Szétválasztó patológiás és nem patológiai internetes játékosok, akik ritka neuroanatómiai jellemzőket használnak (2018)

Chang-hyun park,¹ Ji-Won Chun,¹ Hyun Cho,^1,2 és a Dai-Jin Kim^1,*

Az internetes játékzavarokat (IGD) gyakran a mentális rendellenességek diagnosztikai és statisztikai kézikönyve (DSM-5) legújabb verziójának kilenc alapvető kritérium alapján diagnosztizálják. Itt megvizsgáltuk, hogy az ilyen tünet-alapú kategorizálás átfordítható-e számítási alapú osztályozásba. A strukturális MRI (sMRI) és a diffúziós súlyozott MRI (dMRI) adatokat az IGD-vel diagnosztizált 38 játékosoknál, 68 normál játékosoknál, akiknek diagnosztizáltak IGD-jét, és az 37 egészséges nem játékosokat kaptam. Az MRI-adatokból előállítottuk a szürke anyag (GM) és a fehér anyag (WM) szerkezetének 108 tulajdonságait. Amikor a 108 neuroanatómiai tulajdonságainak normalizált logisztikus regresszióját alkalmaztuk a csoportok közötti megkülönböztetés szempontjából fontos jellemzők kiválasztására, a rendezetlen és a normál játékosokat az 43 és az 21 tulajdonságok szempontjából reprezentáltuk az egészséges nem-játékosokhoz viszonyítva, míg a a rendezetlen játékosokat az 11 tulajdonságai szerint képviselték a normál játékosokkal szemben. A ritka neuroanatómiai jellemzőket előrejelzőként alkalmazó támogató vektorgépeknél (SVM) a rendezetlen és normál játékosokat sikeresen megkülönböztették az 98% -ot meghaladó pontossággal az egészséges nem játékosoktól, ám a rendezetlen és normál játékosok közötti osztályozás viszonylag kihívást jelentett. Ezek az eredmények azt sugallják, hogy a patológiás és nem patológiás játékosok, a DSM-5 kritériumai szerint kategorizálva, ritka neuroanatómiai jellemzőkkel lehetnek szem előtt tartva, különös tekintettel a nem szerencsejátékkal rendelkező egészséges egyének megkülönböztetésére.

A résztvevők

Az interneten alapuló játékokat játszó 237 résztvevők közül az 106 személyeket úgy választották ki, hogy kizárták azokat, akiknek eltérése volt az önjelentéses IGDS és a klinikai pszichológus közötti strukturált interjú között az IGD diagnosztizálása során, vagy hiányzott vagy súlyosan eltorzította az agyi képalkotó adatokat. Az IGDS alapján az 38 személyeket (27.66 ± 5.61 év; 13 nőstények), akik legalább öt IGDS tételt kielégítettek, rendezetlen játékosoknak és 68 személyeknek (27.96 ± 6.41 év; 21 nőstények) jelöltek, akik legfeljebb egy IGDS tételt elégedettek voltak. normál játékosok. A személyeket, akik kielégítették az IGDS tárgyait kettő és négy között, szintén kizártuk, mivel ők egy másik osztálynak tekinthetők a rendezetlen és a normál játékosok között (12). Ezenkívül 37 olyan személyt (25.86 ± 4.10 év; 13 nő), akik nem játszottak internet-alapú játékokat, külön toboroztak, és egészséges, nem játékosokat bélyegeztek meg. Megerősítették a társbetegségek hiányát az összes résztvevőnél. A Helsinki Nyilatkozat és annak későbbi módosításai alapján minden résztvevőtől írásos beleegyező nyilatkozatot szereztek, és a tanulmányt a Koreai Szöulban, a szöuli Szent Mária Kórház intézményi felülvizsgálati testülete jóváhagyta.

MRI adatok beszerzése

A strukturális MRI (sMRI) és a diffúziós súlyozott MRI (dMRI) adatokat 3 T MAGNETOM Verio rendszer (Siemens AG, Erlangen, Németország) alkalmazásával gyűjtöttük. Az sMRI adatok begyűjtését mágnesezéssel készített gyors gradiens visszhangszekvencia alkalmazásával végeztük: szeletek száma a szagitális síkban = 176, a szeletek vastagsága = 1 mm, a mátrix mérete = 256 × 256, és a síkbeli felbontás = 1 × 1 mm . A dMRI adatok megszerzéséhez a diffúziós gradiens kódolást 30 irányban végeztük b = 1,000 s / mm² és egylépéses echo-planáris képalkotó szekvenciát használtunk: a szeletek száma tengelyirányban = 75, a szeletek vastagsága = 2 mm, a mátrix mérete = 114 × 114 és a síkbeli felbontás = 2 × 2 mm.

Az MRI-adatok feldolgozása

A CAT12-ben található eszközök (http://www.neuro.uni-jena.de/cat/) felhasználták az sMRI adatok feldolgozására. Az agytérfogatot különféle szövetekre osztottuk, beleértve a GM-t, a WM-t és a kortikoszpinalis folyadékot, valamint térbelilag regisztráltuk a referenciaagyhoz a standard térben. A voxel-alapú morfometriában (VBM) a voxel-alapú GM-mennyiséget úgy becsülték meg, hogy megszorozzuk a GM-ek valószínűségét a voxel térfogatával, majd ezeket az értékeket elosztottuk a teljes intrakraniális térfogattal, hogy a fej térfogatának különbségei igazodjanak. A felületi morfometria (SBM) során a kéreg vastagságát a vetület alapú vastagság módszerrel becsülték meg (13).

DMRI adatok feldolgozása

Az FSL 5.0-ben található eszközök (http://fsl.fmrib.ox.ac.uk/fsl/) alkalmazták a dMRI adatok feldolgozására. Az összes képet hozzáigazítottuk a null képhez, amelyet a b = 0 s / mm² az örvényáram által okozott torzulások és a fej mozgásának kijavítására. Az agyon belül minden egyes voxelnél diffúziós tenzort modelleztem, és kiszámítottam a diffúziós tensorból származó paramétereket, beleértve a frakcionált anizotrópiát (FA), az átlagos diffúzitást (MD), az axiális diffúzitást (AD) és a radiális diffúzitást (RD); A diffúziós tenzor három tengelye mentén történő három diffúzitása alapján az FA-t a három tengely közötti diffúziós különbségek négyzetének összegének négyzetgyökéjével számítottuk ki, MD a három tengely közötti átlagos diffúziós tényezőt, az AD pedig a fő diffúziós tényezőt jelenti. , és RD, mint a diffúzitás átlaga két kisebb tengely mentén. Traktus-alapú térstatisztikák (TBSS) használata (14), amelyet az FSL 5.0-ben valósítottak meg, a diffúziós tenzorból származó paraméterek térképeit térbelilag regisztrálták a referenciaagyban a standard térben, majd ezeket egy WM traktus vázra vetítették.

Feature generáció

Az osztályozási modell megtervezésének két fő lépése a szolgáltatás generálása és a kiválasztás. A neuroanatómiából olyan tulajdonságokat generáltunk, amelyek konkrétan a GM régiók halmazát és vastagságát, valamint a WM traktumok egységeinek integritását és diffúzitását mutatták be. A GM térfogatának és a kérgi vastagságnak a VBM-ből és az SBM-ből beszerzett voxel-alapú térképként való becslését követően a paramétereket mindegyik 60 GM régióra megvizsgáltuk (táblázat S1), a Hammers-atlaszhoz hasonlóan szétválasztva (15), az összes benne lévő voxel átlagaként. A diffúziós tenzorból származó paraméterek becslése alapján, beleértve a FA, MD, AD és RD mint voxel-alapú térképeket a TBSS-től beszerzett WM traktus csontvázon, a paramétereket kiszámítottuk minden 48 WM trakétra (táblázat) S2), szétválasztva, mint az ICBM DTI-81 atlaszban (16), az összes benne lévő voxel átlagaként. Összegezve, figyelembe vettük a GM két paraméterét és a WM négy paraméterét, amelyek nyolc GM és WM paraméter kombinációt kaptunk. A GM és a WM paraméterek mindegyik kombinációjára az 60 GM régiók és az 48 WM trakétek paraméterértéke összesen 108 neuroanatómiai jellemzőket tartalmazott.

A szolgáltatás kiválasztása a szabályozott regresszióval

A jellemzők számának csökkentése fontos, különösen a sok jellemzővel és korlátozott számú megfigyeléssel rendelkező adatok esetében. A jellemzők számához viszonyított korlátozott számú megfigyelés a zaj túlteljesítéséhez vezethet, és a szabályozás olyan módszer, amely lehetővé teszi a túlteljesítés csökkentését vagy megakadályozását a modellre vonatkozó kiegészítő információk vagy korlátozások bevezetésével. Mivel az 108 összes szolgáltatásai nem tartalmaznak hasznos és szükséges információkat a besoroláshoz, a jellemzők ritka készletét választottuk ki a szabályozott regresszió alkalmazásával. Pontosabban: a lasso (17) és rugalmas háló (18) a szabályozott logisztikai regresszióhoz használták. A lasso tartalmaz egy büntető kifejezést vagy egy λ szabályozási paramétert, amely korlátozza az együttható becsléseinek logisztikai regressziós modelljét. Mivel az λ növekedése több nullaértékű együtthatót eredményez, a lasso csökkentett logisztikus regressziós modellt biztosít kevesebb prediktorral. A rugalmas háló csökkentett logisztikus regressziós modellt állít elő azáltal, hogy nullára állítja az együtthatókat, különösen a lasso és a gerinc regresszió hibrid szabályozási paraméterének beépítésével, és meghaladja a lasso korlátját a korrelált prediktorok kezelésekor (19).

A három csoport mindegyik párja közötti osztályozáshoz lasso és elasztikus hálókat alkalmaztunk a logisztikus regressziós modellben az 108 neuroanatómiai tulajdonságai között fontos prediktorok azonosítására. A három csoport mindegyikében az egyének 108 tulajdonságait szabványosítottuk, hogy összeállítsunk egy adatmátrixot, A, amelyben minden sor egy megfigyelést és minden oszlop egy prediktort jelent. Az egyének életkorának és nemének a GM és WM paraméterekre gyakorolt ​​hatásainak korrigálására egy maradékképző mátrixot, R, létrehozva: R = I-C(C^TC)^-1C ahol I identitási mátrix volt és C egy olyan mátrix, amely a kor és a nemek összetévesztő változatait kódolja. Ezt követően alkalmazták A maradékanyagok előállítása a zavaró kovariánsok visszaszorítása után: X = RA.

Tekintettel a kiigazított adatmátrixra, X, és a válasz, Y, amely az egyének két osztályát kódolta, az 10-szoros kereszt-validációt (CV) használták a normalizációs paraméter, λ_MinErr, amely megadta a minimális hibát az eltérés szempontjából, amelyet negatív log-valószínűségként határoztak meg a tesztelt modellhez, az validálási redőkben átlagolva. Alternatív megoldásként, mivel egy CV görbén hibák vannak minden vizsgált λ-nál, a szabályozási paraméter λ_1SE, amelyet a minimális CV hiba egy standard hibáján belül találtak meg, a λ-től a normalizáció növekedése irányában_MinErr szintén figyelembe vették. Vagyis a rövidebb tulajdonságokat választottuk λ-n_1SE, míg a ritka vonásokat λ-nél határoztuk meg_MinErr. A kevesebb prediktorral rendelkező, normalizált logisztikus regressziós modell keresésére szolgáló eljárást megismételtük a GM és WM paraméterek minden egyes kombinációjára, amely az 108 neuroanatómiai tulajdonságait tartalmazza.

A kiválasztott szolgáltatások teljesítménye

A ritka és a ritkább tulajdonságok hasznosságának felmérése érdekében összehasonlítottuk a teljesítményt a csökkentett számú tulajdonságokkal rendelkező modell és a modell minden támogatott vektorgép (SVM) 108 jellemzőjével a vevő működési jellemzőinek (ROC) görbe mérésével. Lineáris kerneltel, mint kernelfunkcióval és hiperparaméterekkel, ötszörös CV-vel optimalizálva, egy SVM-t kiképeztek a három csoport mindegyikének minden egyes részére. Az ROC-görbe (AUC) alatti területet kiszámítottuk az egyes modellekhez, a teljesítményük kvantitatív mutatójaként. DeLong tesztek (20) az AUC összehasonlítására az egyes modellpárok között. Amikor az AUC a p- az 0.05 értéke, a teljesítményt két modellben nem hasonlították össze.

Osztályozási pontosság

A vázlatos eljárásokat a szolgáltatások generálásától és kiválasztásától az osztályozási modellek felépítéséig az 1. ábra mutatja Figure1.1. A három csoport mindegyik párjára SVM osztályozási modelleket állítottunk elő, a prediktorként a kiválasztott szolgáltatások felhasználásával. Az osztályozási modellek pontosságát úgy értékeltük, hogy egy CV-s rendszert alkalmaztunk, oly módon, hogy a mintán kívüli osztályozási pontosságot kiszámítottuk minden egyes kimaradt egyén számára, majd az átlagolást minden egyénre elvégeztük. A pontosság statisztikai szignifikanciáját permutációs tesztek alkalmazásával becsültem meg. A három csoport mindegyik párja közötti osztályozáshoz empirikus null eloszlást generáltunk az egyének címkéinek többszöri permutálásával és a permutált címkékhez kapcsolódó pontosság mérésével. Ha a nem engedélyezett címkéknél mért pontosság nagyobb vagy egyenlő volt, mint a null-eloszlás a p- az 0.05 értéke, amelyet meghatároztak, hogy jelentősen különbözik az esélytől (pontosság = 50%). Ezenkívül egy zavart mátrixot vizualizáltak, hogy leírják az érzékenységet és a specifitást a három csoport mindegyik párja közötti különbségtétel szempontjából.

Funkció kiválasztása

Ábra Figure22 megjeleníti a kiválasztott funkciókat az 108 szolgáltatások között együttható becslésükkel és a táblázattal Table11 leírja a szabályos logisztikai regressziós modell kapcsolódó illesztési információit a három csoport mindegyik párja közötti osztályozáshoz. Ezenkívül a 3. ábra S1 megmutatja, melyik λ adott a minimális CV hibát, és hány tulajdonságot választott ki a λ értéknél_1SE valamint λ-nél_MinErr. Az egészséges nem játékosok és a normál játékosok közötti osztályozáshoz a lasso (lasso tömeg = 1) tulajdonságok kiválasztásánál a minimális CV hibát, a másik osztályozásnál az elasztikus hálóval (lasso tömeg = 0.5) határoztuk meg.

A rendezetlen játékosok megkülönböztetésekor az egészséges nem játékosoktól az 43 funkciók a λ-nél kiválasztva_MinErr tartalmazta az 24 GM régiók vastagságát és az 19 WM traktumok FA-ját, valamint az 34 tulajdonságokat, amelyeket az λ-nél választottunk meg_1SE tartalmazta az 15 GM régiók vastagságát és az 19 WM traktumok FA-ját. A normál játékosok és az egészséges nem játékosok megkülönböztetésekor az 21 a λ-nél kiválasztott funkciókkal rendelkezik_MinErr tartalmazta az 12 GM régiók vastagságát és az 9 WM trakták RD-jét, valamint az 12 tulajdonságokat, amelyeket az λ-nél választottak meg_1SE tartalmazta az 6 GM régiók vastagságát és az 6 WM trakták RD-jét. A rendezetlen és a normál játékosok közötti osztályozás során az 11 jellemzői a λ értéknél vannak kiválasztva_MinErr tartalmazta az 7 GM régiók mennyiségét és az 4 WM traktumok MD-jét, és egy olyan tulajdonságot, amely a λ-nél kiválasztott_1SE egy GM-régió mennyiségének felel meg.

A kiválasztott szolgáltatások teljesítménye

A csökkentett számú tulajdonságokkal rendelkező modell és az összes 108 tulajdonsággal rendelkező modell között a teljesítmény összehasonlítható volt az AUC szempontjából az egyes típusú játékosok és az egészséges nem játékosok közötti különbségtétel szempontjából az SVM-ek között (ábra) (Figure3) .3). A rendezetlen és a normál játékosok közötti osztályozásban a modell az λ-nál kiválasztott funkciókkal rendelkezik_MinErr (AUC = 0.83, p = 0.006) vagy λ-nél_1SE (AUC = 0.72, p <0.001) gyengébb teljesítményt mutatott, mint a modell mind a 108 jellemzővel (AUC = 0.90).

Osztályozási pontosság

Az SVM általi osztályozásban a λ-nél kiválasztott szolgáltatások felhasználásával_MinErr, a pontosság nagyobb volt, mint 98%, szignifikánsan magasabb, mint az esély szint (p Ábra), megkülönböztetve az egyes játékosokat az egészséges nem játékosoktól (0.001. Ábra) (Figure4A) .4A). A pontosság még mindig szignifikánsan magasabb volt, mint az esély szint (p = 0.002), de olyan alacsony, mint 69.8% a rendezetlen és normál játékosok közötti osztályozásban, kifejezetten alacsony érzékenységet mutatva (47.4%) a rendezetlen játékosok helyes azonosításában. A rövidebb jellemzők meghatározása λ-nél_1SE hasonló teljesítményt mutattak (5. ábra) (Figure4B) 4B), de sokkal alacsonyabb érzékenységet mutatott (2.6%) a rendezetlen játékosok és a normál játékosok helyes megkülönböztetésekor.

Érdekütközési nyilatkozat

A szerzők kijelentik, hogy a kutatást olyan kereskedelmi vagy pénzügyi kapcsolatok hiányában hajtották végre, amelyek potenciális összeférhetetlenségnek tekinthetők.

Finanszírozás. Ezt a kutatást az Agytudományi Kutatási Program támogatta a Koreai Tudományos és IKT Minisztérium (NRF-2014M3C7A1062893) által finanszírozott koreai Nemzeti Kutatási Alapítvány (NRF) révén.