pathologischen und nicht-pathologischen Spielern.

Diese relativ geringe Unterscheidbarkeit zwischen den beiden Spielertypen scheint einige Anhaltspunkte zu bieten. Erstens kann eine Nichtübereinstimmung zwischen der symptombasierten Kategorisierung und der rechnungsbasierten Klassifizierung vorgeschlagen werden. Obwohl die vorgeschlagene diagnostische Schwelle von fünf oder mehr Kriterien im IGDS konservativ gewählt wurde, um die Überdiagnose von IGD zu verhindern () kann die Anwesenheit von Spielern, die erhebliche pathologische Veränderungen in der Neuroanatomie erleiden, aber die IGD-Schwelle nicht erreichen, nicht außer Acht gelassen werden. Insbesondere haben wir nur Spieler mit einbezogen, die IGDS-Gegenstände als die normalen Spieler viel unter der IGD-Schwelle befriedigten, so dass Spieler, bei denen diagnostiziert wurde, dass sie keine IGD hatten, im Allgemeinen weiter entfernt von gesunden Nicht-Gaming-Personen waren als in dieser Studie gezeigt. Zweitens kann eine Herausforderung bei der Klassifizierung festgestellt werden, die sich nur auf neuroanatomische Biomarker stützt. Die Klassifizierungsleistung könnte durch die Einbeziehung anderer Biomarker verbessert werden, die eine größere Unähnlichkeit zwischen pathologischen und nicht pathologischen Spielern erfassen können. Insbesondere weil funktionelle Veränderungen im Gehirn auch bei IGD nachgewiesen werden (-) können sowohl Funktion als auch Anatomie des Gehirns als Biomarker des Gehirns betrachtet werden. Wir möchten außerdem darauf hinweisen, dass Veränderungen im Gehirn nur einen Teil der multidimensionalen Facetten der Spielsucht im Internet darstellen, so dass andere Faktoren, nicht zuletzt verschiedene interne und externe Risikofaktoren für die Spielsucht im Internet (), sollte in umfassendere Modelle für die Einstufung zwischen pathologischen und nicht pathologischen Spielern sowie für die Unterscheidung von Spielern von gesunden Nicht-Spielenden einbezogen werden.

Hier haben wir eine regulierte Regression mit sparsity-fördernden Schätzern wie dem Lasso und dem elastischen Netz eingesetzt, um wichtige Merkmale für Klassifikationsmodelle zu identifizieren. Es gibt tatsächlich methodische Variationen bei der Merkmalsauswahl oder der Reduzierung der Dimensionalität, und es können verschiedene Ansätze für die Verwendung ausgewählter Merkmale bei der Modellbildung verwendet werden (). Unser Ansatz, bei dem die regulierte Regression verwendet wird, erfordert eine a priori Annahme der Spärlichkeit bei neuroanatomischen Merkmalen. Vorausgesetzt, dass eine solche Annahme akzeptabel ist, wie wir in dieser Studie glaubten, könnte eine regulierte Regression ein plausibler Ansatz sein, und es sollte erwartet werden, dass der ausgewählte Satz spärlicher Merkmale Klassifikationsmodelle mit ausreichend hoher Leistung zusammenstellt. Es ist jedoch bemerkenswert, dass einfachere Klassifikationsmodelle, die auf einer größeren Sparsity basieren, nicht immer eine vergleichbare oder verbesserte Leistung zeigen. Tatsächlich war es nicht wahrscheinlich, dass unter verschiedenen Entscheidungen hinsichtlich des Grads der Sparsity gemäß eines Regularisierungsparameters ein besseres Performance-Modell speziell für anspruchsvollere Klassifizierungsprobleme wie die Klassifizierung zwischen pathologischen und nicht-pathologischen Spielern zur Verfügung stand.

Darüber hinaus haben wir SVMs als ML-Technik zum Erstellen von Klassifikationsmodellen verwendet, da sie zu den beliebtesten gehören. Andere fortgeschrittene Verfahren können zur Verbesserung der Klassifizierungsleistung verwendet werden, obwohl die vergleichende Leistung zwischen verschiedenen Methoden aufgrund der Abhängigkeit der Leistung von experimentellen Szenarien nicht abgeschlossen werden kann (). Andererseits haben wir für die vergleichende Leistung zwischen klassischen statistischen Methoden und ML-Techniken auch eine Klassifizierung nach logistischer Regression durchgeführt und gezeigt, dass die beiden Methoden, nämlich logistische Regression und SVM, hinsichtlich der Leistung der Klassifizierung vergleichbar sind (Abbildung S2). Es kann wiederholt werden, dass klassische statistische Methoden den ML-Techniken in der Klassifikationsleistung nicht immer unterlegen sind ().

In der aktuellen Studie haben wir gezeigt, dass die symptombasierte Kategorisierung der IGD anhand spärlicher neuroanatomischer Biomarker dargestellt werden kann, aus denen Klassifikationsmodelle bestehen. Außerdem haben wir gezeigt, dass nicht-pathologische Gamer im Hinblick auf die Neuroanatomie weniger von pathologischen Spielern als von gesunden Nicht-Gaming-Individuen unterschieden werden können. Wir schlagen daher vor, dass, obwohl derzeitige Diagnosesysteme sich auf eine deskriptive Kategorisierung wie DSM-5 als Goldstandards stützen, nicht pathologische Spieler möglicherweise mit größerer Sorgfalt diagnostiziert werden müssen, indem objektive Biomarker verwendet werden, wie etwa solche, die mit neuroanatomischen Veränderungen in Verbindung stehen. Die Einführung von Computeransätzen scheint ein irreversibler Trend in der Psychiatrie zu sein, aber es kann ein langer Weg sein, diese auf klinische Umgebungen praktisch anzuwenden. Die Suche nach der optimalen Auswahl spärlicher Merkmale aus der Bildgebung des Gehirns und anderen klinischen Daten muss in nachfolgenden Studien durchgeführt werden. Langfristig würden diese Bemühungen die rechnergestützte Diagnose von IGD fördern.

Autorenbeiträge

D-JK und J-WC waren für das Studienkonzept und -design verantwortlich. HC führte die klinische Charakterisierung und Auswahl der Teilnehmer durch. CP analysierte die Daten und verfasste das Manuskript. Alle Autoren haben den Inhalt kritisch überprüft und die endgültige Version zur Veröffentlichung freigegeben.

Interessenkonflikt

Die Autoren erklären, dass die Untersuchung in Abwesenheit von kommerziellen oder finanziellen Beziehungen durchgeführt wurde, die als möglicher Interessenkonflikt ausgelegt werden könnten.

Fußnoten

 

Finanzierung. Diese Forschung wurde durch das Brain Science Research Program der National Research Foundation of Korea (NRF) unterstützt, die vom koreanischen Ministerium für Wissenschaft und IKT (NRF-2014M3C7A1062893) finanziert wurden.

 

 

Ergänzungsmaterial

Das Ergänzungsmaterial zu diesem Artikel finden Sie online unter: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material

Bibliographie

1. Junge KS. Internetsucht: das Auftreten einer neuen klinischen Störung. CyberPsychol Behav. (1998) 1: 237 – 44. 10.1089 / cpb.1998.1.237 [Kreuz Ref]
2. Psychiatrische Vereinigung der Vereinigten Staaten von Amerika Diagnose- und Statistikhandbuch für psychische Störungen, 5th Edition. Washington, DC: Verlag der amerikanischen Psychiatrischen Vereinigung; (2013).
3. Ko CH, Yen JY, Chen SH, Wang PW, Chen CS, Yen CF. Bewertung der Diagnosekriterien für Internet-Spielstörungen im DSM-5 bei jungen Erwachsenen in Taiwan. J Psychiatr Res. (2014) 53: 103 – 10. 10.1016 / j.jpsychires.2014.02.008 [PubMed] [Kreuz Ref]
4. Ko CH, Hsieh TJ, Wang PW, Lin WC, CF Yen, Chen CS, et al. . Veränderte Dichte der grauen Substanz und gestörte funktionelle Konnektivität der Amygdala bei Erwachsenen mit Internet-Spielstörung. Prog Neuropsychopharmacol Biol Psychiatrie (2015) 57: 185-92. 10.1016 / j.pnpbp.2014.11.003 [PubMed] [Kreuz Ref]
5. Lin X, Dong G, Wang Q, Du X. Ungewöhnliche Mengen an grauer Substanz und weißer Substanz bei Internet-Spielsüchtigen. Addict Behav. (2015) 40: 137 – 143. 10.1016 / j.addbeh.2014.09.010 [PubMed] [Kreuz Ref]
6. Wang H, Jin C, Yuan K, Shakir TM, Mao C, Niu X et al. . Die Veränderung des Volumens der grauen Substanz und der kognitiven Kontrolle bei Jugendlichen mit Internet-Spielstörungen. Front Behav Neurosci. (2015) 9: 64. 10.3389 / fnbeh.2015.00064 [PMC freier Artikel] [PubMed] [Kreuz Ref]
7. Yuan K, Cheng P., Dong T., Bi Y, Xing L., Yu D., et al. . Kortikale Dickenanomalien in der späten Adoleszenz mit Online-Spielsucht. PloS ONE (2013) 8: e53055. 10.1371 / journal.pone.0053055 [PMC freier Artikel] [PubMed] [Kreuz Ref]
8. Dong G, Devito E, Huang J, Du X. Diffusionstensor Imaging zeigt Thalamus und hintere cingulierte Kortexanomalien bei Internet-Spielsüchtigen. J Psychiatr Res. (2012) 46: 1212 – 6. 10.1016 / j.jpsychires.2012.05.015 [PMC freier Artikel] [PubMed] [Kreuz Ref]
9. Xing L, Yuan K, Bi Y, Yin J, Cai C, Feng D, et al. . Reduzierte Faserintegrität und kognitive Kontrolle bei Jugendlichen mit Internet-Gaming-Störungen. Brain Res. (2014) 1586: 109 – 17. 10.1016 / j.brainres.2014.08.044 [PubMed] [Kreuz Ref]
10. Besson P, Dinkelacker V, Valabregue R, Thivard L, Leclerc X, Baulac M, et al. . Strukturelle Konnektivitätsunterschiede bei linker und rechter Temporallappenepilepsie. Neuroimage (2014) 100: 135 – 44. 10.1016 / j.neuroimage.2014.04.071 [PubMed] [Kreuz Ref]
11. Huys QJ, Maia TV, Frank MJ. Computerpsychiatrie als Brücke von der Neurowissenschaft zu klinischen Anwendungen. Nat Neurosci. (2016) 19: 404 – 13. 10.1038 / nn.4238 [PMC freier Artikel] [PubMed] [Kreuz Ref]
12. Lemmens JS, Valkenburg PM, Gentile DA. Die Skala der Internet-Spielstörung. Psychol Assess. (2015) 27: 567 – 82. 10.1037 / pas0000062 [PubMed] [Kreuz Ref]
13. Dahnke R, Yotter RA, Gaser C. Kortikalisdicke und zentrale Oberflächenschätzung. Neuroimage (2013) 65: 336 – 48. 10.1016 / j.neuroimage.2012.09.050 [PubMed] [Kreuz Ref]
14. Smith SM, Jenkinson M., Johansen-Berg H., Rueckert D., Nichols TE, Mackay CE, et al. . Trakt-basierte räumliche Statistik: voxelwise Analyse von Diffusionsdaten mit mehreren Objekten. Neuroimage (2006) 31: 1487 – 505. 10.1016 / j.neuroimage.2006.02.024 [PubMed] [Kreuz Ref]
15. Hämmer A, Allom R, Koepp MJ, Free SL, Myers R, Lemieux L, et al. . Dreidimensionaler Maximalwahrscheinlichkeitsatlas des menschlichen Gehirns unter besonderer Berücksichtigung des Temporallappens. Hum Brain Mapp. (2003) 19: 224 – 47. 10.1002 / hbm.10123 [PubMed] [Kreuz Ref]
16. Mori S., Oishi K., Jiang H., Jiang L., Li X, Akhter K. et al. . Stereotaktischer Atlas der weißen Substanz basierend auf Diffusionstensor-Imaging in einer ICBM-Schablone. Neuroimage (2008) 40: 570 – 82. 10.1016 / j.neuroimage.2007.12.035 [PMC freier Artikel] [PubMed] [Kreuz Ref]
17. Tibshirani R. Regression Schrumpfung und Selektion über das Lasso. J Roy Stat Soc B (1996) 58: 267 – 88.
18. Zou H, Hastie T. Regularisierung und variable Auswahl über das elastische Netz. J Roy Stat Soc B (2005) 67: 301 – 20. 10.1111 / j.1467-9868.2005.00503.x [Kreuz Ref]
19. Theodoridis S. Machine Learning: Eine Bayes'sche und Optimierungsperspektive. London: Academic Press; (2015).
20. Delong ER, Delong DM, Clarke-Pearson DL. Vergleich der Bereiche unter zwei oder mehr korrelierten Betriebskennlinien des Empfängers: ein nichtparametrischer Ansatz. Biometrie (1988) 44: 837 – 45. 10.2307 / 2531595 [PubMed] [Kreuz Ref]
21. Cho SH, Kwon JH. Eine Validierung der koreanischen Version der Internet Gaming Disorder Scale (K-IGDS): Befunde aus einer Community-Stichprobe von Erwachsenen. Korean J Clin Psychol. (2017) 36: 104 – 17. 10.15842 / kjcp.2017.36.1.010 [Kreuz Ref]
22. Sigerson L, Li AYL, Cheung MWL, Luk JW, Cheng C. Psychometrische Eigenschaften der chinesischen Internet-Spielestörung. Addict Behav. (2017) 74: 20 – 6. 10.1016 / j.addbeh.2017.05.031 [PubMed] [Kreuz Ref]
23. Burke Quinlan E, Dodakian L, Siehe J, Mckenzie A, Le V., Wojnowicz M, et al. . Subtyp der neuronalen Funktion, Verletzung und Schlaganfall sagen die Behandlungsgewinne nach Schlaganfall voraus. Ann Neurol. (2015) 77: 132 – 45. 10.1002 / ana.24309 [PMC freier Artikel] [PubMed] [Kreuz Ref]
24. Pariyadath V, Stein EA, Ross TJ. Die maschinelle Lernklassifizierung der funktionalen Konnektivität im Ruhezustand sagt den Raucherstatus voraus. Front Hum Neurosci. (2014) 8: 425. 10.3389 / fnhum.2014.00425 [PMC freier Artikel] [PubMed] [Kreuz Ref]
25. Fedota JR, Stein EA. Funktionale Konnektivität im Ruhezustand und Nikotinsucht: Perspektiven für die Entwicklung von Biomarkern. Ann NY Acad Sci. (2015) 1349: 64 – 82. 10.1111 / nyas.12882 [PMC freier Artikel] [PubMed] [Kreuz Ref]
26. Ahn WY, Ramesh D, Moeller FG, Vassileva J. Nutzen von Machine-Learning-Ansätzen zur Identifizierung von Verhaltensmerkmalen für Störungen des Substanzgebrauchs: Impulswerte als Prädiktoren für die gegenwärtige Kokainabhängigkeit. Vordere Psychiatrie (2016) 7: 34. 10.3389 / fpsyt.2016.00034 [PMC freier Artikel] [PubMed] [Kreuz Ref]
27. Ahn WY, Vassileva J. Machine-Learning identifiziert substanzspezifische Verhaltensmarker für Opiat- und Stimulanzienabhängigkeit. Drogen-Alkohol hängen ab. (2016) 161: 247 – 57. 10.1016 / j.drugalcdep.2016.02.008 [PMC freier Artikel] [PubMed] [Kreuz Ref]
28. Percy C., França M., Dragičević S., D'avila Garcez A. Vorhersage des Selbstausschlusses von Online-Glücksspielen: eine Analyse der Leistung von überwachten Modellen für maschinelles Lernen. Int Gambl Stud. (2016) 16: 193–210. 10.1080 / 14459795.2016.1151913 [Kreuz Ref]
29. Ding WN, Sun JH, Sun YW, Y Zhou, Li L, Xu JR et al. . Standardmäßige funktionale Konnektivität des Netzwerk-Ruhezustands bei Jugendlichen mit Spielsucht im Internet geändert. PloS ONE (2013) 8: e59902. 10.1371 / journal.pone.0059902 [PMC freier Artikel] [PubMed] [Kreuz Ref]
30. Meng Y, Deng W, Wang H., Guo W, Li T. Die präfrontale Dysfunktion bei Menschen mit Internet-Gaming-Störung: eine Meta-Analyse von funktionellen Magnetresonanztomographie-Studien. Süchtiger Biol. (2015) 20: 799-808. 10.1111 / adb.12154 [PubMed] [Kreuz Ref]
31. Zhang JT, Yao YW, Li CSR, Zang YF, Shen ZJ, Liu L, et al. . Veränderte funktionale Verbindungsfähigkeit der Insula im Ruhezustand bei jungen Erwachsenen mit Internet-Spielstörung. Addict Biol. (2015) 21: 743 – 51. 10.1111 / adb.12247 [PMC freier Artikel] [PubMed] [Kreuz Ref]
32. Cai C, Yuan K, Yin J, Feng D, Bi Y, Li Y et al. . Die Striatum-Morphometrie ist mit kognitiven Kontrolldefiziten und dem Schweregrad der Symptome bei einer Internet-Spielstörung verbunden. Brain Imaging Behav. (2016) 10: 12 – 20. 10.1007 / s11682-015-9358-8 [PubMed] [Kreuz Ref]
33. Park C, Chun JW, Cho H, Jung YC, Choi J, Kim DJ. Befindet sich das Internet-Gaming-abhängige Gehirn in der Nähe eines pathologischen Zustands? Addict Biol. (2017) 22: 196 – 205. 10.1111 / adb.12282 [PubMed] [Kreuz Ref]
34. Kuss DJ, Griffiths MD. Internet-Spielsucht: eine systematische Überprüfung der empirischen Forschung. Int J Ment Gesundheitssüchtiger. (2012) 10: 278 – 96. 10.1007 / s11469-011-9318-5 [Kreuz Ref]
35. Castellanos FX, Di Martino A., Craddock RC, AD Mehta, Milham MP. Klinische Anwendungen des funktionalen Connectoms. Neuroimage (2013) 80: 527 – 40. 10.1016 / j.neuroimage.2013.04.083 [PMC freier Artikel] [PubMed] [Kreuz Ref]
36. Tollenaar N, Van Der Heijden P. Welche Methode lässt den Rückfall am besten vorhersagen ?: Vergleich von statistischen Modellen, Machine Learning und Data Mining-Vorhersagemodellen. J Roy Stat Soc Ser A (2013) 176: 565 – 84. 10.1111 / j.1467-985X.2012.01056.x [Kreuz Ref]