Des joueurs Internet discriminants, pathologiques et non pathologiques, utilisant des caractéristiques neuroanatomiques clairsemées (2018)

. 2018; 9: 291.

Publié en ligne 2018 Jun 29. est ce que je:  10.3389 / fpsyt.2018.00291

PMCID: PMC6033968

PMID: 30008681

Abstract

Le trouble du jeu sur Internet (IGD) est souvent diagnostiqué sur la base de neuf critères sous-jacents de la dernière version du Manuel diagnostique et statistique des troubles mentaux (DSM-5). Ici, nous avons examiné si une telle catégorisation basée sur les symptômes pouvait être traduite en une classification basée sur des calculs. Des données d'IRM structurelle (IRM) et d'IRM pondérée en diffusion (IRMd) ont été acquises chez les joueurs 38 chez lesquels un diagnostic d'IGD a été diagnostiqué, les joueurs 68 normaux chez lesquels un diagnostic d'IGD a été diagnostiqué et chez les non-joueurs en bonne santé de 37. Nous avons généré les caractéristiques 108 de la structure de la matière grise (GM) et de la substance blanche (WM) à partir des données IRM. Lorsque la régression logistique régularisée a été appliquée aux caractéristiques neuroanatomiques 108 afin de sélectionner celles importantes pour la distinction entre les groupes, les joueurs désordonnés et normaux ont été représentés en termes de caractéristiques 43 et 21, respectivement, par rapport aux non-joueurs en bonne santé, les joueurs désordonnés étaient représentés en termes de fonctionnalités 11 par rapport aux joueurs normaux. Dans les machines à vecteurs de support (SVM) utilisant les caractéristiques neuroanatomiques clairsemées comme prédicteurs, les joueurs désordonnés et normaux ont été discriminés avec succès, avec une précision supérieure à 98%, des non-joueurs en bonne santé, mais la classification entre les joueurs désordonnés et normaux était relativement difficile. Ces résultats suggèrent que les joueurs pathologiques et non pathologiques, tels que catégorisés selon les critères du DSM-5, pourraient être représentés par des caractéristiques neuroanatomiques clairsemées, en particulier dans le contexte de la discrimination des individus en bonne santé.

Mots clés: trouble du jeu sur Internet, classification diagnostique, IRM structurelle, IRM pondérée en diffusion, régression régularisée

Introduction

Bien qu’il ait été suggéré comme dépendance psychologique pendant des décennies (), ce n’est que récemment que le trouble du jeu sur Internet (IGD) a été répertorié dans le Manuel diagnostique et statistique des troubles mentaux (DSM). La cinquième édition du DSM (DSM-5) () a identifié l'IGD comme une condition pour des études ultérieures et a fourni neuf critères pour le diagnostiquer. Dans la catégorisation basée sur les symptômes à l'aide de l'échelle IGD à neuf éléments (IGDS) proposée dans le DSM-5, un seuil de cinq critères ou plus a été appliqué au diagnostic d'IGD. Bien que cette limite permette de différencier de manière adéquate les joueurs souffrant d’une déficience clinique importante (), la nature dichotomique des éléments IGDS implique inévitablement une simplification excessive du diagnostic ou un flou.

Outre les symptômes, une variété de dysfonctionnements liés à l'IGD sont couramment observés, notamment des modifications neuroanatomiques. En effet, de nombreux travaux ont montré que l’IGD était associé à des altérations structurelles du cerveau: rétrécissement du volume de matière grise (GM) (-), réduction de l'épaisseur corticale (), et perte de substance blanche (WM), intégrité (, ) ont été généralement démontrés. Ces modifications neuroanatomiques liées à l'IGD suggèrent que de tels paramètres d'imagerie cérébrale peuvent servir de biomarqueurs pour distinguer les individus atteints d'IGD d'autres individus. C'est-à-dire que le diagnostic d'IGD peut être établi par une manipulation informatique de biomarqueurs neuroanatomiques plutôt que par une catégorisation basée sur les symptômes basée sur le DSM-5. Ces tentatives peuvent s’aligner sur les efforts visant à dépasser le diagnostic descriptif en utilisant des approches informatiques en psychiatrie (), en particulier des approches basées sur les données et basées sur l’apprentissage automatique (ML) pour aborder le diagnostic de la maladie mentale ().

Dans cette étude, nous avons recherché un lien entre la catégorisation basée sur les symptômes sur la base de l'IGDS et la classification basée sur le calcul en utilisant des biomarqueurs neuroanatomiques dans le diagnostic de l'IGD. Certains composants GM et MW du cerveau pouvant contenir des informations redondantes ou non pertinentes pour la classification diagnostique, nous avons cherché à sélectionner des caractéristiques neuroanatomiques clairsemées en utilisant une régression régularisée. Nous avons émis l’hypothèse que la catégorisation basée sur les symptômes pourrait être représentée en termes de caractéristiques neuroanatomiques clairsemées qui constitueraient des modèles de classification pour le diagnostic de l’IGD. Les joueurs pathologiques chez lesquels on a diagnostiqué une IGD étaient considérés comme plus dissemblables des personnes en bonne santé qui ne jouaient pas au jeu que des joueurs chez lesquels on a diagnostiqué l'absence d'IGD, c'est-à-dire des joueurs non pathologiques; ainsi, les joueurs pathologiques pourraient être caractérisés par un plus grand nombre de caractéristiques que les joueurs non pathologiques, par rapport aux individus en bonne santé qui ne jouent pas. De plus, nous voulions décider si les joueurs non pathologiques pouvaient être moins distingués des joueurs pathologiques ou des individus en bonne santé qui ne jouent pas. Les joueurs non pathologiques pourraient être vaguement supposés être proches des individus en bonne santé en termes de symptômes descriptifs, mais nous avons pensé qu'une telle notion doit être validée au moyen d'une classification basée sur le calcul.

Matériels et méthodes

Participants

Parmi les participants 237 jouant à des jeux sur Internet, les individus 106 ont été sélectionnés en excluant ceux qui présentaient un décalage entre l'IGDS autodéclaré et un entretien structuré avec un psychologue clinicien lors du diagnostic d'IGD ou ayant manqué ou gravement déformé des données d'imagerie cérébrale. Sur la base du IGDS, les individus 38 (années 27.66 ± 5.61; femmes 13) qui satisfont au moins cinq éléments IGDS sont étiquetés joueurs désordonnés et les individus 68 (au maximum 27.96 années 6.41) sont étiquetés les joueurs normaux. Les personnes qui satisfont aux critères IGDS entre deux et quatre sont également exclues, car elles peuvent être distinguées comme une autre classe entre les joueurs désordonnés et les joueurs normaux (). En outre, 37 personnes (25.86 ± 4.10 ans; 13 femmes) ne jouant pas à des jeux sur Internet ont été recrutées séparément et ont été qualifiées de non-joueurs en bonne santé. L'absence de comorbidités chez tous les participants a été confirmée. Le consentement éclairé écrit a été obtenu de tous les participants conformément à la Déclaration d'Helsinki et à ses amendements ultérieurs, et l'étude a été approuvée par le Comité d'examen institutionnel de l'hôpital St. Mary de Séoul, Séoul, Corée.

Acquisition de données IRM

Les données d'IRM structurelle (IRM) et d'IRM pondérée en diffusion (IRMd) ont été recueillies à l'aide d'un système 3 T MAGNETOM Verio (Siemens AG, Erlangen, Allemagne). L'acquisition des données sMRI a été réalisée à l'aide d'une séquence d'écho à gradient rapide préparée par aimantation: nombre de coupes dans le plan sagittal = 176, épaisseur des coupes = 1 mm, taille de la matrice = 256 × 256 et résolution dans le plan = 1 × 1 mm . Pour l’acquisition de données dMRI, le codage par gradient de diffusion a été effectué dans les directions 30 avec b = 1,000 s / mm2 et une séquence d'imagerie écho-planaire à une seule prise a été utilisée: nombre de coupes dans le plan axial = 75, épaisseur des coupes = 2 mm, taille de la matrice = 114 × 114 et résolution dans le plan = 2 × 2 mm.

Traitement des données IRM

Outils inclus dans CAT12 (http://www.neuro.uni-jena.de/cat/) ont été utilisés pour traiter les données sMRI. L'image du volume cérébral a été segmentée en différents tissus, y compris les OGM, la MW et le liquide corticospinal, et a été spatialement enregistrée sur un cerveau de référence dans l'espace standard. Dans la morphométrie à base de voxel (VBM), le volume GM par voxel a été estimé en multipliant la probabilité d'être GM par le volume d'un voxel, puis ces valeurs ont été divisées par le volume intracrânien total pour ajuster les différences individuelles de volume de la tête. En morphométrie de surface (SBM), l’épaisseur corticale a été estimée à l’aide de la méthode de l’épaisseur par projection ().

Traitement des données IRMd

Outils inclus dans FSL 5.0 (http://fsl.fmrib.ox.ac.uk/fsl/) ont été utilisés pour traiter les données dMRI. Toutes les images ont été réalignées sur l’image nulle acquise avec b = 0 s / mm2 corriger les distorsions induites par les courants de Foucault et les mouvements de la tête. Un tenseur de diffusion a été modélisé à chaque voxel dans le cerveau et des paramètres dérivés du tenseur de diffusion, notamment l'anisotropie fractionnelle (AF), la diffusivité moyenne (MD), la diffusivité axiale (AD) et la diffusivité radiale (RD), ont été calculés; étant donné trois diffusivités suivant différents axes d'un tenseur de diffusion, FA a été calculé comme étant la racine carrée de la somme des carrés des différences de diffusivité entre les trois axes, MD étant la diffusivité moyenne sur les trois axes, AD étant la plus grande diffusivité le long de l'axe principal et RD en tant que moyenne des diffusivités le long de deux axes mineurs. Utilisation de statistiques spatiales par secteur (TBSS) () mis en œuvre dans FSL 5.0, les cartes des paramètres dérivés du tenseur de diffusion ont été enregistrées spatialement dans un cerveau de référence dans l’espace standard, puis ont été projetées sur un squelette du tractus MW.

Génération de fonctionnalités

La génération et la sélection d’entités sont deux étapes principales de la conception d’un modèle de classification. Nous avons généré des caractéristiques issues de la neuroanatomie, notamment le volume et l'épaisseur d'un ensemble de régions génétiquement modifiées, ainsi que l'intégrité et la diffusivité d'un ensemble de segments de la MW. Après avoir estimé le volume GM et l'épaisseur corticale sous forme de cartes voxel acquises à partir de VBM et SBM, respectivement, les paramètres ont été évalués pour chacune des régions 60 GM (Tableau S1), comme dans l’atlas des marteaux (), comme la moyenne de tous les voxels qu’il contient. Après avoir estimé les paramètres dérivés du tenseur de diffusion, y compris FA, MD, AD et RD sous la forme de cartes voxel sur le squelette de la voie MW acquis à partir de TBSS, les paramètres ont été calculés pour chaque voie 48 (Tableau S2), comme dans l’atlas ICBM DTI-81 (), comme la moyenne de tous les voxels qu’il contient. En résumé, nous avons considéré deux paramètres de GM et quatre paramètres de WM, ce qui a donné huit combinaisons de paramètres de GM et de WM. Pour chaque combinaison de paramètres GM et WM, les valeurs de paramètre des régions 60 GM et des secteurs 48 WM composaient un total de caractéristiques neuroanatomiques 108.

Sélection de caractéristiques par régression régularisée

Réduire le nombre de caractéristiques est important, en particulier pour les données comportant un grand nombre de caractéristiques et un nombre limité d'observations. Le nombre limité d'observations par rapport au nombre de caractéristiques peut conduire à un surajustement du bruit, et la régularisation est une technique qui permet de réduire ou d'empêcher le surajustement en introduisant des informations supplémentaires ou des contraintes sur un modèle. Étant donné que toutes les fonctionnalités 108 peuvent ne pas inclure les informations utiles et nécessaires à la classification, nous avons sélectionné un ensemble de fonctionnalités fragmenté en appliquant une régression régularisée. Plus précisément, le lasso () et filet élastique () ont été utilisés pour la régression logistique régularisée. Le lasso comprend un terme de pénalité ou un paramètre de régularisation, λ, qui limite la taille des estimations de coefficients dans un modèle de régression logistique. Étant donné qu'une augmentation de λ conduit à davantage de coefficients à valeur zéro, le lasso fournit un modèle de régression logistique réduit avec moins de prédicteurs. Le réseau élastique produit également un modèle de régression logistique réduit en fixant des coefficients à zéro, notamment en incluant un paramètre de régularisation hybride de la régression de lasso et de crête, ce qui permet de surmonter la limitation du lasso dans le traitement de prédicteurs fortement corrélés ().

Pour la classification entre chaque paire des trois groupes, nous avons appliqué les réseaux de lasso et élastique pour identifier les prédicteurs importants parmi les caractéristiques neuroanatomiques 108 dans un modèle de régression logistique. Les caractéristiques 108 de tous les individus de chaque paire des trois groupes ont été normalisées pour composer une matrice de données, A, dans lequel chaque ligne représentait une observation et chaque colonne représentait un prédicteur. Pour corriger les effets de l'âge et du sexe des individus sur les paramètres GM et MW, une matrice de formation résiduelle, R, a été généré: R = I-C(CTC)-1C De I était une matrice d'identité et C était une matrice codant confondant les covariables d’âge et de sexe. Il a ensuite été appliqué à A pour obtenir les résidus après régression des covariables confondantes: X = RA.

Compte tenu de la matrice de données ajustée, Xet la réponse, Y, qui a codé deux classes d’individus, la validation croisée (CV) par pliage 10 a été utilisée pour rechercher un paramètre de régularisation, λMinErr, qui fournissait l'erreur minimale en termes de déviance, définie comme log-vraisemblance négative pour le modèle testé, moyennée sur les replis de validation. Alternativement, puisqu’une courbe CV présente des erreurs à chaque λ testé, un paramètre de régularisation, λ1SE, trouvée dans une erreur type de l'erreur de CV minimale dans le sens d'une régularisation croissante à partir de λMinErr a également été considéré. C’est-à-dire que les caractéristiques plus rares ont été sélectionnées à λ1SE, alors que les traits épars ont été déterminés à λMinErr. Cette procédure de recherche d'un modèle de régression logistique régularisé avec moins de prédicteurs a été répétée pour chaque combinaison de paramètres GM et MW comprenant les caractéristiques neuroanatomiques 108.

Performance des fonctionnalités sélectionnées

Pour évaluer l'utilité des caractéristiques éparses et éparpillées, les performances ont été comparées entre le modèle à nombre réduit d'entités et le modèle à toutes les caractéristiques 108 des machines à vecteurs de support (SVM) en mesurant la courbe ROC (Receiver Operating Character). Avec un noyau linéaire comme fonction du noyau et des hyperparamètres optimisés par un facteur de multiplication par cinq, un SVM a été formé pour tous les individus de chaque paire des trois groupes. L'aire sous la courbe ROC (AUC) a été calculée pour chaque modèle en tant que mesure quantitative de sa performance. DeLong tests () ont été utilisés pour comparer l’ASC entre chaque paire de modèles. Lorsque les AUC diffèrent à un pvaleur de 0.05, les performances ont été considérées comme non comparables dans deux modèles.

Précision de la classification

Des procédures schématiques allant de la génération et de la sélection d’entités à la construction de modèles de classification sont présentées à la figure Figure1.1. Pour chaque paire des trois groupes, des modèles de classification SVM ont été générés en utilisant les caractéristiques sélectionnées en tant que prédicteurs. Nous avons évalué l'exactitude des modèles de classification en utilisant un schéma de CV sans changement, de sorte que la précision de la classification hors échantillon soit calculée pour chaque individu exclu, puis moyennée pour tous les individus. La signification statistique de la précision a été estimée en utilisant des tests de permutation. Une distribution empirique nulle pour classer chaque paire des trois groupes a été générée en permutant de manière répétée les étiquettes des individus et en mesurant la précision associée aux étiquettes permutées. Lorsque la précision mesurée pour les étiquettes non autorisées était supérieure ou égale à la distribution nulle à un p-value de 0.05, qui a été déterminé comme étant significativement différent du niveau de hasard (précision = 50%). De plus, une matrice de confusion a été visualisée pour décrire la sensibilité et la spécificité concernant la distinction entre chaque paire des trois groupes.

 

Un fichier externe contenant une image, une illustration, etc. Le nom de l'objet est fpsyt-09-00291-g0001.jpg

Procédures schématiques allant de la génération et de la sélection de caractéristiques neuroanatomiques à la construction de modèles pour la classification entre joueurs désordonnés (DG) et non-joueurs en bonne santé (HN), entre joueurs normaux (NG) et HN, et entre DG et NG. GM, matière grise; WM, substance blanche.

Résultats

Sélection de fonctionnalité

Figure Figure22 affiche les entités sélectionnées parmi les entités 108 avec leurs estimations de coefficients et Tableau Table11 décrit les informations d’adaptation associées du modèle de régression logistique régularisé pour la classification entre chaque paire des trois groupes. En outre, la figure S1 montre quel λ a généré l’erreur CV minimale et combien d’entités ont été sélectionnées à λ1SE ainsi qu'à λMinErr. L'erreur CV minimale a été obtenue lors de la sélection des caractéristiques par le lasso (poids du lasso = 1) pour la classification entre les non-joueurs en bonne santé et les joueurs normaux et par le filet élastique (poids du lasso = 0.5) pour l'autre classification.

 

Un fichier externe contenant une image, une illustration, etc. Le nom de l'objet est fpsyt-09-00291-g0002.jpg

Certaines caractéristiques neuroanatomiques dans la régression logistique régularisée pour la classification entre chaque paire de trois groupes. Les joueurs désordonnés (DG) ont été codés comme 1 dans la classification entre les non-joueurs sains (HN) et DG, les joueurs normaux (NG) comme 1 dans la classification entre HN et NG, et DG comme 1 dans la classification entre NG et DG. La taille d'une barre représente la taille du coefficient de la caractéristique respective, de sorte que les caractéristiques de coefficients non nuls sont sélectionnées. Les cerveaux rendus représentent les composants de matière grise et de matière blanche correspondant aux caractéristiques sélectionnées à partir d'une vue supérieure. Les entités en rouge ou en bleu indiquent celles incluses dans les entités clairsemées déterminées à λ1SE ainsi que dans les traits épars déterminés à λMinErr, tandis que ceux en jaune ou magenta indiquent ceux inclus uniquement dans les traits épars. Les étiquettes des composants du cerveau sont fournies dans les tableaux. S1 ainsi que S2. L, à gauche; R, c'est ça.

Tableau 1

Informations appropriées de la régression logistique régularisée pour la classification entre chaque paire de trois groupes.

 HN vs. DGHN vs. NGNG vs. DG
ParamètreGMÉpaisseurÉpaisseurVolume
 WMFARDMD
Poids au lasso0.510.5
Éléments clairsemés sélectionnés à λMinErrErreur de CV37.368141.7876133.3857
 Nombre de fonctionnalités432111
Fonctionnalités Sparser sélectionnées à λ1SEErreur de CV46.568150.0435141.2622
 Nombre de fonctionnalités34121
 

Le poids en lasso indique si la régression logistique régularisée a été effectuée à l'aide du lasso (poids du lasso = 1) ou du filet élastique (poids du lasso = 0.5)..

HN, non-joueurs en bonne santé; DG, joueurs désordonnés; NG, joueurs normaux; GM, matière grise; WM, substance blanche; FA, anisotropie fractionnelle; RD, diffusivité radiale; MD, diffusivité moyenne; CV, validation croisée.

Dans la distinction des joueurs désordonnés des non-joueurs en bonne santé, les fonctionnalités 43 sélectionnées à λMinErr comprenait l’épaisseur des régions 24 GM et le FA des secteurs 19 WM, et les fonctionnalités 34 sélectionnées à λ1SE comprenait l’épaisseur des régions 15 GM et le FA des voies 19 WM. À la différence des joueurs normaux et des non-joueurs en bonne santé, les fonctionnalités 21 sélectionnées à λMinErr comprenait l’épaisseur des régions 12 GM et le RD des secteurs 9 WM, et les fonctionnalités 12 sélectionnées à λ1SE comprenait l’épaisseur des régions 6 GM et le RD des voies 6 WM. Dans la classification entre joueurs désordonnés et joueurs normaux, les fonctionnalités 11 sélectionnées à λMinErr comprenait le volume des régions 7 GM et le MD des secteurs 4 WM, et une caractéristique sélectionnée dans λ1SE correspondait au volume d’une région GM.

Performance des fonctionnalités sélectionnées

Entre le modèle avec un nombre réduit de fonctionnalités et le modèle avec toutes les fonctionnalités 108, les performances étaient comparables en termes de l'ASC dans la discrimination entre chaque type de joueurs et les non-joueurs en bonne santé par les SVM (Figure 1). (Figure3) .3). Dans la classification entre les joueurs désordonnés et normaux, le modèle avec les caractéristiques sélectionnées soit à λMinErr (AUC = 0.83, p = 0.006) ou à λ1SE (AUC = 0.72, p <0.001) a montré de moins bonnes performances que le modèle avec toutes les 108 caractéristiques (AUC = 0.90).

 

Un fichier externe contenant une image, une illustration, etc. Le nom de l'objet est fpsyt-09-00291-g0003.jpg

Comparaison des performances en termes de surface sous la courbe caractéristique de fonctionnement du récepteur entre les modèles sans et avec la sélection de caractéristiques pour la classification entre chaque paire de trois groupes par des machines à vecteurs de support. Le modèle de fonctionnalités 108 (indiqué par un trait continu) correspond à celui sans sélection de fonctionnalités, tandis que les modèles de nombre réduit de fonctionnalités correspondent à ceux avec des fonctionnalités creuses et éparses sélectionnées à λMinErr (indiqué par une ligne pointillée) et λ1SE (indiqué par une ligne pointillée), respectivement. HN, non-joueurs en bonne santé; DG, joueurs désordonnés; NG, les joueurs normaux.

Précision de la classification

Dans la classification par les SVM utilisant les fonctionnalités sélectionnées dans λMinErr, la précision était supérieure à 98%, significativement supérieure au niveau de hasard (p <0.001), dans la distinction de chaque type de joueurs des non-joueurs sains (Figure (Figure4A) .4A). La précision était toujours nettement supérieure au niveau de hasard (p = 0.002) mais aussi bas que 69.8% dans la classification entre les joueurs désordonnés et les joueurs normaux, montrant spécifiquement une faible sensibilité (47.4%) lors de l'identification correcte des joueurs désordonnés. Les caractéristiques plus étroites déterminées à λ1SE présenté des performances similaires (Figure (Figure4B) 4B) mais ont montré une sensibilité beaucoup plus faible (2.6%) dans la distinction correcte des joueurs désordonnés des joueurs normaux.

 

Un fichier externe contenant une image, une illustration, etc. Le nom de l'objet est fpsyt-09-00291-g0004.jpg

Matrices de confusion dans la classification entre chaque paire de trois groupes lors de l'utilisation (A) clairsemé et (B) caractéristiques plus clairs déterminées à λMinErr et à λ1SE, respectivement, dans les machines à vecteurs de support. La cellule en bas à droite représente la précision de la classification (ACC), le taux vrai négatif (TNR) des cellules en bas à gauche, le taux vrai positif (TNR) ou la sensibilité des cellules du bas au milieu, la valeur prédictive négative de la cellule en haut à droite (VAN ), et la valeur prédictive positive (VPP) de la cellule moyenne-droite. TP, vrai positif; TN, vrai négatif; FP, faux positif; FN, faux négatif.

a lieu

Dans cette étude, nous avons cherché à déterminer si les joueurs pathologiques et non pathologiques classés dans la catégorie IGDS proposée dans le DSM-5 pouvaient être représentés par des caractéristiques neuroanatomiques clairsemées. Les joueurs désordonnés et normaux étaient représentés en termes de fonctionnalités 43 et 21, respectivement, par rapport aux non-joueurs en bonne santé. De plus, les joueurs désordonnés étaient représentés en termes de fonctionnalités 11 par rapport aux joueurs normaux. En utilisant les caractéristiques neuroanatomiques clairsemées, les joueurs désordonnés et normaux pourraient être distingués avec succès des non-joueurs en bonne santé, mais la classification entre les joueurs désordonnés et normaux était relativement difficile.

La catégorisation descriptive de l'IGD basée sur les symptômes avec l'IGDS proposé dans le DSM-5 est en cours d'adoption. Bien que la validité empirique de l’IGDS ait été confirmée dans plusieurs pays (, , ), le seuil d’expérience de cinq objets IGDS ou plus peut ne pas être un choix définitif, et d’autres moyens de catégoriser les personnes jouant à des jeux sur Internet peuvent être suggérés (). Étant donné que de plus en plus de types de données cliniques, telles que les données d'imagerie cérébrale, ainsi que les données démographiques, comportementales et symptomatiques, deviennent de plus en plus disponibles, des données supplémentaires pourraient être utilisées de préférence pour le diagnostic de la maladie mentale. En particulier, en raison de la masse d'informations quantitatives, les données d'imagerie cérébrale sont adaptées aux approches informatiques et seraient utiles pour la prédiction. En effet, il a été démontré que les données d’imagerie cérébrale avaient des valeurs prédictives supérieures à celles d’autres données cliniques en matière de prédiction pour la résolution d’un problème important sur le plan clinique ().

Comme la classification diagnostique basée sur le ML a été récemment appliquée à d’autres comportements et troubles de dépendance (-), la catégorisation de l’IGD basée sur les symptômes semble également confrontée au défi de la classification basée sur le calcul. Des anomalies anatomiques du cerveau après IGD ont été rapportées à maintes reprises dans des études antérieures (-, ), nous avons considéré ces informations neuroanatomiques à partir de biomarqueurs potentiels de données d'imagerie cérébrale pour le diagnostic de l'IGD. Dans cette étude, notre objectif était d'identifier un ensemble de caractéristiques neuroanatomiques importantes susceptibles de fournir des performances de classification suffisamment élevées, au-delà de la description des différences neuroanatomiques entre les classes d'individus.

Nous avons sélectionné les plus importantes, parmi les caractéristiques neuroanatomiques de 108, une régression complète et régularisée. Lorsque nous avons considéré huit combinaisons de paramètres GM et WM, différentes combinaisons de paramètres ont été sélectionnées pour distinguer chaque paire des trois groupes. La combinaison de l'épaisseur des régions génétiquement modifiées et de l'intégrité des voies de MW permettait de mieux distinguer les joueurs pathologiques des non-joueurs en bonne santé, alors que la combinaison du volume des régions génétiquement modifiées et de la diffusivité des voies de MW permettait de mieux distinguer les joueurs pathologiques. des joueurs non pathologiques. En outre, bien que de nombreux composants du cerveau aient généralement servi de caractéristiques neuroanatomiques importantes pour distinguer les joueurs pathologiques et non pathologiques des non-joueurs en bonne santé, certaines régions génétiquement modifiées et certains systèmes de MW ont été caractérisés par les joueurs non pathologiques, mais pas par les joueurs pathologiques. . Ces résultats indiquent qu’il peut ne pas exister de combinaison de biomarqueurs neuroanatomiques la plus performante sur le plan des paramètres GM et MW, de sorte qu’une combinaison spécifique de paramètres GM et MW doit être sélectionnée en fonction des groupes à classer.

Le nombre plus restreint de caractéristiques clairsemées pour distinguer les joueurs non pathologiques par rapport à celui des joueurs pathologiques, des non-joueurs en bonne santé, indique que les joueurs non pathologiques sont à un stade de transition entre les joueurs pathologiques et les joueurs en bonne santé. non-joueurs. En outre, moins de caractéristiques clairsemées pour la classification entre les deux types de joueurs que pour la discrimination entre chaque type de joueurs et les non-joueurs en bonne santé indiquent que les joueurs pathologiques et non pathologiques étaient moins différents les uns des autres. de neuroanatomie que pour eux étant différent des non-joueurs en bonne santé. En conséquence, les modèles de classification générés avec les caractéristiques éparses ont donné une précision supérieure à 98% dans la distinction entre chaque type de joueurs et les non-joueurs en bonne santé, mais une précision inférieure à 70% dans la classification entre les deux types de joueurs. Autrement dit, les joueurs non pathologiques se distinguaient des joueurs non sains en bonne santé, de même que les joueurs pathologiques, mais il y avait des limites à la distinction entre les joueurs pathologiques et non pathologiques.

Cette distinction relativement faible entre les deux types de joueurs semble suggérer quelques notions. Tout d'abord, une inadéquation entre la catégorisation basée sur les symptômes et la classification basée sur le calcul peut être proposée. Bien que le seuil diagnostique proposé pour l’expérience de cinq critères ou plus dans l’IGDS ait été choisi de manière conservatrice pour prévenir le surdiagnostic de l’IGD (), la présence de joueurs souffrant de changements pathologiques considérables dans la neuroanatomie mais ne satisfaisant pas le seuil IGD peut ne pas être ignorée. En particulier, nous avons uniquement inclus les joueurs qui satisfont aux critères IGDS bien plus bas que le seuil IGD en tant que joueurs normaux, de sorte que les joueurs diagnostiqués comme n'ayant pas de IGD pourraient généralement être plus éloignés des individus en bonne santé que ceux présentés dans cette étude. Deuxièmement, une difficulté de classification reposant uniquement sur des biomarqueurs neuroanatomiques peut être notée. Les performances de classification pourraient être améliorées en incluant d'autres biomarqueurs capables de capturer une plus grande dissemblance entre les joueurs pathologiques et non pathologiques. En particulier, étant donné que les modifications fonctionnelles dans le cerveau sont également démontrées dans l’IGD (-), la fonction ainsi que l'anatomie du cerveau pourraient être considérés comme des biomarqueurs cérébraux. De plus, nous tenons à noter que les changements dans le cerveau ne constituent qu’une partie des facettes multidimensionnelles de la dépendance au jeu sur Internet, de sorte que d’autres facteurs, notamment les divers facteurs de risque internes et externes de la dépendance au jeu sur Internet (), devraient être inclus dans des modèles plus complets de classification des joueurs pathologiques et non pathologiques, ainsi que de la distinction entre les joueurs et les individus en bonne santé.

Ici, nous avons utilisé une régression régularisée, en utilisant des estimateurs favorisant la réduction de la taille, tels que le lasso et le réseau élastique, pour identifier les caractéristiques importantes des modèles de classification. Il existe en fait des variations méthodologiques dans la sélection des caractéristiques ou la réduction de la dimensionnalité, et diverses approches peuvent être utilisées pour utiliser des caractéristiques sélectionnées dans la construction de modèles (). Notre approche utilisant la régression régularisée implique une hypothèse a priori concernant la faible densité des caractéristiques neuroanatomiques. À condition que cette hypothèse soit acceptable, comme nous le pensions dans cette étude, une régression régularisée pourrait constituer une approche plausible, et l'ensemble choisi de caractéristiques éparses devrait permettre de composer des modèles de classification suffisamment performants. Cependant, il est à noter que des modèles de classification plus simples basés sur une plus grande parcimonie ne présentent pas toujours des performances comparables ou améliorées. En effet, parmi les différents choix de degré de pauvreté en fonction d’un paramètre de régularisation, une plus grande épargne n’était pas susceptible de fournir un modèle plus performant, en particulier dans des problèmes de classification plus difficiles, tels que la classification entre joueurs pathologiques et non pathologiques.

De plus, nous avons utilisé les SVM comme technique ML pour construire des modèles de classification, car ils font partie des plus populaires. D'autres méthodes avancées peuvent être utilisées pour améliorer les performances de classification, bien que les performances comparatives entre différentes méthodes puissent ne pas être conclues en raison de la dépendance des performances sur des scénarios expérimentaux (). Par ailleurs, pour comparer les performances entre les méthodes statistiques classiques et les techniques ML, nous avons également procédé à une classification par régression logistique et avons montré que les deux méthodes, à savoir la régression logistique et les SVM, étaient comparables en termes de performance de classification (Figure 1). S2). Il peut être répété que les méthodes statistiques classiques ne sont pas toujours inférieures aux techniques ML en matière de performance de classification ().

Dans la présente étude, nous avons révélé que la catégorisation de l'IGD basée sur les symptômes pourrait être représentée en termes de biomarqueurs neuroanatomiques clairs qui composent les modèles de classification. En outre, nous avons démontré que les joueurs non pathologiques se distinguent moins des joueurs pathologiques que des individus en bonne santé qui ne jouent pas, en termes de neuroanatomie. Nous suggérons donc que, bien que les systèmes de diagnostic actuels reposent sur une catégorisation descriptive telle que le DSM-5 comme référence, les gamers non pathologiques peuvent nécessiter un diagnostic plus minutieux en utilisant des biomarqueurs objectifs, tels que ceux associés à des altérations neuroanatomiques. L'adoption d'approches informatiques semble être une tendance irréversible en psychiatrie, mais il reste peut-être un long chemin à parcourir pour les appliquer de manière pratique aux environnements cliniques. La recherche de la sélection optimale de caractéristiques éparses de l'imagerie cérébrale et d'autres données cliniques doit être menée dans le cadre d'études ultérieures. À long terme, ces efforts favoriseraient le diagnostic de l'IGD par calcul.

Contributions d'auteur

D-JK et J-WC étaient responsables du concept et de la conception de l'étude. SC a effectué la caractérisation clinique et la sélection des participants. CP a analysé les données et rédigé le manuscrit. Tous les auteurs ont passé en revue le contenu et approuvé la version finale pour publication.

Déclaration de conflit d'intérêts

Les auteurs déclarent que la recherche a été menée en l'absence de toute relation commerciale ou financière pouvant être interprétée comme un conflit d'intérêts potentiel.

Notes

 

Le financement. Cette recherche a été financée par le programme de recherche en neurosciences par l’intermédiaire de la Fondation nationale pour la recherche coréenne (NRF), financée par le Ministère des sciences et des TIC en Corée (NRF-2014MXNXXXXX3).

 

 

Matériel complémentaire

Le matériel supplémentaire pour cet article est disponible en ligne à l'adresse suivante: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material

Bibliographie

1. Jeune KS. Dépendance à Internet: l'émergence d'un nouveau trouble clinique. CyberPsychol Behav. (1998) 1: 237 – 44. 10.1089 / cpb.1998.1.237 [Croix Ref]
2. American Psychiatric Association Manuel diagnostique et statistique des troubles mentaux, 5th Edition. Washington, DC: American Psychiatric Association Publishing; (2013).
3. Ko CH, Yen JY, SH Chen, Wang PW, CS Chen, CF Yen. Évaluation des critères de diagnostic du trouble du jeu sur Internet dans le DSM-5 chez les jeunes adultes à Taiwan. J Psychiatr Res. (2014) 53: 103 – 10. 10.1016 / j.jpsychires.2014.02.008 [PubMed] [Croix Ref]
4. Ko CH, Hsieh TJ, Wang PW, Lin WC, CF Yen, Chen CS et al. . Densité de la matière grise altérée et perturbation de la connectivité fonctionnelle de l'amygdale chez les adultes souffrant de troubles du jeu sur Internet. Prog Neuropsychopharmacol Biol Psychiatrie (2015) 57: 185 – 92. 10.1016 / j.pnpbp.2014.11.003 [PubMed] [Croix Ref]
5. Lin X, Dong G, Wang Q, Du X. Volume de matière grise et de substance blanche anormal dans 'Les toxicomanes du jeu sur Internet'. Addict Behav. (2015) 40: 137 – 143. 10.1016 / j.addbeh.2014.09.010 [PubMed] [Croix Ref]
6. Wang H, Jin C, Yuan K, Shakir TM, Mao C, Niu X et al. . L'altération du volume de matière grise et le contrôle cognitif chez les adolescents souffrant de trouble du jeu sur Internet. Front Behav Neurosci. (2015) 9: 64. 10.3389 / fnbeh.2015.00064 [Article gratuit PMC] [PubMed] [Croix Ref]
7. Yuan K, P Cheng, Dong T, Y Bi, Xing L, Yu D, et al. . Anomalies d'épaisseur corticale à la fin de l'adolescence avec dépendance au jeu en ligne. PloS ONE (2013) 8: e53055. 10.1371 / journal.pone.0053055 [Article gratuit PMC] [PubMed] [Croix Ref]
8. Dong G, Devito E, Huang J, Du X. L'imagerie tenseur de diffusion révèle des anomalies du thalamus et du cortex cingulaire postérieur chez les accros au jeu sur Internet. J Psychiatr Res. (2012) 46: 1212 – 6. 10.1016 / j.jpsychires.2012.05.015 [Article gratuit PMC] [PubMed] [Croix Ref]
9. Xing L, Yuan K, Bi Y, J Yin, Cai C, Feng D, et al. . Intégrité réduite des fibres et contrôle cognitif chez les adolescents présentant un trouble du jeu sur Internet. Brain Res. (2014) 1586: 109 – 17. 10.1016 / j.brainres.2014.08.044 [PubMed] [Croix Ref]
10. Besson P, Dinkelacker V, R Valabregue, L Thivard, Leclerc X, Baulac M, et al. . Différences de connectivité structurelle dans l'épilepsie des lobes temporaux gauche et droit. Neuroimage (2014) 100: 135 – 44. 10.1016 / j.neuroimage.2014.04.071 [PubMed] [Croix Ref]
11. Huys QJ, Maia TV, Frank MJ. La psychiatrie informatique comme passerelle des neurosciences aux applications cliniques. Nat Neurosci. (2016) 19: 404 – 13. 10.1038 / nn.4238 [Article gratuit PMC] [PubMed] [Croix Ref]
12. Lemmens JS, PM de Valkenburg, DA de Gentile. L'échelle de trouble du jeu sur Internet. Psychol Assess. (2015) 27: 567 – 82. 10.1037 / pas0000062 [PubMed] [Croix Ref]
13. Dahnke R, Yotter RA, Gaser C. Estimation de l'épaisseur corticale et de la surface centrale. Neuroimage (2013) 65: 336 – 48. 10.1016 / j.neuroimage.2012.09.050 [PubMed] [Croix Ref]
14. Smith, SM, Jenkinson, M., Johansen-Berg, H., Rueckert, D., Nichols, TE, Mackay, CE, et al. . Statistiques spatiales sur les parcelles: analyse voxelwise de données de diffusion multi-sujets. Neuroimage (2006) 31: 1487 – 505. 10.1016 / j.neuroimage.2006.02.024 [PubMed] [Croix Ref]
15. Marteaux A, Allom R, Koepp MJ, Free SL, Myers R, Lemieux L, et al. . Atlas de probabilité tridimensionnelle maximale du cerveau humain, avec une référence particulière au lobe temporal. Hum Brain Mapp. (2003) 19: 224 – 47. 10.1002 / hbm.10123 [PubMed] [Croix Ref]
16. S Mori, K Oishi, Jiang H, Jiang L, Li X, Akhter K, et al. . Atlas de matière blanche stéréotaxique basé sur l'imagerie du tenseur de diffusion dans un modèle ICBM. Neuroimage (2008) 40: 570 – 82. 10.1016 / j.neuroimage.2007.12.035 [Article gratuit PMC] [PubMed] [Croix Ref]
17. Tibshirani R. Réduction de régression et sélection via le lasso. J Roy Stat Soc Ser B (1996) 58: 267 – 88.
18. Zou H, Hastie T. Régularisation et sélection variable via le filet élastique. J Roy Stat Soc Ser B (2005) 67: 301 – 20. 10.1111 / j.1467-9868.2005.00503.x [Croix Ref]
19. Theodoridis S. Machine Learning: une perspective bayésienne et optimisation. Londres: Academic Press; (2015).
20. Delong ER, Delong DM, Clarke-Pearson DL. Comparaison des zones sous deux courbes caractéristiques de récepteur corrélées ou plus: une approche non paramétrique. Biométrie (1988) 44: 837 – 45. 10.2307 / 2531595 [PubMed] [Croix Ref]
21. Cho SH, Kwon JH. Validation de la version coréenne de la K-IGDS (Internet Gaming Disorder Scale): résultats d'un échantillon d'adultes appartenant à la communauté. Korean J Clin Psychol. (2017) 36: 104 – 17. 10.15842 / kjcp.2017.36.1.010 [Croix Ref]
22. Sigerson L, Li AYL, Cheung MWL, Luk JW, Cheng C. Propriétés psychométriques de l'échelle des troubles du jeu sur Internet en Chine. Addict Behav. (2017) 74: 20 – 6. 10.1016 / j.addbeh.2017.05.031 [PubMed] [Croix Ref]
23. Burke Quinlan E, Dodakian L, Voir J, Mckenzie A, Le V, Wojnowicz M, et al. . La fonction neuronale, les blessures et le sous-type d'accident vasculaire cérébral prédisent les gains de traitement après un AVC Ann Neurol. (2015) 77: 132 – 45. 10.1002 / ana.24309 [Article gratuit PMC] [PubMed] [Croix Ref]
24. Pariyadath V, Stein EA, Ross TJ. La classification par apprentissage automatique de la connectivité fonctionnelle à l'état de repos prédit le statut de fumeur Avant Hum Neurosci. (2014) 8: 425. 10.3389 / fnhum.2014.00425 [Article gratuit PMC] [PubMed] [Croix Ref]
25. Fedota JR, Stein EA. Connectivité fonctionnelle au repos et dépendance à la nicotine: perspectives de développement de biomarqueurs. Ann NY Acad Sci. (2015) 1349: 64 – 82. 10.1111 / nyas.12882 [Article gratuit PMC] [PubMed] [Croix Ref]
26. Ahn WY, D. Ramesh, FG Moeller, J. Vassileva. Utilité des approches d’apprentissage automatique pour identifier les marqueurs comportementaux des troubles liés à l’utilisation de substances: dimensions de l’impulsivité en tant que prédicteurs de la dépendance actuelle à la cocaïne. Psychiatrie avant (2016) 7: 34. 10.3389 / fpsyt.2016.00034 [Article gratuit PMC] [PubMed] [Croix Ref]
27. Ahn WY, Vassileva J. Machine-learning identifie des marqueurs comportementaux spécifiques à la substance pour la dépendance aux opiacés et aux stimulants. La drogue dépend de l'alcool. (2016) 161: 247 – 57. 10.1016 / j.drugalcdep.2016.02.008 [Article gratuit PMC] [PubMed] [Croix Ref]
28. Percy C, França M, Dragičević S, D'avila Garcez A. Prédire l'auto-exclusion du jeu en ligne: une analyse de la performance des modèles d'apprentissage automatique supervisé. Int Gambl Stud. (2016) 16: 193-210. 10.1080 / 14459795.2016.1151913 [Croix Ref]
29. Ding WN, Sun JH, Sun YW, Zhou Y, Li L, Xu JR, et al. . Modification de la connectivité fonctionnelle à l'état de repos du réseau par défaut chez les adolescents souffrant de dépendance au jeu sur Internet. PloS ONE (2013) 8: e59902. 10.1371 / journal.pone.0059902 [Article gratuit PMC] [PubMed] [Croix Ref]
30. Meng Y, Deng W, Wang H, Guo W, Li T. Le dysfonctionnement préfrontal chez les personnes présentant un trouble du jeu sur Internet: une méta-analyse d'études d'imagerie par résonance magnétique fonctionnelle. Addict Biol. (2015) 20: 799 – 808. 10.1111 / adb.12154 [PubMed] [Croix Ref]
31. Zhang JT, Yao YW, RSC Li, Zang YF, Shen ZJ, Liu L, et al. . Modification de la connectivité fonctionnelle de l'insula au repos de l'insula chez les jeunes adultes présentant un trouble du jeu sur Internet. Addict Biol. (2015) 21: 743 – 51. 10.1111 / adb.12247 [Article gratuit PMC] [PubMed] [Croix Ref]
32. Cai C, Yuan K, Yin J, Feng D, Bi Y, Li Y, et al. . La morphométrie de Striatum est associée à des déficits de contrôle cognitif et à la gravité des symptômes dans les troubles du jeu sur Internet. Comportement d'imagerie cérébrale. (2016) 10: 12 – 20. 10.1007 / s11682-015-9358-8 [PubMed] [Croix Ref]
33. Park C, Chun JW, Cho H, Jung YC, Choi J, Kim DJ. Le cerveau accro au jeu sur Internet est-il sur le point de se trouver dans un état pathologique? Addict Biol. (2017) 22: 196 – 205. 10.1111 / adb.12282 [PubMed] [Croix Ref]
34. DJ Kuss, MD Griffiths. Dépendance au jeu sur Internet: revue systématique de recherches empiriques. Int J toxicomane Santé Mentale. (2012) 10: 278 – 96. 10.1007 / s11469-011-9318-5 [Croix Ref]
35. Castellanos FX, Di Martino A, Craddock RC, Mehta AD, député de Milham. Applications cliniques du connectome fonctionnel. Neuroimage (2013) 80: 527 – 40. 10.1016 / j.neuroimage.2013.04.083 [Article gratuit PMC] [PubMed] [Croix Ref]
36. Tollenaar N, Van Der Heijden P. Quelle méthode permet de prédire le mieux la récidive?: Comparaison de modèles prédictifs statistiques, d'apprentissage automatique et d'exploration de données. J Roy Stat Soc Ser A (2013) 176: 565 – 84. 10.1111 / j.1467-985X.2012.01056.x [Croix Ref]