Antaŭa psikiatrio. 2018; 9: 291.
Eldonita en linio 2018 Jun 29. doi: 10.3389 / fpsyt.2018.00291
PMCID: PMC6033968
PMID: 30008681
Parko Chang-hyun,1 Ji-Won Chun,1 Hyun Cho,1,2 kaj Dai-Jin Kim1,*
abstrakta
Interreta videoludado (IGD) ofte estas diagnozita surbaze de naŭ subaj kriterioj el la plej nova versio de la Diagnoza kaj Statistika Manlibro pri Mensa Malordoj (DSM-5). Ĉi tie, ni ekzamenis ĉu tia simptom-bazita kategoriigo povus esti tradukita al komputil-bazita klasifiko. Datenoj pri struktura MRI (sMRI) kaj disvastig-pezita MRI (dMRI) estis akiritaj en 38-ludantoj diagnozitaj kun IGD, 68 normalaj ludantoj diagnozitaj kiel ne havante IGD, kaj 37 sanaj ne-ludantoj. Ni generis 108-ecojn de griza materio (GM) kaj blanka materio (WM) strukturo el MRI-datumoj. Kiam regule loĝistika regreso estis aplikita al la neŭroatomatiaj ecoj de 108 por selekti gravajn por la distingo inter la grupoj, la senordaj kaj normalaj ludantoj estis reprezentitaj koncerne 43 kaj 21-ecojn respektive rilate al la sanaj ne-ludantoj, dum la malordaj ludantoj estis reprezentitaj koncerne 11-ecojn rilate al la normalaj ludantoj. En subtenaj vektomaj maŝinoj (SVM) uzantaj la malabundajn neŭroatomajn aspektojn kiel antaŭdiroj, la senordaj kaj normalaj ludantoj estis diskriminaciataj sukcese, kun precizeco superanta 98%, de la sanaj ne-ludantoj, sed la klasifiko inter la senordaj kaj normalaj ludantoj estis relative malfacila. Ĉi tiuj trovoj sugestas, ke patologiaj kaj ne-patologiaj ludantoj kiel kategoriiĝintaj kun la kriterioj de la DSM-5 povus esti reprezentitaj per neparenatomaj ecoj, precipe en la kunteksto de diskriminacio de homoj ne ludantaj sanajn.
Enkonduko
Kvankam sugestite kiel patologia toksomanio dum jardekoj (1), nur lastatempe la interreta videoludado (IGD) estis listigita en la Diagnoza kaj Statistika Manlibro pri Mensa Malordoj (DSM). La kvina eldono de la DSM (DSM-5) (2) identigis IGD kiel kondiĉon por plia studo kaj disponigis naŭ kriteriojn por diagnozi ĝin. En simptomoj bazitaj en kategoriigo uzanta la naŭ-eran IGD-skalon (IGDS) proponitan en la DSM-5, sojlo de sperto de kvin aŭ pli da kriterioj estis aplikita al la diagnozo de IGD. Kvankam ĉi tiu punkto-punkto povas adekvate diferenci ludantojn suferantajn gravan klinikan difekton (3), la diktomia naturo de IGDS-eroj implikas neeviteble diagnozan trovidon aŭ pigrecon.
Krom simptomoj, vario de IGD-rilataj misfunkcioj estas ofte observataj, ne malpli neŭroatomatiaj ŝanĝoj. Efektive, grava laborista laboro montris, ke IGD estas asociita kun strukturaj ŝanĝoj en la cerbo: ŝlimigado de griza materio (GM) volumo (4-6), redukto de kortika dikeco (7), Kaj perdo de blanka materio (WM) integreco (8, 9) estis tipe pruvitaj. Ĉi tiuj neuroanatomaj ŝanĝoj rilataj al IGD sugestas, ke tiaj cerbaj bildaj parametroj povas servi kiel biomarkantoj por distingi individuojn kun IGD de aliaj individuoj. Ĉi tio estas, la diagnozo de IGD eble fariĝos per komputila manipulado de neŭroatomatiaj biomarkiloj, anstataŭ per simptom-bazita kategoriigo laŭ la DSM-5. Ĉi tiuj provoj povas konveni al klopodoj por preterpasi priskriban diagnozon per uzado de komputaj aliroj al psikiatrio (10), specife datum-pritraktitaj aliroj bazitaj sur maŝina lernado (ML) por trakti la diagnozon de mensa malsano (11).
En ĉi tiu studo, ni serĉis ligon inter simptom-bazita kategoriigo sur la bazo de IGDS kaj komputado-bazita klasifiko uzante neuroanatomajn biomarkerojn en la diagnozo de IGD. Ĉar iuj GM- kaj WM-komponentoj de la cerbo verŝajne inkluzivus redundajn aŭ neerajn informojn por diagnoza klasifiko, ni serĉis selekti malplej neŭroatomatikajn ecojn per uzado de reguligita regresado. Ni hipotezis, ke simptom-bazita kategorizado povus esti reprezentita koncerne malmulte da neŭroatomatikaj ecoj, kiuj konsistigus klasifikajn modelojn por la diagnozo de IGD. Patologiaj ludantoj diagnozitaj kun IGD laŭdire estis pli malsimilaj de sanaj ludantoj ne ludantaj ol de ludantoj diagnozitaj kiel ne havantaj IGD, tio estas, ne patologiaj ludantoj; tiel, patologiaj ludantoj povus esti karakterizitaj per pli granda nombro da ecoj kompare kun ne-patologiaj ludantoj, rilate al ne-ludantaj sanaj individuoj. Krome, ni volis decidi ĉu ne-patologiaj ludantoj povus esti malpli distingeblaj de patologiaj ludantoj aŭ de ne-ludantaj sanaj individuoj. Ne-patologiaj ludantoj povus esti pigre supozitaj proksime al ne-ludantaj sanaj homoj koncerne priskribajn simptomojn, sed ni opiniis, ke tia nocio devas esti validigita per komputila klasifiko.
Materialoj kaj metodoj
partoprenantoj
Inter 237-partoprenantoj ludantaj Interret-bazitajn ludojn, 106-individuoj estis selektitaj ekskludante tiujn, kiuj elmontris misparolon inter la mem-raportita IGDS kaj strukturita intervjuo kun klinika psikologo en la diagnozo de IGD aŭ maltrafis aŭ severe distordis cerbajn bildajn datumojn. Surbaze de la IGDS, 38-individuoj (27.66 ± 5.61-jaroj; 13-inoj), kiuj kontentigis almenaŭ kvin IGDS-erojn estis etikeditaj senordaj ludantoj kaj 68-individuoj (27.96 ± 6.41-jaroj; 21-inoj), kiuj kontentigis maksimume unu IGDS-eron, estis etikeditaj normalaj ludantoj. Individuoj, kiuj kontentigis IGDS-artikolojn inter du kaj kvar, ankaŭ estis ekskluditaj, ĉar ili eble distingiĝos kiel alia klaso inter la senordaj kaj normalaj ludantoj (12). Krome, 37 individuoj (25.86 ± 4.10 jaroj; 13 inoj) ne ludantaj interretajn ludojn estis aparte varbitaj, kaj ili estis etikeditaj sanaj ne-ludantoj. La foresto de komorbidecoj en ĉiuj partoprenantoj estis konfirmita. Skriba informita konsento estis ricevita de ĉiuj partoprenantoj laŭ la Deklaracio de Helsinko kaj ĝiaj postaj amendoj, kaj la studo estis aprobita de la Institucia Revizia Estraro en la Seula St. Mary's Hospital, Seulo, Koreio
Akiro de MRI-datumoj
Datumoj de struktura MRI (sMRI) kaj disvastig-pezita MRI (dMRI) estis kolektitaj uzante 3 T MAGNETOM Verio-sistemon (Siemens AG, Erlangen, Germanio). La akiro de sMRI-datumoj estis farata per magnetigita preparita rapida gradiga e grada sekvenco: nombro da tranĉaĵoj en la sagita ebeno = 176, tranĉa dikeco = 1 mm, grando de matrico = 256 × 256, kaj en-ebena rezolucio = 1 × 1 mm . Por la akiro de dMRI-datumoj, disvastiga gradiga kodigado estis farita en 30-direktoj kun b = 1,000 s / mm2 kaj unuaklasa eco-planea bildiga sekvenco estis uzata: nombro da tranĉaĵoj en la aksa ebeno = 75, tranĉa dikeco = 2 mm, grando de matrico = 114 × 114, kaj en-ebena rezolucio = 2 × 2 mm.
Procesado de MRI-datumoj
Iloj inkluzivitaj en CAT12 (http://www.neuro.uni-jena.de/cat/) estis uzataj por prilabori sMRI-datumojn. La bildo de la cerba volumeno estis segmentita en malsamajn histojn, inkluzive de GM, WM, kaj kortikospina fluido same kiel spacie registrita al referenca cerbo en la norma spaco. En voxel-bazita morfometrio (VBM), voxel-saĝa GM-volumo estis taksita multobligante la probablon esti GM per la volumo de voxel, kaj tiam tiuj valoroj estis dividitaj per la tuta intrakrania volumo por agordi por unuopaj diferencoj en kap-volumo. En surfac-bazita morfometrio (SBM), kortika dikeco estis taksita uzante la projekcia-bazita dika metodo (13).
Prilaborado de dMRI-datumoj
Iloj inkluzivitaj en FSL 5.0 (http://fsl.fmrib.ox.ac.uk/fsl/) estis dungitaj por prilabori dMRI-datumojn. Ĉiuj bildoj estis reordigitaj al la nula bildo akirita kun b = 0 s / mm2 korekti por eddy-induktitaj distordoj kaj kapo-movo. Disvastiga tensoro estis modeligita ĉe ĉiu voxelo ene de la cerbo, kaj difuzis tensor-derivitajn parametrojn, inkluzive de frakcia anisotropio (FA), meznombra disvastigo (MD), aksa difuziveco (AD), kaj radia difuziveco (RD); donita tri disvastiĝojn laŭ malsamaj aksoj de difusa tensoro, FA estis kalkulita kiel la kvadrata radiko de la sumo de kvadratoj de disvastigaj diferencoj inter la tri aksoj, MD kiel la meza disvastigo tra la tri aksoj, AD kiel la plej granda disvastigo laŭ la ĉefa akso , kaj RD kiel la mezumo de disvastiĝoj laŭ du negravaj aksoj. Uzante traktat-spacajn statistikojn (TBSS) (14) efektivigitaj en FSL 5.0, la mapoj de difuzaj tensor-derivitaj parametroj estis registritaj en referenca cerbo en la norma spaco, kaj ili tiam projekciitaj al WM-traka skeleto.
Ĉefa generacio
Du ĉefaj paŝoj por desegni klasikan modelon estas generacio kaj elekto de ĉefaĵoj. Ni generis ecojn el neŭroanatomio, specife la volumeno kaj dikeco de aro de GM-regionoj kaj la integreco kaj disvastigo de aro de WM-traktoj. Post taksado de GM-volumeno kaj kortika dikeco kiel voxel-saĝaj mapoj akiritaj de VBM kaj SBM respektive, la parametroj estis taksitaj por ĉiu el 60 GM-regionoj (Tabelo S1), parigita kiel en la atlaso Hammers (15), kiel la mezumo tra ĉiuj vokaloj ene de ĝi. Taksante difuzajn tensor-derivitajn parametrojn, inkluzive de FA, MD, AD, kaj RD kiel voxel-saĝaj mapoj sur la trak-skeleto WM akiritaj de TBSS, la parametroj estis kalkulitaj por ĉiu el 48 WM-traktoj (Tabelo S2), parigita kiel en la ICBM DTI-81-atlaso (16), kiel la mezumo tra ĉiuj vokaloj ene de ĝi. En resumo, ni pripensis du parametrojn de GM kaj kvar parametroj de WM, kiuj donis ok kombinaĵojn de GM kaj WM-parametroj. Por ĉiu kombinaĵo de GM kaj WM-parametroj, parametraj valoroj de 60 GM-regionoj kaj 48 WM-traktoj formis totalon de 108 neuroanatomaj trajtoj.
Funkcia selektado per reguligita regreso
Redukti la nombron da ecoj gravas, precipe por datumoj kun granda nombro da ecoj kaj limigita nombro da observoj. La limigita nombro da observoj rilate al la nombro de ecoj povas konduki al taŭgeco al la bruo, kaj reguligo estas tekniko, kiu ebligas malpliigi aŭ malebligi trofunkcion per enmetado de pliaj informoj aŭ limigoj en modelo. Ĉar ĉiuj 108-ecoj eble ne inkluzivas utilajn kaj necesajn informojn por klasifiko, ni elektis malmultan aron de trajtoj per aplikado de reguligita regresado. Specife, la lazo (17) kaj elasta reto (18) estis uzataj por reguligita loĝistika regreso. La lasso inkluzivas punan terminon, aŭ reguligan parametron, λ, kiu limigas la grandecon de koeficientaj taksoj en loĝistika regresa modelo. Ĉar pliigo de λ kondukas al pli nulo-valoraj koeficientoj, la lazo provizas reduktitan loĝistikan regresan modelon kun malpli da prognozistoj. La elasta reto ankaŭ produktas reduktitan loĝistikan regresan modelon per agordo de koeficientoj al nulo, precipe per inkluzivo de hibrida regulregula parametro de la lasso kaj kresta regreso, superante la limigon de la lasso en traktado de tre korelaciaj predicatoroj (19).
Por la klasifiko inter ĉiu paro de la tri grupoj, ni aplikis la lason kaj elastan reton por identigi gravajn antaŭdirojn inter la neŭroatomatikaj ecoj de 108 en logistika regresa modelo. La 108-ecoj de ĉiuj individuoj en ĉiu paro de la tri grupoj estis normigitaj por komponi datuman matricon, A, en kiu ĉiu vico reprezentis unu observadon kaj ĉiu kolumno reprezentis unu prognozilon. Por korekti efikojn de la aĝo kaj sekso de individuoj sur la GM kaj WM-parametroj, resta formanta matrico, R, estis generita: R = I-C(CTC)-1C kie I estis identa matrico kaj C estis matrico kodanta konfuzantajn kunvariancojn de aĝo kaj sekso. Ĝi tiam estis aplikita al A akiri restaĵojn post regreso de la konfuzaj kunvariancoj: X = RA.
Konsiderata la ĝustigita datuma matrico, Xkaj la respondo, Y, tio kodis du klasojn de individuoj, 10-fold-cross-validation (CV) estis uzita por serĉi reguligan parametron, λMinErr, tio provizis la minimuman eraron koncerne deviancon, difinitan kiel negativa logikeco por la testita modelo averaĝe super la validumaj faldoj. Alternative, ĉar CV-kurbo havas erarojn ĉe ĉiu λ provita, reguliga parametro, λ1SE, tio estis trovita ene de norma normo de la minimuma CV-eraro direkte al kreskanta reguligo de λMinErr ankaŭ estis pripensita. Tio estas, pli malabundaj ecoj estis elektitaj ĉe λ1SE, dum malmultaj ecoj estis determinitaj ĉe λMinErr. Ĉi tiu proceduro por serĉi regalisman loĝistikan regresan modelon kun malpli da prognozistoj estis ripetita por ĉiu kombinaĵo de GM kaj WM-parametroj enhavantaj la neŭroanatomajn trajtojn de 108.
Plenumo de elektitaj trajtoj
Por taksi la utilecon de la malabundaj kaj pli malabundaj ecoj, la rendimento estis komparata inter la modelo kun reduktita nombro da ecoj kaj la modelo kun ĉiuj 108-ecoj en subtenaj vektoraj maŝinoj (SVMoj) per mezurado de la riceva funkcia karaktero (ROC) kurbo. Kun lineara kerno kiel kerno kaj hiperparametroj optimumigitaj per kvinobla CV, SVM estis trejnita por ĉiuj individuoj en ĉiu paro de la tri grupoj. La areo sub la ROC-kurbo (AUC) estis kalkulita por ĉiu modelo kiel kvanta mezuro de ĝia agado. Proksimaj provoj (20) estis dungitaj por kompari la AUC inter ĉiu paro de modeloj. Kiam la AUC diferencis je ĉ p-valoro de 0.05, efikeco estis konsiderata ne komparebla en du modeloj.
Klasika precizeco
Skemaj procedoj de la generacio kaj selektado de trajtoj ĝis la konstruado de klasifik-modeloj estas prezentitaj en Figuro Figure1.1. Por ĉiu paro de la tri grupoj, SVM-klasifik-modeloj estis generitaj uzante la elektitajn funkciojn kiel antaŭdiroj. Ni taksis precizecon de la klasifik-modeloj per uzado de forpermeso de CV-skemo, tiel ke ekster-specimena klasika precizeco estis kalkulita por ĉiu maldekstra individuo kaj tiam ĝi estis mezumita tra ĉiuj individuoj. La statistika signifo de precizeco estis taksita per uzado de permutaj provoj. Empira nula dissendo por klasifiki inter ĉiu paro de la tri grupoj estis generita per permesis plurfoje la etikedojn de individuoj kaj mezurante precizecon asociita kun la permesataj etiketoj. Kiam la precizeco mezurita por la nepermesitaj etiketoj estis pli alta aŭ egala al la nula distribuo ĉe a p-valoro de 0.05, tio estis determinita signife diferenca de la hazarda nivelo (precizeco = 50%). Krome, konfuza matrico estis videbla por priskribi sentivecon kaj specifecon rilate la distingon inter ĉiu paro de la tri grupoj.
Skemaj procedoj de la generacio kaj selektado de neŭroatomatiaj ecoj ĝis la konstruado de modeloj por la klasifiko inter senordaj ludantoj (DG) kaj sanaj ne-ludantoj (HN), inter normalaj ludantoj (NG) kaj HN, kaj inter DG kaj NG. GM, griza materio; WM, blanka afero.
rezultoj
Ebla elekto
cifero Figure22 vidigas elektitajn funkciojn inter la 108-funkcioj kun siaj koeficientaj taksoj kaj Tabelo Table11 priskribas rilatajn konvenajn informojn de la reguligita loĝistika regresmodelo por la klasifiko inter ĉiu paro de la tri grupoj. Krome, Figuro S1 montras λ kiu redonis la minimuman CV-eraron kaj kiom da ecoj estis elektitaj ĉe λ1SE same kiel ĉe λMinErr. La minimuma CV-eraro estis akirita en elekta elekto fare de la lasso (laza pezo = 1) por la klasifiko inter la sanaj ne-ludantoj kaj normalaj ludantoj kaj de la elasta reto (laza pezo = 0.5) por la alia klasifiko.
Elektitaj neŭroanatomiaj ecoj en reguligita logistika regreso por la klasifiko inter ĉiu paro de tri grupoj. Malordigitaj ludantoj (DG) estis kodigitaj kiel 1 en la klasifiko inter sanaj ne-ludantoj (HN) kaj DG, normalaj ludantoj (NG) kiel 1 en la klasifiko inter HN kaj NG, kaj DG kiel 1 en la klasifiko inter NG kaj DG. La grandeco de stango reprezentas la grandecon de la koeficiento de la respektiva trajto, tia ke ecoj de ne-nulaj koeficientoj estas elektitaj. La igitaj cerboj prezentas grizajn substancojn kaj blankajn substancojn, kiuj respondas al la elektitaj trajtoj el supera vido. Trajtoj en ruĝa aŭ blua indikas tiajn inkluzivitajn en pli malabundaj trajtoj determinitaj ĉe λ1SE same kiel en malabundaj ecoj determinitaj je λMinErr, dum tiuj en flava aŭ magenta indikas tiujn inkluzivitajn nur en malabundaj ecoj. La etiketoj de cerbaj komponentoj estas kiel provizitaj en Tabuloj S1 kaj S2. L, maldekstre; R, ĝuste.
tablo 1
Taŭgaj informoj pri reguligita loĝistika regreso por la klasifiko inter ĉiu paro de tri grupoj.
| HN vs DG | HN vs NG | NG vs DG | ||
|---|---|---|---|---|
| parametro | GM | dikeco | dikeco | volumo |
| WM | FA | RD | MD | |
| Lasso pezo | 0.5 | 1 | 0.5 | |
| Multekostaj elektoj elektitaj ĉe λMinErr | CV-eraro | 37.3681 | 41.7876 | 133.3857 |
| Nombro da ecoj | 43 | 21 | 11 | |
| Malsamaj ecoj elektitaj ĉe λ1SE | CV-eraro | 46.5681 | 50.0435 | 141.2622 |
| Nombro da ecoj | 34 | 12 | 1 | |
La laza pezo indikas, ĉu regalis loĝistika regreso estas uzata per la lazo (laza pezo = 1) aŭ elasta reto (laza pezo = 0.5).
HN, sanaj ne-ludantoj; DG, malambiguaj ludantoj; NG, normalaj ludantoj; GM, griza materio; WM, blanka afero; FA, frakcia anisotropio; RD, radia difuziveco; MD, meznombra disvastigo; CV, krucvalida.
En la diskriminacio de la senordaj ludantoj de la sanaj ne-ludantoj, 43-ecoj elektitaj ĉe λMinErr inkluzivis la dikecon de 24 GM-regionoj kaj FA de 19 WM-traktoj, kaj 34-ecoj elektitaj ĉe λ1SE enhavis la dikecon de 15 GM-regionoj kaj la FA de 19 WM-tractoj. En la distingo de la normalaj ludantoj de la sanaj ne-ludantoj, 21-ecoj elektitaj ĉe λMinErr inkluzivis la dikecon de 12 GM-regionoj kaj la RD de 9 WM-traktoj, kaj 12-ecojn elektitajn ĉe λ1SE enhavis la dikecon de 6 GM-regionoj kaj la RD de 6 WM-tractoj. En la klasifiko inter senordaj kaj normalaj ludantoj, 11-ecoj elektitaj ĉe λMinErr enhavis la volumenon de 7 GM-regionoj kaj la MD de 4 WM-traktoj, kaj unu trajton elektitan ĉe λ1SE korespondis al la volumo de unu GM-regiono.
Plenumo de elektitaj trajtoj
Inter la modelo kun reduktita nombro de funkcioj kaj la modelo kun ĉiuj 108-funkcioj, rendimento estis komparebla laŭ la AUC en la diskriminacio inter ĉiu speco de ludantoj kaj la sanaj ne-ludantoj de SVMs (Figuro (Figure3) .3). En la klasifiko inter senordaj kaj normalaj ludantoj, la modelo kun la ecoj elektitaj ĉu ĉe λMinErr (AUC = 0.83, p = 0.006) aŭ ĉe λ1SE (AUC = 0.72, p <0.001) montris pli malbonan rendimenton ol la modelo kun ĉiuj 108 trajtoj (AUC = 0.90).
Komparo de rendimento koncerne la areon sub la ricevilo funkcianta karakterizan kurbon (AUC) inter modeloj sen kaj kun ĉefa elekto por la klasifiko inter ĉiu paro de tri grupoj per subtenaj vektoroj. La modelo de 108-ecoj (indikitaj per solida linio) respondas al tio sen elekto de trajtoj, dum la modeloj de reduktitaj nombroj da funkcioj respondas al tiuj kun malabundaj kaj malplezaj funkcioj elektitaj ĉe λ.MinErr (indikita per strekita linio) kaj λ1SE (indikita per dash-linio) respektive. HN, sanaj ne-ludantoj; DG, malambiguaj ludantoj; NG, normalaj ludantoj.
Klasika precizeco
En klasifiko laŭ SVM-oj uzas la funkciojn elektitajn ĉe λMinErr, precizeco estis pli granda ol 98%, signife pli alta ol la hazarda nivelo (p <0.001), en la distingo de ĉiu tipo de ludantoj de sanaj neludantoj (Fig (Figuro4A) .4A). La precizeco estis ankoraŭ signife pli alta ol la hazarda nivelo (p = 0.002) sed tiel malalte kiel 69.8% en la klasifiko inter senordaj kaj normalaj ludantoj, specife montrante malaltan sentivecon (47.4%) en la ĝusta identigo de la senordaj ludantoj. La pli maldensaj ecoj determinitaj ĉe λ1SE elmontris similan agadon (Figuro (Bildo4B) 4B) sed montris multe pli malaltan sentivecon (2.6%) en la ĝusta distingo de la senordaj ludantoj de la normalaj ludantoj.
Konfuzaj matricoj en la klasifiko inter ĉiu paro de tri grupoj kiam vi uzas (A) aĉa kaj (B) malabundaj ecoj determinitaj ĉe λMinErr kaj ĉe λ1SErespektive en subtenaj vektoraj maŝinoj. Malsupra-dekstra ĉelo reprezentas klasifik-precizecon (ACC), la malsupra-maldekstra ĉelo vera negativa indico (TNR) aŭ specifeco, la pli malalta dekstra ĉela vera pozitiva indico (TNR) aŭ sentiveco, la supra-dekstra ĉela negativa antaŭdira valoro (NPV) ), kaj la mez-dekstra ĉela pozitiva antaŭdira valoro (PPV). TP, vera pozitiva; TN, vera negativo; FP, falsa pozitiva; FN, falsa negativo.
diskuto
En ĉi tiu studo, ni serĉis ekzameni ĉu la patologiaj kaj ne patologiaj ludantoj kiel kategoriigitaj kun la IGDS proponita en la DSM-5 povus esti reprezentitaj per neŭraŭtomataj trajtoj. La senordaj kaj normalaj ludantoj estis reprezentitaj rilate al 43 kaj 21-ecoj respektive rilate al la sanaj ne-ludantoj. Krome, la senordaj ludantoj estis reprezentitaj koncerne 11-ecojn rilate al la normalaj ludantoj. Uzante la malabundajn neŭroatomikajn ecojn, la senordaj kaj normalaj ludantoj povus esti diskriminaciataj sukcese de la sanaj ne-ludantoj, sed la klasifiko inter la senordaj kaj normalaj ludantoj estis relative malfacila.
Simptom-bazita priskriba kategoriigo de IGD kun la IGDS proponita en la DSM-5 estas vaste adoptita. Kvankam empiria valideco de la IGDS estis konfirmita en multoblaj landoj (3, 21, 22), la sojlo de spertado de kvin aŭ pli da IGDS-eroj eble ne estas certa elekto, kaj aliaj manieroj kategorii individuojn ludantajn interretajn ludojn eble esti sugestitaj (12). Ĉar multoblaj specoj de klinikaj datumoj, kiel ekzemple cerbaj bildigaj datumoj same kiel demografiaj, kondutaj, kaj simptomaj datumoj, fariĝas ĉiam pli disponeblaj, pliaj datumoj povus esti prefere uzataj por la diagnozo de mensa malsano. Precipe pro la amaso de kvantaj informoj, cerbaj bildaj datumoj taŭgas por komputaj aliroj kaj utilus por prognozado. Efektive, cerbaj bildigaj datumoj pruviĝis havi superajn prognozajn valorojn kompare kun aliaj klinikaj datumoj pri prognozo por solvado de klinike grava problemo (23).
Kiel ML-bazita diagnoza klasifiko estis lastatempe aplikita al aliaj toksomaniaj kondutoj kaj malordoj (24-28), simptom-bazita kategoriigo de IGD ankaŭ ŝajnas alfronti defion de komputil-bazita klasifiko. Ĉar anatomiaj anormalecoj de la cerbo post IGD estis plurfoje raportitaj en antaŭaj studoj (5-7, 9), ni konsideris tiajn neŭroatomajn informojn de cerbaj bildigaj datumaj eblaj biomarkiloj por la diagnozo de IGD. En ĉi tiu studo, nia celo estis identigi aron da gravaj neŭroatomatikaj ecoj, kiuj povus havigi adekvate altan rangigan agadon, preter priskribado de neŭroatomatikaj diferencoj inter klasoj de individuoj.
Ni elektis gravajn, inter neŭroatomatikaj ecoj de 108, ĝisfunde reguligitan regreson. Kiam ni pripensis ok kombinaĵojn de GM kaj WM-parametroj, malsamaj kombinaĵoj de parametroj estis elektitaj por distingi ĉiun paron de la tri grupoj. La kombinaĵo de la dikeco de GM-regionoj kaj la integreco de WM-traktoj estis pli bona por distingado de patologiaj ludantoj de sanaj ne-ludantoj, dum la kombinaĵo de la volumo de GM-regionoj kaj disvastigo de WM-traktoj estis pli bona por distingi patologiajn ludantojn. de la ne patologiaj ludantoj. Cetere, kvankam multaj cerbaj komponentoj ofte servis kiel neŭroatomatikaj ecoj, kiuj estis gravaj por la distingo de la patologiaj kaj ne patologiaj ludantoj de la sanaj ne-ludantoj, iuj GM-regionoj kaj WM-vojoj karakterizis la ne patologiajn ludantojn, sed ne la patologiajn ludantojn. . Ĉi tiuj trovoj indikas, ke eble ne ekzistas universale plej bone plenumanta kombinaĵo de GM kaj WM-parametroj kiel neuroanatomaj biomarkers, tiel ke specifa kombinaĵo de GM kaj WM-parametroj bezonas esti elektita laŭ grupoj por esti klasita.
La malpli granda nombro de la malabundaj ecoj por la distingo de la ne patologiaj ludantoj kompare kun la distingo de la patologiaj ludantoj, de la sanaj ne-ludantoj, reflektas, ke la ne patologiaj ludantoj estas en transira stadio inter la patologiaj ludantoj kaj sanaj. ne-ludantoj. Krome, la malpli da malabundaj ecoj por la klasifiko inter la du specoj de ludantoj ol por la diskriminacio inter ĉiu speco de ludantoj kaj la sanaj ne-ludantoj nomas, ke la patologiaj kaj ne-patologiaj ludantoj estas malpli malsimilaj unu al la alia koncerne. de neŭroatatomio ol al ili malsimilaj de la sanaj ne-ludantoj. Laŭe, la klasifikaj modeloj generitaj per la malabundaj ecoj donis precizecon superantan 98% en la diskriminacio inter ĉiu tipo de ludantoj kaj la sanaj ne-ludantoj sed precizeco sub 70% en la klasifiko inter la du specoj de ludantoj. Tio estas, la ne-patologiaj ludantoj estis distingeblaj de la sanaj ne-ludantoj same kiel la patologiaj ludantoj, sed estis limigoj en distingado inter la patologiaj kaj ne patologiaj ludantoj.
Ĉi tiu relative malalta distingebleco inter la du specoj de ludantoj ŝajnas sugesti kelkajn nociojn. Unue, misfunkcio inter simptom-bazita kategoriigo kaj komputado-bazita klasifiko povas esti proponita. Kvankam la proponita diagnoza sojlo de spertado de kvin aŭ pli da kriterioj en la IGDS estis konservative elektita por malhelpi tro-diagnozon de IGD (12), la ĉeesto de ludantoj suferantaj konsiderindajn patologiajn ŝanĝojn en neŭroanatomio sed ne kontentiganta la IGD-sojlon eble ne estas malatentata. En aparta, ni nur inkluzivis ludantojn, kiuj kontentigis IGDS-erojn multe malpli ol la IGD-sojlo kiel la normalaj ludantoj, tiel ke ludantoj diagnozitaj kiel ne havi IGD povus esti ĝenerale pli malproksimaj de ne-videoludantaj sanaj homoj ol montritaj en ĉi tiu studo. Due, povas esti rimarkita defio en klasifiko dependanta nur de neŭroatomatiaj biomarkiloj. Klasifikada agado povus esti plibonigita inkluzivante aliajn biomarkilojn, kiuj povas kapti pli grandan malsimilecon inter la patologiaj kaj ne patologiaj ludantoj. Precipe ĉar funkciaj ŝanĝoj en la cerbo ankaŭ pruviĝas en IGD (29-33), funkcio same kiel anatomio de la cerbo povus esti konsiderataj cerbaj biomarkistoj. Krome ni volas rimarki, ke ŝanĝoj en la cerbo nur konsistigas parton de la multidimensiaj facetoj de la interreta videoludado, tiel ke aliaj faktoroj, ne malpli diversaj internaj kaj eksteraj riskaj faktoroj por interreta videoludado (34), devus esti inkluzivita en pli kompletaj modeloj por la klasifiko inter patologiaj kaj ne patologiaj ludantoj same kiel por la distingo de ludantoj de ne-ludantaj sanaj individuoj.
Ĉi tie, ni utiligis reguligitan regreson, uzante stimulilojn de malrapideco kiel la lasso kaj elasta reto, por identigi gravajn trajtojn por klasifik-modeloj. Ekzistas efektive metodologiaj variadoj en redukta selektado aŭ redukteco de dimensieco, kaj oni povas uzi diversajn alirojn por la uzo de elektitaj trajtoj en modelkonstruado (35). Nia agado per reguligita regresio kunportas al priori supozon pri malrapideco en neŭroatomatiaj ecoj. Krom se tia supozo estas akceptebla, kiel ni kredis en ĉi tiu studo, reguligita regreso povus esti plaŭdinda alproksimiĝo, kaj oni atendus, ke la elektita aro de malabundaj ecoj kunmetus klasifikajn modelojn de adekvate alta agado. Sed rimarkindas, ke pli simplaj klasifaj modeloj bazitaj sur pli granda malabundo eble ne ĉiam montras kompareblan aŭ plibonigitan rendimenton. Efektive, inter diversaj elektoj de la malabunda grado laŭ reguliga parametro, pli granda ŝparemo probable ne havus pli bonan plenumantan modelon specife en pli malfacilaj problemoj pri klasifiko, kiel ekzemple la klasifiko inter patologiaj kaj ne patologiaj ludantoj.
Krome ni uzis SVM-ojn kiel ML-teknikon por konstruado de klasifik-modeloj, ĉar ili estas inter la plej popularaj. Aliaj progresintaj metodoj povas esti uzataj por plibonigi rangigan agadon, kvankam kompara agado inter malsamaj metodoj eble ne konkludas pro la dependeco de agado sur eksperimentaj scenoj (19). Aliflanke, por kompara agado inter klasikaj statistikaj metodoj kaj ML-teknikoj, ni ankaŭ realigis klasifikon per loĝistika regreso kaj montris, ke la du metodoj, nome logistika regreso kaj SVM, estas kompareblaj en la agado de klasifiko (Figuro S2). Eble ĝi indikas, ke klasikaj statistikaj metodoj ne ĉiam malsuperas al ML-teknikoj en agado de klasifiko (36).
En la nuna studo, ni malkaŝis, ke simptom-bazita kategoriigo de IGD povus esti reprezentita koncerne malmultajn neuroanatomikajn biomarkerojn, kiuj kunmetis klasifikajn modelojn. Plue, ni pruvis, ke ne-patologiaj ludantoj povus esti malpli distingeblaj de patologiaj ludantoj ol de sanaj ludantoj ne ludantaj, se temas pri neŭroanatomio. Ni do sugestas, ke kvankam nunaj diagnozaj sistemoj dependas de priskriba kategoriigo kiel la DSM-5 kiel la oraj normoj, ne-patologiaj ludantoj eble bezonos esti diagnozitaj kun pli da zorgado per uzado de objektivaj biomarkiloj kiel tiuj asociitaj kun neŭroatomatiaj altecoj. Adopto de komputaj aliroj ŝajnas esti nerefutebla tendenco en psikiatrio, sed eble ekzistas longa vojo por praktiki apliki tiujn al klinikaj medioj. Serĉi la optimuman elekton de malabundaj ecoj de cerbaj bildigoj kaj aliaj klinikaj datumoj bezonas esti efektivigitaj en postaj studoj, kaj longtempe ĉi tiuj klopodoj antaŭenigus la komput-bazitan diagnozon de IGD.
Aportaj kontribuoj
D-JK kaj J-WC respondecis pri la studa koncepto kaj dezajno. HC faris la klinikan karakterizadon kaj elekton de partoprenantoj. CP analizis la datumojn kaj redaktis la manuskripton. Ĉiuj aŭtoroj kritike recenzis enhavon kaj aprobis finan version por publikigo.
Konflikto de intereso-deklaro
La aŭtoroj deklaras, ke la esplorado estis farita sen manko de komercaj aŭ financaj rilatoj, kiujn oni povus konsideri kiel ebla konflikto de intereso.
Piednotoj
Financado. Ĉi tiu esplorado estis subtenita de la Brain Science Research Programme per la Nacia Esplora Fundamento de Koreio (NRF) financita de la Ministerio pri Scienco kaj TIC en Koreio (NRF-2014M3C7A1062893).
Suplementa materialo
La Suplementa Materialo por ĉi tiu artikolo povas esti trovita enrete ĉe: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material
Referencoj
;
