Front Psychiatry. 2018; 9: 291.
Julkaistu verkossa 2018 kesäkuu 29. doi: 10.3389 / fpsyt.2018.00291
PMCID: PMC6033968
PMID: 30008681
Chang-hyun-puisto,1 Ji-Won Chun,1 Hyun Cho,1,2 ja Dai-Jin Kim1,*
Abstrakti
Internet-pelihäiriöt (IGD) diagnosoidaan usein yhdeksän perusedellytyksen perusteella mielenterveyden häiriöiden diagnostiikka- ja tilastollisen käsikirjan (DSM-5) uusimmasta versiosta. Tässä tutkimme, voidaanko tällainen oireisiin perustuva luokittelu muuntaa laskentapohjaiseksi luokitukseksi. Rakenteelliset MRI (sMRI) ja diffuusiolla painotetut MRI (dMRI) tiedot hankittiin 38-pelaajilla, joilla oli diagnosoitu IGD, 68-normaalilla pelaajilla, joilla diagnosoitiin puuttuvan IGD, ja 37-terveillä ei-pelaajilla. Olemme luoneet MRI-tiedoista harmaata ainetta (GM) ja valkoisen aineen (WM) rakenteita 108. Kun 108: n neuroanatomisiin piirteisiin sovellettiin normalisoitua logistista regressiota tärkeiden valitsemiseksi ryhmien erottamiseksi, epäjärjestyneet ja normaalit pelaajat olivat edustettuna vastaavasti 43- ja 21-ominaisuuksilla suhteessa terveisiin ei-pelaajiin, kun taas epäjärjestyneet pelaajat olivat edustettuina 11-ominaisuuksien suhteen normaaliin pelaajiin nähden. Tukivektorikoneissa (SVM), jotka käyttivät harvinaisia neuroanatomisia piirteitä ennustajina, häiriintyneet ja normaalit pelaajat erotettiin onnistuneesti, tarkkuuden ollessa yli 98%, terveistä pelaajista, mutta luokittelu häiriintyneiden ja normaalien pelaajien välillä oli suhteellisen haastava. Nämä havainnot viittaavat siihen, että patologiset ja ei-patologiset pelaajat, jotka on luokiteltu DSM-5: n kriteereillä, voivat edustaa harvoja neuroanatomisia piirteitä, etenkin kun pelataan muita kuin pelaamista koskevista terveistä yksilöistä.
esittely
Vaikka häntä on ehdotettu patologiseksi riippuvuudeksi vuosikymmenien ajan (1), vasta äskettäin Internet-pelihäiriöt (IGD) lueteltiin mielenterveyshäiriöiden diagnostiikka- ja tilastollisessa käsikirjassa (DSM). DSM: n viides painos (DSM-5) (2) tunnisti IGD: n ehtona jatkotutkimukselle ja tarjosi yhdeksän kriteeri sen diagnosoimiseksi. Oireisiin perustuvassa luokittelussa käyttäen DSM − 5: ssä ehdotettua yhdeksän kappaleen IGD-asteikkoa (IGDS), IGD: n diagnosointiin sovellettiin viiden tai useamman kriteerin kokemiskynnystä. Vaikka tämä raja-arvo voi erottaa riittävästi pelaajia, joilla on merkittävä kliininen heikentyminen (3), IGDS-esineiden dihotoomiseen luonteeseen liittyy väistämättä diagnostinen ylimääräinen yksinkertaistaminen tai epämääräisyys.
Oireiden lisäksi havaitaan yleisesti erilaisia IGD: hen liittyviä toimintahäiriöitä, etenkin neuroanatomiset muutokset. Itse asiassa huomattava osa työstä on osoittanut, että IGD liittyy aivojen rakenteellisiin muutoksiin: harmaan aineen (GM) määrän supistumiseen (4-6), aivokuoren paksuuden pieneneminen (7) ja valkoisen aineen (WM) eheyden menetys (8, 9) on tyypillisesti osoitettu. Nämä IGD: hen liittyvät neuroanatomiset muutokset viittaavat siihen, että sellaiset aivojen kuvantamisparametrit voivat toimia biomarkkereina erottaakseen IGD-potilaat muista yksilöistä. Toisin sanoen, IGD: n diagnoosi voidaan tehdä tekemällä neuroanatomisten biomarkkereiden laskennallinen manipulointi, eikä oireisiin perustuvan luokituksen perusteella, joka perustuu DSM-5: iin. Nämä yritykset voivat olla linjassa pyrkimysten kanssa siirtyä kuvailevan diagnoosin ulkopuolelle käyttämällä laskennallisia lähestymistapoja psykiatriaan (10), erityisesti tietopohjaisiin lähestymistapoihin, jotka perustuvat koneoppimiseen (ML) mielenterveyden diagnosoimiseksi (11).
Tässä tutkimuksessa etsittiin yhteyttä oireisiin perustuvan luokittelun välillä IGDS: n ja laskentapohjaisen luokituksen välillä käyttämällä neuroanatomisia biomarkkereita IGD: n diagnoosissa. Koska jotkut aivojen GM- ja WM-komponentit sisältävät todennäköisesti tarpeettomia tai merkityksettömiä tietoja diagnostiseen luokitukseen, pyrimme valitsemaan harvat neuroanatomiset piirteet käyttämällä säännöllistä regressiota. Hypoteesimme, että oireisiin perustuva luokittelu voidaan esittää harvoina neuroanatomisina piirteinä, jotka muodostavat luokittelumallit IGD: n diagnoosiksi. IGD: llä diagnosoitujen patologisten pelaajien ajateltiin eroavan paremmin muista kuin pelaamista koskevista terveistä yksilöistä kuin pelaajista, joille on diagnosoitu IGD, toisin sanoen ei-patologisista pelaajista; siten patologisille pelaajille voitaisiin luonnehtia suurempi määrä ominaisuuksia kuin ei-patologisissa pelaajissa suhteessa muihin kuin pelaamista koskeviin terveisiin yksilöihin. Lisäksi halusimme päättää, voidaanko ei-patologiset pelaajat erottaa vähemmän patologisista pelaajista vai ei-pelaamista koskevista terveistä yksilöistä. Ei-patologisten pelaajien voidaan epämääräisesti olettaa olevan läheisiä ei-pelaamista koskeville terveille yksilöille kuvailevien oireiden suhteen, mutta ajattelimme, että tällainen käsitys on vahvistettava laskentapohjaisella luokittelulla.
Materiaalit ja menetelmät
osallistujat
Internet-pohjaisia pelejä pelaavien 237-osallistujien joukosta 106-henkilöt valittiin sulkemalla pois henkilöt, joilla ei ollut eroa itsensä ilmoittaman IGDS: n ja kliinisen psykologin kanssa järjestetyn haastattelun välillä IGD: n diagnoosissa tai jotka olivat menettäneet tai vakavasti vääristäneet aivojen kuvantamistietoja. IGDS: n perusteella merkittiin 38-yksilöt (27.66 ± 5.61 vuotta; 13 naiset), jotka tyytyivät vähintään viiteen IGDS-esineeseen, merkittiin häiriintyneinä pelaajina ja 68-yksilöinä (27.96 ± 6.41 vuotta; 21 naisia), jotka tyytyivät korkeintaan yhteen IGDS-tuotteeseen. normaalit pelaajat. Henkilöt, jotka tyytyivät IGDS-tuotteisiin välillä kaksi ja neljä, jätettiin myös ulkopuolelle, koska heidät voidaan havaita toisena luokana epäjärjestyneiden ja normaalien pelaajien välillä (12). Lisäksi 37 henkilöä (25.86 ± 4.10 vuotta; 13 naista), jotka eivät pelaa Internet-pohjaisia pelejä, värvättiin erikseen, ja heidät nimettiin terveiksi ei-pelaajille. Kaikkien osallistujien ei havaittu aiheuttavan samanaikaisia sairauksia. Kaikilta osallistujilta saatiin kirjallinen tietoon perustuva suostumus Helsingin julistuksen ja sen myöhempien muutosten mukaisesti, ja tutkimuksen hyväksyi Soulin St.Mary's Hospitalin Soulissa, Koreassa toimiva instituutioiden arviointilautakunta.
MRI-tietojen hankkiminen
Rakenne-MRI (sMRI) ja diffuusiolla painotettu MRI (dMRI) -tiedot kerättiin käyttämällä 3 T MAGNETOM Verio -järjestelmää (Siemens AG, Erlangen, Saksa). SMRI-tietojen hankkiminen suoritettiin käyttämällä magnetoinnilla valmisteltua nopeaa gradientin kaikujaksoa: viipaleiden lukumäärä sagitaalisessa tasossa = 176, viipaleen paksuus = 1 mm, matriisin koko = 256 x 256 ja tason resoluutio = 1 × 1 mm . DMRI-datan hankkimiseksi suoritettiin diffuusiogradienttikoodaus 30-suuntiin b = 1,000 s / mm2 ja käytettiin yhden kuvan kaiku-tasomaista kuvantamissekvenssiä: viivojen lukumäärä aksiaalitasossa = 75, viipaleen paksuus = 2 mm, matriisin koko = 114 x 114 ja tason sisällä resoluutio = 2 x 2 mm.
MRI-tietojen käsittely
Työkalut sisältyvät CAT12 (http://www.neuro.uni-jena.de/cat/) käytettiin sMRI-tietojen käsittelemiseen. Aivojen tilavuuskuva segmentoitiin eri kudoksiin, mukaan lukien GM, WM ja kortikospinaalineste, ja rekisteröitiin tilallisesti referenssiaivoihin standarditilassa. Vokselipohjaisessa morfometriassa (VBM) vokselipohjainen GM-tilavuus arvioitiin kertomalla todennäköisyys olla GM: ää vokselin tilavuudella, ja sitten nämä arvot jaettiin ihmisen sisäisellä kokonaistilavuudella pään tilavuuden yksilöllisten erojen mukauttamiseksi. Pintapohjaisessa morfometriassa (SBM) kuoren paksuus arvioitiin käyttämällä projektioperusteista paksuusmenetelmää (13).
DMRI-tietojen käsittely
FSL 5.0 -sovellukseen kuuluvat työkalut (http://fsl.fmrib.ox.ac.uk/fsl/) käytettiin dMRI-datan käsittelemiseen. Kaikki kuvat kohdistettiin nollakuvan kanssa, joka on hankittu b = 0 s / mm2 pyörrevirran aiheuttamien vääristymien ja pään liikkeen korjaamiseksi. Diffuusio tennsori mallinnettiin jokaisessa aivojen vokselissa, ja diffuusiotensorista johdetut parametrit, mukaan lukien fraktioiva anisotropia (FA), keskimääräinen diffusiivisuus (MD), aksiaalinen diffusiivisuus (AD) ja radiaalinen diffusiivisuus (RD), laskettiin; kolmella diffuusiivisuudella diffuusiotenssorin eri akseleilla, FA laskettiin kolmen akselin välisten diffuusioeroerojen neliöiden summan neliöjuurena, MD keskimääräisen diffuusiovoiman kautta kolmen akselin kohdalla, AD suurimpana diffuusiivisuutena pääakselilla. , ja RD kahden pienemmän akselin diffunditeetin keskiarvona. Kudospohjaisten tilatilastojen (TBSS) käyttäminen (14), joka oli toteutettu FSL 5.0: ssä, diffuusiotensorista johdettujen parametrien kartat rekisteröitiin spatiaalisesti referenssiaivoihin standarditilassa, ja ne sitten projisoitiin WM-traktin luurankoon.
Ominaisuuksien luominen
Kaksi päävaihetta luokitusmallin suunnittelussa ovat ominaisuuksien luominen ja valinta. Luimme piirteitä neuroanatomiasta, erityisesti GM-aluejoukon tilavuuden ja paksuuden sekä joukon WM-traktaattien eheyttä ja diffuusiivisuutta. Sen jälkeen kun GM-tilavuus ja aivokuoren paksuus on arvioitu vastaavasti VBM: ltä ja SBM: ltä hankituilla vokselitetyillä karttoilla, parametrit arvioitiin jokaiselle 60 GM -alueelle (taulukko S1), hiukkaset kuten Hammers-atlas (15) kaikkien sen sisällä olevien vokselien keskiarvona. Saatuaan arvioidut diffuusiotensorijohdannaiset parametrit, mukaan lukien FA, MD, AD ja RD vokselitehtaisina karttoina TBSS: ltä hankitusta WM-traktin luustossa, parametrit laskettiin jokaiselle 48 WM -kohdasta (taulukko S2), hiukkasia, kuten ICBM DTI-81-atlasissa (16) kaikkien sen sisällä olevien vokselien keskiarvona. Yhteenvetona tarkasteltiin kahta GM-parametria ja neljää WM-parametria, jotka tuottivat kahdeksan GM- ja WM-parametrien yhdistelmää. Kullekin GM- ja WM-parametrien yhdistelmälle 60 GM -alueiden ja 48 WM -alueiden parametriarvot muodostivat yhteensä 108 neuroanatomisia piirteitä.
Ominaisuuksien valinta normalisoidun regression avulla
Ominaisuuksien lukumäärän vähentäminen on tärkeää, etenkin tietojen tapauksessa, joissa on paljon ominaisuuksia ja rajoitettu määrä havaintoja. Rajoitettu havaintojen lukumäärä ominaisuuksien lukumäärään nähden voi johtaa melun liialliseen asennukseen, ja säätäminen on tekniikka, joka mahdollistaa ylikuormituksen vähentämisen tai estämisen lisäämällä mallille lisätietoja tai rajoituksia. Koska kaikki 108-ominaisuudet eivät välttämättä sisällä hyödyllisiä ja tarpeellisia tietoja luokittelussa, valitsimme harvan ominaisuusjoukon soveltamalla säännöllistä regressiota. Erityisesti lasso (17) ja joustava verkko (18) käytettiin normalisoituun logistiseen regressioon. Lassi sisältää rangaistustermin tai normalisointiparametrin λ, joka rajoittaa kerroinestimaattien kokoa logistisessa regressiomallissa. Koska λ: n lisäys johtaa enemmän nolla-arvoisiin kertoimiin, lasso tarjoaa pienennetyn logistisen regressiomallin, jolla on vähemmän ennustajia. Elastinen verkko tuottaa myös alennetun logistisen regressiomallin asettamalla kertoimet nollaan, erityisesti sisällyttämällä lasson ja harjanteen regression hybridi-normalisointiparametrin, ylittämällä lasson rajoitukset hoidettaessa korreloivia ennusteita (19).
Luokittelua varten kolmen ryhmän kunkin parin välillä käytettiin lasso- ja joustavaa verkkoa tärkeiden ennustajien tunnistamiseksi 108-neuroanatomisten piirteiden joukossa logistisessa regressiomallissa. Kaikkien kolmen ryhmän parien kaikkien yksilöiden 108-ominaisuudet standardoitiin muodostamaan datamatriisi, A, jossa kukin rivi edusti yhtä havaintoa ja kukin sarake edusti yhtä ennustinta. Korjataakseen yksilöiden iän ja sukupuolen vaikutukset GM- ja WM-parametreihin, jäännösmuovausmatriisi, R, luotiin: R = I-C(CTC)-1C jossa I oli identiteettimatriisi ja C oli matriisi, joka koodasi sekoittaen iän ja sukupuolen muuttujat. Sitä sovellettiin sitten A jäännösten saamiseksi sekoittavien kovariaattien regressoinnin jälkeen: X = RA.
Kun otetaan huomioon oikaistu datamatriisi, X, ja vastaus, Y, joka koodasi kaksi yksilöluokkaa, 10-kertaista ristiinvalidointia (CV) käytettiin etsimään normalisointiparametria, λMinErr, joka antoi minimivirheen poikkeavuudessa, joka määritettiin negatiiviseksi log-todennäköisyydeksi testatulle mallille, keskiarvona validointitaittoihin. Vaihtoehtoisesti, koska CV-käyrässä on virheitä jokaisessa testatussa λ: ssä, säätelyparametri λ1SE, joka löydettiin vähimmäis-CV-virheen yhdestä standardivirheestä normalisoinnin lisääntymisen suunnassa λ: stäMinErr otettiin myös huomioon. Eli harvemmat piirteet valittiin kohdasta λ1SE, kun taas harvat piirteet määritettiin λ: ssäMinErr. Tämä menettely säännöllisen logistisen regressiomallin löytämiseksi, jossa oli vähemmän ennustajia, toistettiin jokaiselle GM- ja WM-parametrien yhdistelmälle, joka käsitti 108-neuroanatomiset piirteet.
Valittujen ominaisuuksien suorituskyky
Harvan ja harvemman ominaisuuden hyödyllisyyden arvioimiseksi verrattiin suorituskykyä mallin, jolla on pienentynyt määrä ominaisuuksia, ja mallin välillä kaikilla 108-ominaisuuksilla tukivektorikoneissa (SVM) mittaamalla vastaanottimen toimintaominaisuuksien (ROC) käyrää. Kun lineaarinen ydin on ytimen funktio ja hyperparametrit optimoitu viisinkertaisella CV: llä, SVM koulutettiin kaikille yksilöille kolmen ryhmän parissa. ROC-käyrän (AUC) alapinta-ala laskettiin jokaiselle mallille sen suorituskyvyn kvantitatiivisena mitattuna. DeLong-testit (20) käytettiin vertaamaan AUC: ta kunkin malliparin välillä. Kun AUC poikkesi a p-arvo 0.05, suorituskykyä ei pidetty vertailukelpoisena kahdessa mallissa.
Luokituksen tarkkuus
Kuviossa 3 on esitetty kaaviolliset menettelytavat ominaisuuksien luomisesta ja valinnasta luokittelumallien rakentamiseen Figure1.1. Kullekin kolmen ryhmän parille generoitiin SVM-luokittelumallit käyttämällä valittuja ominaisuuksia ennustajina. Arvioimme luokittelumallien tarkkuutta käyttämällä jättämällä yksinäistä CV-järjestelmää siten, että otoksen ulkopuolisen luokituksen tarkkuus laskettiin jokaiselle jätetylle yksilölle ja sitten se laskettiin keskiarvoksi kaikille henkilöille. Tarkkuuden tilastollinen merkitsevyys arvioitiin käyttämällä permutaatiokokeita. Empiirinen nollajakauma luokittelua varten kolmen ryhmän parien välillä generoitiin jatkuvasti höyryttämällä yksilöiden etiketit ja mittaamalla permutoituihin etiketteihin liittyvä tarkkuus. Kun luvattomien tarrojen mitattu tarkkuus oli suurempi tai yhtä suuri kuin nollajakauma a: ssa p- 0.05-arvo, jonka määritettiin eroavan merkittävästi sattumustasosta (tarkkuus = 50%). Lisäksi visualisoitiin sekaannusmatriisi kuvaamaan herkkyyttä ja spesifisyyttä kolmen ryhmän kunkin parin välisen eron suhteen.
Kaaviomenetelmät neuroanatomisten piirteiden luomisesta ja valinnasta mallien luomiseen häiriöttömien pelaajien (DG) ja terveiden muiden kuin pelaajien (HN), normaalien pelaajien (NG) ja HN välillä sekä pääosaston ja NG välillä. GM, harmaa aine; WM, valkea aine.
tulokset
Ominaisuuden valinta
Kuva Figure22 näyttää valitut ominaisuudet 108-ominaisuuksien joukossa kertoimien arvioiden ja taulukon kanssa Table11 kuvaa kuvaa normalisoidun logistisen regressiomallin liittyviä sovitustietoja kolmen ryhmän kunkin parin luokittelua varten. Lisäksi kuva S1 osoittaa, mikä λ tuotti vähimmäis-CV-virheen ja kuinka monta ominaisuutta valittiin kohdassa λ1SE samoin kuin kohdassa λMinErr. Pienin CV-virhe saatiin ominaisuuksien valinnassa lassolla (lassopaino = 1) luokittelussa terveiden muiden kuin pelaajien ja normaalien pelaajien välillä ja elastisella verkolla (lassopaino = 0.5) toisella luokittelulla.
Valitut neuroanatomiset piirteet säännöllisessä logistisessa regressiossa luokittelua varten kolmen ryhmän parien välillä. Häirittyneet pelaajat (DG) koodattiin terveiden ei-pelaajien (HN) ja DG: n luokituksessa 1, normaalit pelaajat (NG) 1: ksi HN: n ja NG: n luokituksessa ja DG 1: ksi luokittelussa NG: n ja DG: n välillä. Palkin koko edustaa kyseisen ominaisuuden kertoimen kokoa siten, että nollasta poikkeavien kertoimien ominaisuudet valitaan. Renderoidut aivot kuvaavat harmaata ainesta ja valkoisen aineen komponentteja, jotka vastaavat valittuja ominaisuuksia ylhäältä katsottuna. Punaisella tai sinisellä olevat ominaisuudet osoittavat, että ne sisältyvät harvinaisempiin ominaisuuksiin, jotka määritetään λ: lla1SE samoin kuin harvoissa piirteissä, jotka määritetään λ: ssäMinErr, kun taas keltaiset tai magentat värit osoittavat, että ne sisältyvät vain harvoihin piirteisiin. Aivokomponenttien etiketit ovat taulukkojen mukaiset S1 ja S2. L, vasen; R oikein.
Taulukko 1
Normaalin logistisen regression sovitustiedot luokitteluun kolmen ryhmän välillä.
HN vs. pääosasto | HN vs. NG | NG vs. pääosasto | ||
---|---|---|---|---|
Parametri | GM | Paksuus | Paksuus | tilavuus |
WM | FA | RD | MD | |
Lasso paino | 0.5 | 1 | 0.5 | |
Λ-kohdassa valitut harvat ominaisuudetMinErr | CV-virhe | 37.3681 | 41.7876 | 133.3857 |
Ominaisuuksien lukumäärä | 43 | 21 | 11 | |
Vähemmän ominaisuudet valittu kohdasta λ1SE | CV-virhe | 46.5681 | 50.0435 | 141.2622 |
Ominaisuuksien lukumäärä | 34 | 12 | 1 |
Lassopaino osoittaa, suoritettiinko lakisääteinen logistinen regressio käyttämällä lassoa (lasopaino = 1) vai elastista verkkoa (lasson paino = 0.5).
HN, terveet pelaajat; DG, epäjärjestyneet pelaajat; NG, normaalit pelaajat; GM, harmaa aine; WM, valkeaine; FA, fraktioitu anisotropia; RD, säteittäinen diffuusio; MD, keskimääräinen diffuusio; CV, ristiinvalidointi.
Erinomaisten pelaajien syrjinnässä terveistä ei-pelaajista 43-ominaisuudet valitaan kohdassa λMinErr käsitti 24 GM -alueiden paksuuden ja 19 WM -kohteiden FA: n ja 34-ominaisuudet, jotka valittiin kohdassa λ1SE käsitti 15 GM -alueiden paksuuden ja 19 WM -kohteiden FA: n. Erottaessa normaalit pelaajat terveistä pelaajista, 21-ominaisuudet valitaan kohdassa λMinErr käsitti 12 GM -alueiden paksuuden ja 9 WM -kohteiden RD: n ja 12-ominaisuudet, jotka valittiin kohdassa λ1SE käsitti 6 GM -alueiden paksuuden ja 6 WM -kohtien RD: n. Järjestyksessä epäjärjestyneiden ja normaalien pelaajien välillä 11-ominaisuudet valitaan kohdassa λMinErr käsitti 7 GM -alueiden määrän ja 4 WM-traktien MD: n ja yhden ominaisuuden, joka valittiin kohdassa λ1SE vastasi yhden GM-alueen määrää.
Valittujen ominaisuuksien suorituskyky
Vähemmän ominaisuuksilla varustetun mallin ja kaikilla 108-ominaisuuksilla varustetun mallin välillä suorituskyky oli vertailukelpoinen AUC: n suhteen, kun SVM: t erottivat jokaisen pelaajatyypin ja terveiden muiden kuin pelaajien välillä (kuvio) (Figure3) .3). Järjestyksessä epäjärjestyneiden ja normaalien pelaajien välillä malli, jonka ominaisuudet valitaan joko kohdalla λMinErr (AUC = 0.83, p = 0.006) tai kohdassa λ1SE (AUC = 0.72, p <0.001) osoitti heikompaa suorituskykyä kuin malli, jolla oli kaikki 108 ominaisuutta (AUC = 0.90).
Suorituskyvyn vertailu vastaanottimen toimintaominaiskäyrän (AUC) alapuolella olevan pinta-alan välillä mallien välillä ilman ominaisuusvalintaa ja luokittelu kunkin kolmen ryhmän välillä tukivektorikoneiden avulla. 108-ominaisuuksien malli (merkitty yhtenäisellä viivalla) vastaa mallia ilman ominaisuuksien valintaa, kun taas pienennetyn määrän ominaisuuksia koskevat mallit vastaavat malleja, joissa harvat ja harvemmat ominaisuudet valitaan kohdasta λMinErr (merkitty katkoviivalla) ja λ1SE (merkitty viiva-pisteviivalla). HN, terveet pelaajat; DG, epäjärjestyneet pelaajat; NG, normaalit pelaajat.
Luokituksen tarkkuus
Luokittelussa SVM: n avulla käyttämällä λ: ssä valittuja ominaisuuksiaMinErr, tarkkuus oli suurempi kuin 98%, huomattavasti korkeampi kuin mahdollisuus (p <0.001), erottamalla pelaajatyypit terveistä ei-pelaajista (kuva (Figure4A) .4A). Tarkkuus oli edelleen huomattavasti korkeampi kuin mahdollisuustaso (p = 0.002), mutta niinkin alhainen kuin 69.8% luokittelussa häiriintyneiden ja normaalien pelaajien välillä, osoittaen erityisesti alhaisen herkkyyden (47.4%) häiriintyneiden pelaajien oikeassa tunnistamisessa. Harvemmat ominaisuudet määritetään λ: ssä1SE näytti samanlaista suorituskykyä (kuva (Figure4B) 4B), mutta osoitti paljon pienempää herkkyyttä (2.6%), kun erotettiin epäjärjestyksessä olevat pelaajat oikein normaaleista pelaajista.
Sekaannusmatriisit luokittelussa kunkin kolmen ryhmän parin välillä käytettäessä () harva ja (B) harvemmat ominaisuudet määritettynä λ: ssäMinErr ja kohdassa λ1SEvastaavasti tukivektorikoneissa. Oikean alareunan solu edustaa luokitustarkkuutta (ACC), vasemman ala-solun todellisen negatiivisen nopeuden (TNR) tai spesifisyyttä, ala-keski-solun todellisen positiivisen nopeuden (TNR) tai herkkyyttä, oikean yläreunan solun negatiivisen ennustearvon (NPV) ) ja keskioikean oikean solun positiivinen ennustearvo (PPV). TP, tosi positiivinen; TN, todellinen negatiivinen; FP, väärä positiivinen; FN, väärin negatiivinen.
Keskustelu
Tässä tutkimuksessa pyrimme tutkimaan, voisiko DSM-5: ssä ehdotetun IGDS: n kanssa luokiteltuja patologisia ja ei-patologisia pelaajia harvoilla neuroanatomisilla piirteillä. Järjestymättömät ja normaalit pelaajat olivat edustettuna vastaavasti 43- ja 21-ominaisuuksilla suhteessa terveisiin ei-pelaajiin. Lisäksi häiriintyneet pelaajat olivat edustettuina 11-ominaisuuksien suhteen normaalien pelaajien kanssa. Käyttämällä harvoja neuroanatomisia piirteitä, häiriöttömät ja normaalit pelaajat voidaan erottaa onnistuneesti terveistä ei-pelaajista, mutta luokittelu epäjärjestyneiden ja normaalien pelaajien välillä oli suhteellisen haastava.
DSM-5: ssä ehdotettu IGD: n oirepohjainen kuvaileva luokittelu IGDS: n kanssa on laajalti käytössä. Vaikka IGDS: n empiirinen pätevyys on vahvistettu useissa maissa (3, 21, 22), viiden tai useamman IGDS-kohteen kokeminen ei välttämättä ole varma valinta, ja voidaan ehdottaa muita tapoja luokitella henkilöitä, jotka pelaavat Internet-pohjaisia pelejä (12). Koska monentyyppisiä kliinisiä tietoja, kuten aivojen kuvaustietoja sekä demografisia, käyttäytymiseen liittyviä ja oireellisia tietoja tulee yhä enemmän saataville, lisätietoja voitaisiin mieluummin käyttää mielisairauksien diagnosointiin. Erityisesti kvantitatiivisen tiedon massiivisuuden takia aivojen kuvaustiedot soveltuvat laskennallisiin lähestymistapoihin ja olisivat hyödyllisiä ennustamisessa. Itse asiassa aivojen kuvaustiedoilla on osoitettu olevan parempia ennustearvoja verrattuna muihin kliinisiin tietoihin ennusteessa kliinisesti merkittävän ongelman ratkaisemiseksi (23).
Koska ML-pohjaista diagnostista luokitusta on äskettäin sovellettu muihin riippuvuutta aiheuttaviin käyttäytymisiin ja häiriöihin (24-28), IGD: n oirepohjainen luokittelu näyttää myös olevan laskentapohjaisen luokituksen haaste. Koska aivojen anatomisia poikkeavuuksia IGD: n jälkeen on toistuvasti ilmoitettu aiemmissa tutkimuksissa (5-7, 9), harkitsimme sellaisia aivojen kuvantamisen tietojen potentiaalisten biomarkkereiden neuroanatomisia tietoja IGD: n diagnosoimiseksi. Tässä tutkimuksessa tavoitteemme oli identifioida joukko tärkeitä neuroanatomisia piirteitä, jotka voisivat tarjota riittävän korkean luokittelutason, yksilöiden luokkien välisten neuroanatomisten erojen kuvaamisen lisäksi.
Valitsimme tärkeät 108-neuroanatomisten piirteiden joukosta perusteellisen ja säännöllisen regression. Kun tarkastelimme kahdeksan GM- ja WM-parametrien yhdistelmää, valittiin erilaiset parametrikombinaatiot kolmen ryhmän kunkin parin erottamiseksi. Geneettisesti muunnettujen alueiden paksuuden ja WM-traktien eheyden yhdistelmä oli parempi erottamaan patologiset pelaajat terveistä kuin pelaajista, kun taas muuntogeenisten alueiden määrän ja WM: n diffusiivisuuden yhdistelmä oli parempi erottamaan patologiset pelaajat. ei-patologisista pelaajista. Lisäksi vaikka monet aivojen komponentit toimivat yleensä neuroanatomisina piirteinä, jotka olivat tärkeitä patologisten ja ei-patologisten pelaajien erottamisessa terveistä ei-pelaajista, jotkut GM-alueet ja WM-piirteet luonnehtivat ei-patologisia pelaajia, mutta eivät patologisia pelaajia . Nämä havainnot osoittavat, että GM: n ja WM: n parametrejä ei välttämättä ole yleisesti parhaiten toimivina yhdistelminä neuroanatomisina biomarkkereina, joten GM: n ja WM: n parametrien erityinen yhdistelmä on valittava luokiteltavien ryhmien mukaan.
Pienempi määrä harvoja piirteitä ei-patologisten pelaajien erottamiseksi verrattuna patologisten pelaajien erottamiseen terveistä ei-pelaajista osoittaa, että ei-patologiset pelaajat ovat siirtymävaiheessa patologisten pelaajien ja terveiden välillä non-pelaajat. Lisäksi harvemmat piirteet luokittelussa kahden pelaajatyypin välillä kuin syrjinnässä kunkin tyyppisten pelaajien ja terveiden muiden kuin pelaajien välillä merkitsevät sitä, että patologiset ja ei-patologiset pelaajat olivat vähemmän erilaisia toisiinsa suhteessa toisistaan neuroanatomian kannalta kuin niille, jotka eroavat terveistä ei-pelaajista. Niinpä harvoilla ominaisuuksilla luodut luokittelumallit tuottivat tarkkuuden, joka ylitti 98%: n erottelussa kunkin pelaajatyypin ja terveiden ei-pelaajien välillä, mutta tarkkuus alle 70% luokituksessa kahden pelaajatyypin välillä. Toisin sanoen ei-patologiset pelaajat olivat erotettavissa terveistä ei-pelaajista kuin patologiset pelaajatkin, mutta patologisten ja ei-patologisten pelaajien erottamisessa oli rajoituksia.
Tämä suhteellisen heikko erotettavuus kahden pelaajatyypin välillä näyttää viittaavan muutamiin käsityksiin. Ensinnäkin voidaan ehdottaa oirepohjaisen luokittelun ja laskentapohjaisen luokituksen epäsovitusta. Vaikka ehdotettu diagnoosikynnys, joka koski viiden tai useamman kriteerin kokemista IGDS: ssä, valittiin konservatiivisesti, jotta estettäisiin IGD: n liian suuri diagnoosi (12), pelaajien läsnäoloa, jotka kärsivät huomattavista neuroanatomian patologisista muutoksista, mutta jotka eivät täytä IGD-kynnysarvoa, ei voida jättää huomiotta. Erityisesti sisällytimme normaaleiksi pelaajiksi vain pelaajat, jotka tyydyttävät IGDS-kohteita, jotka ovat paljon pienemmät kuin IGD-kynnysarvot, jotta pelaajat, joilla diagnosoitiin IGD: n puuttuvan, voisivat olla yleensä kauempana muista kuin pelaamista koskevista terveistä henkilöistä, kuin tässä tutkimuksessa esitettiin. Toiseksi voidaan todeta haaste luokittelussa, joka perustuu vain neuroanatomisiin biomarkkereihin. Luokituksen suorituskykyä voitaisiin parantaa sisällyttämällä siihen muita biomarkkereita, jotka pystyvät havaitsemaan suuremman eroavuuden patologisten ja ei-patologisten pelaajien välillä. Erityisesti, koska aivojen toiminnalliset muutokset on osoitettu myös IGD: ssä (29-33), aivojen toimintaa ja anatomiaa voidaan pitää aivojen biomarkkereina. Lisäksi haluamme huomata, että aivojen muutokset ovat vain osa Internet-peliriippuvuuden moniulotteisia puolia, joten muut tekijät, etenkin erilaiset sisäiset ja ulkoiset Internet-peliriippuvuuden riskitekijät (34), olisi sisällytettävä täydellisempiin malleihin luokitteluun patologisten ja ei-patologisten pelaajien välillä sekä pelaajien erottamiseksi muista kuin pelaamista koskevista terveistä yksilöistä.
Täällä olemme käyttäneet normalisoitua regressiota käyttämällä harvaisuutta edistäviä arvioita, kuten lassoa ja joustavaa verkkoa, luokittelumallien tärkeiden ominaisuuksien tunnistamiseksi. Ominaisuuksien valinnassa tai ulottuvuuden pienentämisessä on todella metodologisia variaatioita, ja valittujen ominaisuuksien käyttämiseen mallinrakennuksessa voidaan käyttää erilaisia lähestymistapoja (35). Lähestymistapamme, jossa käytetään säännöllistä regressiota, edellyttää etukäteen olettamusta herkkyydestä neuroanatomisissa piirteissä. Edellyttäen, että tällainen oletus on hyväksyttävää, kuten uskomme tässä tutkimuksessa, säännöllinen regressio voi olla uskottava lähestymistapa ja valitun harvojen piirteiden odotetaan muodostavan luokittelumallit riittävän korkealla suorituskyvyllä. Mutta on huomattava, että yksinkertaisemmilla, harvempaan luokittelumallilla ei aina ole vastaavaa tai parantunutta suorituskykyä. Itse asiassa säätelyparametrin mukaisen harvaisuusasteen eri valintojen joukosta suurempi harvuus ei todennäköisesti tarjoa parempaa suoritusmallia erityisesti haastavammissa luokitteluongelmissa, kuten luokittelu patologisten ja ei-patologisten pelaajien välillä.
Lisäksi olemme käyttäneet SVM-malleja ML-tekniikkana luokittelumallien rakentamisessa, koska ne ovat suosituimpien joukossa. Muita edistyneitä menetelmiä voidaan käyttää luokittelun suorituskyvyn parantamiseksi, vaikka vertailukelpoista suorituskykyä eri menetelmien välillä ei välttämättä tehdä, koska suorituskyky riippuu kokeellisista skenaarioista (19). Toisaalta vertailun suorittamiseksi klassisten tilastollisten menetelmien ja ML-tekniikoiden välillä suoritimme luokituksen myös logistisella regressiolla ja osoitimme, että kaksi menetelmää, nimittäin logistinen regressio ja SVM, olivat vertailukelpoisia luokituksen suorituksessa (kuva S2). Voidaan toistaa, että klassiset tilastolliset menetelmät eivät aina ole huonompia kuin ML-tekniikat luokittelukyvyssä (36).
Tässä tutkimuksessa olemme paljastaneet, että oireisiin perustuva IGD: n luokittelu voisi olla edustettuna harvoilla neuroanatomisilla biomarkkereilla, jotka muodostivat luokittelumalleja. Lisäksi olemme osoittaneet, että ei-patologiset pelaajat voivat olla neuroanatomian suhteen vähemmän erotettavissa patologisista pelaajista kuin terveistä yksilöistä, jotka eivät pelaa. Ehdotamme siis, että vaikka nykyiset diagnostiikkajärjestelmät luottavat kuvailevaan luokitteluun, kuten DSM-5, kultastandardeina, ei-patologiset pelaajat voidaan joutua diagnosoimaan tarkemmin hoitamalla objektiivisia biomarkkereita, kuten sellaisia, jotka liittyvät neuroanatomisiin muutoksiin. Laskennallisten lähestymistapojen omaksuminen näyttää olevan peruuttamaton suuntaus psykiatriassa, mutta niiden käytännön soveltamiseen kliiniseen ympäristöön voi olla vielä pitkä tie kuljettavana. Aivojen kuvantamisesta ja muusta kliinisestä tiedosta on löydettävä optimaalinen valinta harvoista piirteistä, ja se on suoritettava myöhemmissä tutkimuksissa, ja pitkällä tähtäimellä nämä toimet edistäisivät IGD: n laskentapohjaista diagnoosia.
Kirjoittajan maksut
D-JK ja J-WC olivat vastuussa opintokokonaisuudesta ja suunnittelusta. HC suoritti kliinisen karakterisoinnin ja osallistujien valinnan. CP analysoi tiedot ja laati käsikirjoituksen. Kaikki kirjoittajat arvostelivat kriittisesti sisältöä ja hyväksyivät lopullisen version julkaisemista varten.
Eturistiriidat
Kirjoittajat toteavat, että tutkimus toteutettiin ilman sellaisia kaupallisia tai taloudellisia suhteita, joita voitaisiin pitää mahdollisena eturistiriitana.
alaviitteet
Rahoitusta. Tätä tutkimusta tuki aivotutkimusohjelma Korean kansallisen tutkimuskeskuksen (NRF) kautta, jota rahoitti Korean tiede- ja ICT-ministeriö (NRF-2014M3C7A1062893).
Oheismateriaali
Tämän artikkelin lisämateriaali löytyy osoitteesta: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material
Viitteet