Diskriminasi Gamer Internet Patologis dan Non-patologis Menggunakan Fitur Neuroanatomical Jarang (2018)

. 2018; 9: 291.

Diterbitkan secara online, 2018, Jun 29. doi:  10.3389 / fpsyt.2018.00291

PMCID: PMC6033968

PMID: 30008681

Abstrak

Gangguan permainan Internet (IGD) sering didiagnosis berdasarkan sembilan kriteria mendasar dari versi terbaru Manual Diagnostik dan Statistik Gangguan Mental (DSM-5). Di sini, kami memeriksa apakah kategorisasi berbasis gejala dapat diterjemahkan ke dalam klasifikasi berbasis komputasi. Data MRI Struktural (sMRI) dan MRI difusi-tertimbang diperoleh pada gamer 38 yang didiagnosis dengan IGD, gamer normal 68 yang didiagnosis tidak memiliki IGD, dan non-gamer sehat 37. Kami menghasilkan fitur 108 struktur materi abu-abu (GM) dan putih (WM) dari data MRI. Ketika regresi logistik yang diregulasi diaplikasikan pada fitur neuroanatomical 108 untuk memilih yang penting untuk perbedaan antara kelompok, gamer yang tidak teratur dan normal diwakili dalam hal fitur 43 dan 21, masing-masing, dalam kaitannya dengan non-gamer yang sehat, sedangkan gamers yang mengalami gangguan diwakili dalam hal fitur 11 sehubungan dengan gamers yang normal. Dalam mesin dukungan vektor (SVM) yang menggunakan fitur neuroanatomical yang jarang sebagai prediktor, gamer yang mengalami gangguan dan normal didiskriminasi dengan sukses, dengan akurasi melebihi 98%, dari yang bukan gamer yang sehat, tetapi klasifikasi antara pemain yang tidak teratur dan normal relatif sulit. Temuan ini menunjukkan bahwa gamer patologis dan non-patologis yang dikategorikan dengan kriteria dari DSM-5 dapat diwakili oleh fitur neuroanatomical yang jarang, terutama dalam konteks membedakan orang-orang dari orang sehat yang tidak bermain game.

Kata kunci: gangguan permainan internet, klasifikasi diagnostik, MRI struktural, MRI tertimbang difusi, regresi teratur

Pengantar

Meskipun telah disarankan sebagai kecanduan patologis selama beberapa dekade (), hanya baru-baru ini gangguan permainan Internet (IGD) terdaftar dalam Manual Diagnostik dan Statistik Gangguan Mental (DSM). Edisi kelima DSM (DSM-5) () mengidentifikasi IGD sebagai syarat untuk studi lebih lanjut dan memberikan sembilan kriteria untuk mendiagnosisnya. Dalam kategorisasi berbasis gejala menggunakan skala IGD sembilan item (IGDS) yang diusulkan dalam DSM − 5, ambang batas mengalami lima kriteria atau lebih diterapkan untuk diagnosis IGD. Meskipun cut-point ini dapat membedakan gamer yang menderita gangguan klinis yang signifikan (), sifat dikotomis dari item IGDS pasti melibatkan penyederhanaan diagnostik atau ketidakjelasan.

Selain gejala, berbagai disfungsi terkait IGD umumnya diamati, paling tidak perubahan neuroanatomi. Memang, tubuh substansial pekerjaan telah menunjukkan bahwa IGD dikaitkan dengan perubahan struktural di otak: penyusutan volume materi abu-abu (GM) (-), pengurangan ketebalan kortikal (), dan hilangnya integritas materi putih (WM) (, ) telah ditunjukkan secara khas. Perubahan neuroanatomi ini terkait dengan IGD menunjukkan bahwa parameter pencitraan otak tersebut dapat berfungsi sebagai biomarker untuk membedakan individu dengan IGD dari individu lain. Artinya, diagnosis IGD dapat dilakukan melalui manipulasi komputasi dari biomarker neuroanatomical, daripada melalui kategorisasi berbasis gejala berdasarkan DSM-5. Upaya-upaya ini mungkin sejalan dengan upaya untuk melampaui diagnosis deskriptif dengan menggunakan pendekatan komputasi untuk psikiatri (), khususnya pendekatan berbasis data yang didasarkan pada pembelajaran mesin (ML) untuk mengatasi diagnosis penyakit mental ().

Dalam penelitian ini, kami mencari hubungan antara kategorisasi berbasis gejala berdasarkan IGDS dan klasifikasi berbasis komputasi dengan menggunakan biomarker neuroanatomikal dalam diagnosis IGD. Karena beberapa komponen GM dan WM otak kemungkinan akan mencakup informasi yang redundan atau tidak relevan untuk klasifikasi diagnostik, kami berusaha untuk memilih fitur neuroanatomi yang jarang dengan menggunakan regresi yang teratur. Kami berhipotesis bahwa kategorisasi berbasis gejala dapat diwakili dalam hal fitur neuroanatomical jarang yang akan menyusun model klasifikasi untuk diagnosis IGD. Gamer patologis yang didiagnosis dengan IGD dianggap lebih berbeda dari individu yang tidak bermain game daripada gamer yang didiagnosis tidak memiliki IGD, yaitu gamer non-patologis; dengan demikian, gamer patologis dapat ditandai oleh sejumlah besar fitur dibandingkan dengan gamer non-patologis, dalam kaitannya dengan individu sehat non-game. Selain itu, kami ingin memutuskan apakah gamer non-patologis bisa kurang dapat dibedakan dari gamer patologis atau dari individu sehat non-game. Gamer non-patologis mungkin secara samar diasumsikan dekat dengan individu sehat yang tidak bermain game dalam hal gejala deskriptif, tetapi kami berpikir bahwa gagasan seperti itu perlu divalidasi melalui klasifikasi berbasis komputasi.

Bahan dan metode

Peserta

Di antara peserta 237 yang memainkan permainan berbasis internet, individu 106 dipilih dengan mengecualikan mereka yang menunjukkan ketidakcocokan antara IGDS yang dilaporkan sendiri dan wawancara terstruktur dengan psikolog klinis dalam diagnosis IGD atau telah melewatkan atau sangat pencelupan data pencitraan otak. Atas dasar IGDS, individu 38 (27.66 ± 5.61 tahun; 13 betina) yang memenuhi setidaknya lima item IGDS diberi label gamer yang tidak teratur dan individu 68 (27.96 ± 6.41 tahun; 21 betina) yang puas paling banyak pada satu item IGDS diberi label gamer normal. Individu yang memenuhi item IGDS antara dua dan empat juga dikeluarkan, karena mereka dapat dilihat sebagai kelas lain antara pemain yang tidak teratur dan normal (). Selain itu, 37 individu (25.86 ± 4.10 tahun; 13 perempuan) yang tidak bermain game berbasis Internet direkrut secara terpisah, dan mereka diberi label non-gamer yang sehat. Tidak adanya komorbiditas di semua peserta dikonfirmasi. Persetujuan tertulis diperoleh dari semua peserta sesuai dengan Deklarasi Helsinki dan amandemen selanjutnya, dan penelitian tersebut disetujui oleh Badan Peninjau Institusional di Rumah Sakit St. Mary Seoul, Seoul, Korea.

Akuisisi data MRI

Data MRI Struktural (sMRI) dan MRI difusi-tertimbang dikumpulkan menggunakan sistem 3 T MAGNETOM Verio (Siemens AG, Erlangen, Jerman). Akuisisi data sMRI dilakukan dengan menggunakan urutan gema gradien cepat yang disiapkan magnetisasi: jumlah irisan dalam bidang sagital = 176, tebal irisan = 1 mm, ukuran matriks = 256 × 256, dan resolusi dalam pesawat = 1 × 1 mm . Untuk akuisisi data dMRI, pengkodean gradien difusi dilakukan dalam arah 30 dengan b = 1,000 s / mm2 dan urutan pencitraan gema-planar tembakan tunggal digunakan: jumlah irisan dalam bidang aksial = 75, ketebalan irisan = 2 mm, ukuran matriks = 114 × 114, dan resolusi dalam pesawat = 2 × 2 mm.

Pemrosesan data MRI

Alat yang termasuk dalam CAT12 (http://www.neuro.uni-jena.de/cat/) digunakan untuk memproses data sMRI. Gambar volume otak disegmentasi ke dalam jaringan yang berbeda, termasuk GM, WM, dan cairan kortikospinalis serta terdaftar secara spasial ke otak referensi di ruang standar. Dalam morfometri berbasis voxel (VBM), volume GM bijaksana voxel diperkirakan dengan mengalikan probabilitas menjadi GM dengan volume voxel, dan kemudian nilai-nilai itu dibagi dengan volume intrakranial total untuk menyesuaikan perbedaan individu dalam volume head. Dalam morfometri berbasis permukaan (SBM), ketebalan kortikal diperkirakan menggunakan metode ketebalan berbasis proyeksi ().

Memproses data dMRI

Alat yang termasuk dalam FSL 5.0 (http://fsl.fmrib.ox.ac.uk/fsl/) dipekerjakan untuk memproses data dMRI. Semua gambar diluruskan kembali ke gambar nol yang diperoleh b = 0 s / mm2 untuk memperbaiki distorsi dan gerakan kepala eddy yang diinduksi arus. Tensor difusi dimodelkan pada setiap voxel di dalam otak, dan parameter yang diturunkan dari tensor, termasuk fraksi anisotropi (FA), difusivitas rata-rata (MD), difusivitas aksial (AD), dan difusivitas radial (RD), dihitung; diberikan tiga difusi sepanjang sumbu yang berbeda dari tensor difusi, FA dihitung sebagai akar kuadrat dari jumlah kuadrat perbedaan difusivitas antara tiga sumbu, MD sebagai difusivitas rata-rata di ketiga sumbu, AD sebagai difusivitas terbesar sepanjang sumbu utama , dan RD sebagai rata-rata difusi sepanjang dua sumbu minor. Menggunakan statistik spasial berbasis saluran (TBSS) () diimplementasikan dalam FSL 5.0, peta parameter turunan difusi yang diturunkan secara spasial terdaftar ke otak referensi di ruang standar, dan mereka kemudian diproyeksikan ke kerangka saluran WM.

Pembuatan fitur

Dua langkah utama untuk merancang model klasifikasi adalah pembuatan dan pemilihan fitur. Kami menghasilkan fitur-fitur dari neuroanatomy, khususnya volume dan ketebalan satu set daerah GM dan integritas dan difusivitas satu set saluran WM. Setelah memperkirakan volume GM dan ketebalan kortikal sebagai peta voxel-bijaksana yang diperoleh dari VBM dan SBM, masing-masing parameter dinilai untuk masing-masing wilayah 60 GM (Tabel S1), parcellated seperti pada atlas Hammers (), sebagai rata-rata di semua voxels di dalamnya. Setelah mengestimasi parameter yang diturunkan dari tensor, termasuk FA, MD, AD, dan RD sebagai peta voxel pada kerangka saluran WM yang diperoleh dari TBSS, parameter dihitung untuk masing-masing saluran 48 WM (Tabel S2), parcellated seperti pada atlas ICBM DTI-81 (), sebagai rata-rata di semua voxels di dalamnya. Singkatnya, kami mempertimbangkan dua parameter GM dan empat parameter WM, yang menghasilkan delapan kombinasi parameter GM dan WM. Untuk setiap kombinasi parameter GM dan WM, nilai parameter 60 wilayah GM dan traktat 48 WM terdiri dari total fitur neuroanatomi 108.

Seleksi fitur oleh regresi yang diatur

Mengurangi jumlah fitur adalah penting, terutama untuk data dengan sejumlah besar fitur dan jumlah pengamatan terbatas. Terbatasnya jumlah pengamatan sehubungan dengan jumlah fitur dapat menyebabkan overfitting terhadap kebisingan, dan regularisasi adalah teknik yang memungkinkan untuk mengurangi atau mencegah overfitting dengan memasukkan informasi tambahan atau kendala pada model. Karena semua fitur 108 mungkin tidak termasuk informasi yang berguna dan perlu untuk klasifikasi, kami memilih serangkaian fitur yang jarang dengan menerapkan regresi yang teratur. Secara khusus, laso () dan jaring elastis () digunakan untuk regresi logistik yang diatur. Lasso mencakup istilah penalti, atau parameter regularisasi, λ, yang membatasi ukuran estimasi koefisien dalam model regresi logistik. Karena peningkatan λ mengarah ke lebih banyak koefisien bernilai nol, laso menyediakan model regresi logistik yang berkurang dengan lebih sedikit prediktor. Jaring elastis juga menghasilkan model regresi logistik yang dikurangi dengan menetapkan koefisien ke nol, terutama dengan memasukkan parameter regularisasi hibrid dari laso dan regresi ridge, mengatasi keterbatasan laso dalam merawat prediktor yang sangat berkorelasi ().

Untuk klasifikasi antara setiap pasangan dari tiga kelompok, kami menerapkan laso dan jaring elastis untuk mengidentifikasi prediktor penting di antara fitur neuroanatomik 108 dalam model regresi logistik. Fitur 108 dari semua individu dalam setiap pasangan dari tiga kelompok distandarisasi untuk menyusun matriks data, A, di mana setiap baris mewakili satu observasi dan setiap kolom mewakili satu prediktor. Untuk mengoreksi pengaruh usia dan jenis kelamin individu pada parameter GM dan WM, matriks pembentuk residual, R, dihasilkan: R = I-C(CTC)-1C dimana I adalah matriks identitas dan C adalah pengkodean matriks yang membingungkan kovariat usia dan jenis kelamin. Itu kemudian diterapkan A untuk mendapatkan residu setelah melakukan regresi keluar kovariat pembaur: X = RA.

Mengingat matriks data yang disesuaikan, X, dan jawabannya, Y, yang mengkode dua kelas individu, 10-fold cross-validation (CV) digunakan untuk mencari parameter regularisasi, λMinErr, yang memberikan kesalahan minimum dalam hal penyimpangan, didefinisikan sebagai kemungkinan log negatif untuk model yang diuji rata-rata pada lipatan validasi. Atau, karena kurva CV memiliki kesalahan pada setiap λ yang diuji, parameter regularisasi, λ1SE, yang ditemukan dalam satu kesalahan standar dari kesalahan CV minimum dalam arah peningkatan regularisasi dari λMinErr juga dipertimbangkan. Yaitu, fitur sparser dipilih pada λ1SE, sedangkan fitur jarang ditentukan pada λMinErr. Prosedur ini untuk mencari model regresi logistik yang teratur dengan lebih sedikit prediktor diulang untuk setiap kombinasi parameter GM dan WM yang terdiri dari fitur neuroanatomi 108.

Performa fitur yang dipilih

Untuk menilai kegunaan fitur sparse dan sparser, kinerja dibandingkan antara model dengan jumlah fitur yang lebih sedikit dan model dengan semua fitur 108 dalam mesin vektor pendukung (SVM) dengan mengukur kurva karakteristik operasi penerima (ROC). Dengan kernel linier sebagai fungsi kernel dan hyperparameter yang dioptimalkan oleh CV lima kali lipat, sebuah SVM dilatih untuk semua individu di setiap pasangan dari tiga kelompok. Area di bawah kurva ROC (AUC) dihitung untuk setiap model sebagai ukuran kuantitatif kinerjanya. Tes DeLong () digunakan untuk membandingkan AUC antara masing-masing pasangan model. Ketika AUC berbeda pada a p-nilai 0.05, kinerja dianggap tidak sebanding dalam dua model.

Akurasi klasifikasi

Prosedur skematik mulai dari pembuatan dan pemilihan fitur hingga pembuatan model klasifikasi disajikan pada Gambar Figur1.1. Untuk setiap pasangan dari tiga kelompok, model klasifikasi SVM dihasilkan menggunakan fitur yang dipilih sebagai prediktor. Kami menilai keakuratan model klasifikasi dengan menggunakan skema CV sisakan-keluar, sehingga akurasi klasifikasi out-of-sample dihitung untuk setiap individu yang ditinggalkan dan kemudian dirata-rata di semua individu. Signifikansi statistik dari akurasi diperkirakan dengan menggunakan tes permutasi. Distribusi nol empiris untuk mengklasifikasikan antara masing-masing pasangan dari tiga kelompok dihasilkan dengan berulang kali mengubah label individu dan mengukur akurasi yang terkait dengan label yang diijinkan. Ketika akurasi yang diukur untuk label yang tidak diizinkan lebih tinggi atau sama dengan distribusi nol pada a p-nilai 0.05, yang ditentukan berbeda secara signifikan dari tingkat peluang (akurasi = 50%). Selain itu, matriks kebingungan divisualisasikan untuk menggambarkan sensitivitas dan spesifisitas mengenai perbedaan antara setiap pasangan dari tiga kelompok.

 

File eksternal yang menyimpan gambar, ilustrasi, dll. Nama objek adalah fpsyt-09-00291-g0001.jpg

Prosedur skematis mulai dari pembuatan dan pemilihan fitur neuroanatomical hingga konstruksi model untuk klasifikasi antara gamer yang mengalami gangguan (DG) dan non-gamer yang sehat (HN), antara pemain normal (NG) dan HN, dan antara DG dan NG. GM, materi abu-abu; WM, materi putih.

Hasil

Pemilihan fitur

Angka Figur22 menampilkan fitur yang dipilih di antara fitur 108 dengan estimasi koefisiennya, dan Tabel Tabel11 menjelaskan informasi pemasangan terkait dari model regresi logistik yang diatur untuk klasifikasi antara setiap pasangan dari tiga kelompok. Selain itu, Gambar S1 menunjukkan λ mana yang menghasilkan kesalahan CV minimum dan berapa banyak fitur yang dipilih di λ1SE serta di λMinErr. Kesalahan CV minimum diperoleh dalam pemilihan fitur oleh laso (laso weight = 1) untuk klasifikasi antara non-gamer yang sehat dan gamer normal dan oleh jaring elastis (laso weight = 0.5) untuk klasifikasi lainnya.

 

File eksternal yang menyimpan gambar, ilustrasi, dll. Nama objek adalah fpsyt-09-00291-g0002.jpg

Fitur neuroanatomical yang dipilih dalam regresi logistik yang diatur untuk klasifikasi antara masing-masing pasangan dari tiga kelompok. Disordered gamers (DG) dikodekan sebagai 1 dalam klasifikasi antara non-gamers sehat (HN) dan DG, normal gamers (NG) sebagai 1 dalam klasifikasi antara HN dan NG, dan DG sebagai 1 dalam klasifikasi antara NG dan DG. Ukuran batang merepresentasikan ukuran koefisien fitur masing-masing, sehingga fitur koefisien bukan nol dipilih. Otak yang ditampilkan menggambarkan materi abu-abu dan komponen materi putih sesuai dengan fitur yang dipilih dari sudut pandang superior. Fitur dalam warna merah atau biru menunjukkan fitur yang termasuk dalam fitur lebih jarang yang ditentukan di λ1SE serta fitur yang jarang ditentukan pada λMinErr, sedangkan yang berwarna kuning atau magenta menunjukkan yang termasuk dalam fitur jarang. Label komponen otak seperti yang disediakan dalam Tabel S1 dan S2. L, kiri; R, benar.

Tabel 1

Menyesuaikan informasi regresi logistik yang diatur untuk klasifikasi antara setiap pasangan dari tiga kelompok.

  HN vs. DG HN vs. NG NG vs. DG
Parameter GM Ketebalan Ketebalan Volume
  WM FA RD MD
Berat badan 0.5 1 0.5
Fitur jarang dipilih di λMinErr Kesalahan CV 37.3681 41.7876 133.3857
  Jumlah fitur 43 21 11
Fitur sparser dipilih pada λ1SE Kesalahan CV 46.5681 50.0435 141.2622
  Jumlah fitur 34 12 1
 

Bobot laso menunjukkan apakah regresi logistik yang diatur dilakukan dengan menggunakan laso (laso weight = 1) atau jaring elastis (laso weight = 0.5).

HN, bukan gamer yang sehat; DG, gamer yang tidak teratur; NG, gamer normal; GM, materi abu-abu; WM, materi putih; FA, anisotropi fraksional; RD, difusivitas radial; MD, difusivitas rata-rata; CV, validasi silang.

Dalam diskriminasi gamer yang mengalami gangguan dari non-gamer yang sehat, fitur 43 dipilih di λMinErr terdiri dari ketebalan wilayah 24 GM dan FA traktat 19 WM, dan fitur 34 dipilih pada λ1SE terdiri dari ketebalan wilayah 15 GM dan FA traktat 19 WM. Dalam perbedaan gamer normal dari non-gamer yang sehat, fitur 21 dipilih di λMinErr terdiri dari ketebalan wilayah 12 GM dan RD traktat 9 WM, dan fitur 12 dipilih pada λ1SE terdiri dari ketebalan wilayah 6 GM dan RD traktat 6 WM. Dalam klasifikasi antara pemain yang tidak teratur dan normal, fitur 11 dipilih pada λMinErr terdiri dari volume wilayah 7 GM dan MD traktat 4 WM, dan satu fitur yang dipilih di λ1SE sesuai dengan volume satu wilayah GM.

Performa fitur yang dipilih

Antara model dengan jumlah fitur yang lebih sedikit dan model dengan semua fitur 108, kinerjanya sebanding dalam hal AUC dalam diskriminasi antara setiap jenis gamer dan non-gamer yang sehat oleh SVMs (Gambar (Figure3) .3). Dalam klasifikasi antara pemain yang tidak teratur dan normal, model dengan fitur yang dipilih pada λMinErr (AUC = 0.83, p = 0.006) atau di λ1SE (AUC = 0.72, p <0.001) menunjukkan kinerja yang lebih buruk daripada model dengan semua 108 fitur (AUC = 0.90).

 

File eksternal yang menyimpan gambar, ilustrasi, dll. Nama objek adalah fpsyt-09-00291-g0003.jpg

Perbandingan kinerja dalam hal area di bawah kurva karakteristik pengoperasian penerima (AUC) antara model tanpa dan dengan pemilihan fitur untuk klasifikasi antara setiap pasangan dari tiga kelompok dengan mesin vektor pendukung. Model fitur 108 (ditunjukkan oleh garis padat) sesuai dengan yang tanpa pemilihan fitur, sedangkan model dengan jumlah fitur yang diperkecil sesuai dengan fitur dengan fitur yang jarang dan jarang di pilih pada λMinErr (ditunjukkan oleh garis putus-putus) dan λ1SE (ditunjukkan oleh garis dash-dot), masing-masing. HN, bukan gamer yang sehat; DG, gamer yang tidak teratur; NG, gamer normal.

Akurasi klasifikasi

Dalam klasifikasi oleh SVM menggunakan fitur yang dipilih di λMinErr, akurasi lebih besar dari 98%, secara signifikan lebih tinggi dari tingkat peluang (p <0.001), dalam perbedaan masing-masing tipe gamer dari non-gamer yang sehat (Gambar (Figure4A) .4A). Akurasi masih jauh lebih tinggi daripada tingkat peluang (p = 0.002) tetapi serendah 69.8% dalam klasifikasi antara para pemain yang tidak teratur dan normal, secara spesifik menunjukkan sensitivitas yang rendah (47.4%) dalam identifikasi yang benar dari para pemain yang tidak teratur. Fitur sparser ditentukan pada λ1SE menunjukkan kinerja yang sama (Gambar (Figure4B) 4B) tetapi menunjukkan sensitivitas yang jauh lebih rendah (2.6%) dalam perbedaan yang benar dari para pemain yang tidak teratur dari para pemain normal.

 

File eksternal yang menyimpan gambar, ilustrasi, dll. Nama objek adalah fpsyt-09-00291-g0004.jpg

Matriks kebingungan dalam klasifikasi antara setiap pasangan dari tiga kelompok saat menggunakan (A) jarang dan (B) fitur sparser ditentukan pada λMinErr dan di λ1SE, masing-masing, dalam mesin vektor dukungan. Sel kanan bawah mewakili akurasi klasifikasi (ACC), tingkat negatif sejati sel kiri bawah (TNR) atau spesifisitas, tingkat positif sejati sel rendah (TNR) atau sensitivitas, nilai prediksi negatif sel kanan atas (NPV) ), dan nilai prediksi positif sel tengah kanan (PPV). TP, benar positif; TN, benar-benar negatif; FP, false positive; FN, negatif palsu.

Diskusi

Dalam studi ini, kami berusaha untuk memeriksa apakah gamer patologis dan non-patologis yang dikategorikan dengan IGDS yang diusulkan dalam DSM-5 dapat diwakili oleh fitur neuroanatomical yang jarang. Gamer yang mengalami gangguan dan normal masing-masing diwakili dalam hal fitur 43 dan 21, sehubungan dengan non-gamer yang sehat. Selain itu, gamers yang mengalami gangguan diwakili dalam hal fitur 11 dalam kaitannya dengan gamers normal. Menggunakan fitur neuroanatomical yang jarang, gamer yang mengalami gangguan dan normal dapat dibedakan dengan sukses dari yang bukan gamer yang sehat, tetapi klasifikasi antara pemain yang tidak teratur dan normal relatif sulit.

Kategorisasi deskriptif berdasarkan gejala berdasarkan IGD dengan IGDS yang diusulkan dalam DSM-5 sedang diadopsi secara luas. Meskipun validitas empiris dari IGDS telah dikonfirmasi di beberapa negara (, , ), ambang mengalami lima atau lebih item IGDS mungkin bukan pilihan yang pasti, dan cara lain untuk mengategorikan individu yang bermain game berbasis Internet mungkin disarankan (). Karena banyak jenis data klinis, seperti data pencitraan otak serta data demografis, perilaku, dan gejala, menjadi semakin tersedia, data tambahan dapat lebih disukai digunakan untuk diagnosis penyakit mental. Secara khusus, karena besarnya informasi kuantitatif, data pencitraan otak cocok untuk pendekatan komputasi dan akan berguna untuk prediksi. Memang, data pencitraan otak telah terbukti memiliki nilai prediktif yang unggul dibandingkan dengan data klinis lainnya dalam prediksi untuk memecahkan masalah yang relevan secara klinis ().

Karena klasifikasi diagnostik berbasis ML baru-baru ini diterapkan pada perilaku dan gangguan adiktif lainnya (-), kategorisasi berbasis gejala IGD juga tampaknya menghadapi tantangan klasifikasi berbasis komputasi. Karena kelainan anatomi otak setelah IGD telah berulang kali dilaporkan dalam penelitian sebelumnya (-, ), kami mempertimbangkan informasi neuroanatomi seperti dari biomarker data pencitraan otak potensial untuk diagnosis IGD. Dalam penelitian ini, tujuan kami adalah untuk mengidentifikasi serangkaian fitur neuroanatomi penting yang dapat memberikan kinerja klasifikasi yang cukup tinggi, di luar menggambarkan perbedaan neuroanatomi antara kelas individu.

Kami memilih yang penting, di antara fitur neuroanatomical 108, regresi yang diatur secara menyeluruh. Ketika kami mempertimbangkan delapan kombinasi parameter GM dan WM, kombinasi parameter yang berbeda dipilih untuk membedakan setiap pasangan dari tiga kelompok. Kombinasi ketebalan daerah GM dan integritas saluran WM lebih baik untuk membedakan gamer patologis dari non-gamer yang sehat, sedangkan kombinasi volume daerah GM dan difusivitas saluran WM lebih baik untuk membedakan gamer patologis. dari gamer non-patologis. Selain itu, meskipun banyak komponen otak umumnya berfungsi sebagai fitur neuroanatomik yang penting untuk membedakan gamer patologis dan non-patologis dari non-gamer yang sehat, beberapa wilayah GM dan traktus WM ditandai oleh gamer non-patologis, tetapi bukan gamer patologis. . Temuan-temuan ini menunjukkan bahwa mungkin tidak ada kombinasi universal yang paling baik dari parameter GM dan WM sebagai biomarker neuroanatomikal, sehingga kombinasi spesifik dari parameter GM dan WM perlu dipilih sesuai dengan kelompok yang akan diklasifikasikan.

Jumlah yang lebih sedikit dari fitur jarang untuk perbedaan gamer non-patologis dibandingkan dengan perbedaan gamer patologis, dari non-gamer yang sehat, mencerminkan bahwa gamer non-patologis berada pada tahap transisi antara gamer patologis dan sehat. bukan gamer. Selain itu, fitur yang lebih jarang untuk klasifikasi antara kedua jenis pemain daripada untuk diskriminasi antara setiap jenis pemain dan non-pemain yang sehat menunjukkan bahwa gamers patologis dan non-patologis kurang berbeda satu sama lain dalam hal neuroanatomi daripada mereka yang berbeda dari non-gamer yang sehat. Dengan demikian, model klasifikasi yang dihasilkan dengan fitur jarang menghasilkan akurasi melebihi 98% dalam diskriminasi antara masing-masing tipe gamer dan non-gamer yang sehat tetapi akurasi di bawah 70% dalam klasifikasi antara kedua jenis gamer. Artinya, gamer non-patologis dibedakan dari non-gamer yang sehat serta gamer patologis, tetapi ada batasan dalam membedakan antara gamer patologis dan non-patologis.

Diferensiasi yang relatif rendah antara kedua jenis pemain ini tampaknya menyarankan beberapa gagasan. Pertama, ketidakcocokan antara kategorisasi berbasis gejala dan klasifikasi berbasis komputasi dapat diusulkan. Meskipun ambang diagnostik yang diusulkan untuk mengalami lima kriteria atau lebih dalam IGDS dipilih secara konservatif untuk mencegah diagnosis IGD yang berlebihan (), kehadiran gamer yang menderita perubahan patologis yang cukup besar dalam neuroanatomi tetapi tidak memenuhi ambang IGD mungkin tidak dapat diabaikan. Secara khusus, kami hanya menyertakan gamer yang memuaskan item IGDS jauh lebih rendah dari ambang IGD sebagai gamer normal, sehingga gamer yang didiagnosis tidak memiliki IGD umumnya dapat jauh dari individu sehat yang tidak bermain game daripada yang ditunjukkan dalam penelitian ini. Kedua, tantangan dalam klasifikasi hanya bergantung pada biomarker neuroanatomical dapat dicatat. Performa klasifikasi dapat ditingkatkan dengan memasukkan biomarker lain yang dapat menangkap perbedaan yang lebih besar antara gamers patologis dan non-patologis. Secara khusus, karena perubahan fungsional di otak juga ditunjukkan dalam IGD (-), fungsi serta anatomi otak bisa dianggap biomarker otak. Selain itu, kami ingin mencatat bahwa perubahan di otak hanya merupakan bagian dari aspek multidimensi kecanduan game Internet, sehingga faktor-faktor lain, tak terkecuali berbagai faktor risiko internal dan eksternal untuk kecanduan game Internet (), harus dimasukkan dalam model yang lebih lengkap untuk klasifikasi antara gamer patologis dan non-patologis serta perbedaan gamer dari individu sehat yang tidak bermain game.

Di sini, kami telah menggunakan regresi yang teregulasi, menggunakan penduga yang mempromosikan sparsity seperti laso dan jaring elastis, untuk mengidentifikasi fitur-fitur penting untuk model klasifikasi. Sebenarnya ada variasi metodologis dalam pemilihan fitur atau pengurangan dimensi, dan berbagai pendekatan dapat digunakan untuk penggunaan fitur yang dipilih dalam konstruksi model (). Pendekatan kami menggunakan regresi yang diatur mensyaratkan asumsi priori mengenai sparsity dalam fitur neuroanatomical. Asalkan asumsi seperti itu dapat diterima, seperti yang kami yakini dalam penelitian ini, regresi yang diatur dapat menjadi pendekatan yang masuk akal, dan serangkaian fitur jarang yang dipilih akan diharapkan untuk menyusun model klasifikasi kinerja yang cukup tinggi. Tetapi perlu dicatat bahwa model klasifikasi sederhana berdasarkan sparsity yang lebih besar tidak selalu menunjukkan kinerja yang sebanding atau lebih baik. Memang, di antara pilihan yang berbeda dari tingkat sparsity sesuai dengan parameter regularisasi, sparsity yang lebih besar tidak mungkin memberikan model yang lebih baik khususnya dalam masalah klasifikasi yang lebih menantang, seperti klasifikasi antara gamer patologis dan non-patologis.

Selain itu, kami telah menggunakan SVM sebagai teknik ML untuk membangun model klasifikasi, karena mereka adalah yang paling populer. Metode canggih lainnya dapat digunakan untuk meningkatkan kinerja klasifikasi, meskipun kinerja komparatif antara metode yang berbeda mungkin tidak dapat disimpulkan karena ketergantungan kinerja pada skenario eksperimental (). Di sisi lain, untuk kinerja komparatif antara metode statistik klasik dan teknik ML, kami melakukan klasifikasi dengan regresi logistik juga dan menunjukkan bahwa dua metode, yaitu regresi logistik dan SVM, dapat dibandingkan dalam kinerja klasifikasi (Gambar S2). Dapat diulangi bahwa metode statistik klasik tidak selalu kalah dengan teknik ML dalam kinerja klasifikasi ().

Dalam penelitian saat ini, kami telah mengungkapkan bahwa kategorisasi IGD berbasis gejala dapat direpresentasikan dalam hal biomarker neuroanatomical yang jarang yang menyusun model klasifikasi. Selain itu, kami telah menunjukkan bahwa gamer non-patologis bisa kurang dapat dibedakan dari gamer patologis daripada dari individu yang sehat non-game, dalam hal neuroanatomi. Oleh karena itu kami menyarankan bahwa meskipun sistem diagnostik saat ini bergantung pada kategorisasi deskriptif seperti DSM-5 sebagai standar emas, gamer non-patologis mungkin perlu didiagnosis dengan lebih hati-hati dengan menggunakan biomarker obyektif seperti yang terkait dengan perubahan neuroanatomi. Adopsi pendekatan komputasi tampaknya menjadi tren yang tidak dapat diubah dalam psikiatri, tetapi mungkin ada jalan panjang untuk secara praktis menerapkannya pada lingkungan klinis. Mencari pilihan optimal dari fitur jarang dari pencitraan otak dan data klinis lainnya perlu dilakukan dalam studi berikutnya, dan dalam jangka panjang, upaya ini akan mempromosikan diagnosis IGD berbasis komputasi.

Kontribusi penulis

D-JK dan J-WC bertanggung jawab atas konsep dan desain studi. HC melakukan karakterisasi klinis dan pemilihan peserta. CP menganalisis data dan menyusun naskah. Semua penulis meninjau konten secara kritis dan menyetujui versi final untuk publikasi.

Pernyataan konflik kepentingan

Para penulis menyatakan bahwa penelitian ini dilakukan tanpa adanya hubungan komersial atau keuangan yang dapat ditafsirkan sebagai potensi konflik kepentingan.

Catatan kaki

 

Pendanaan. Penelitian ini didukung oleh Program Penelitian Ilmu Otak melalui National Research Foundation of Korea (NRF) yang didanai oleh Kementerian Sains dan TIK di Korea (NRF-2014M3C7A1062893).

 

 

Materi tambahan

Bahan Pelengkap untuk artikel ini dapat ditemukan online di: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material

Referensi

1. KS muda. Kecanduan internet: munculnya gangguan klinis baru. CyberPsychol Behav. (1998) 1: 237 – 44. 10.1089 / cpb.1998.1.237 [Cross Ref]
2. American Psychiatric Association Manual Diagnostik dan Statistik Gangguan Mental, Edisi 5th. Washington, DC: Penerbitan American Psychiatric Association; (2013).
3. Ko CH, Yen JY, Chen SH, Wang PW, Chen CS, Yen CF. Evaluasi kriteria diagnostik gangguan permainan Internet di DSM-5 di kalangan dewasa muda di Taiwan. J Psychiatr Res. (2014) 53: 103 – 10. 10.1016 / j.jpsychires.2014.02.008 [PubMed] [Cross Ref]
4. Ko CH, Hsieh TJ, Wang PW, Lin WC, CF Yen, Chen CS, dkk. . Mengubah kepadatan materi abu-abu dan mengganggu konektivitas fungsional amigdala pada orang dewasa dengan gangguan permainan Internet. Prog Neuropsychopharmacol Biol Psychiatry (2015) 57: 185 – 92. 10.1016 / j.pnpbp.2014.11.003 [PubMed] [Cross Ref]
5. Lin X, Dong G, Wang Q, Du X. Materi abu-abu yang tidak normal dan volume materi putih dalam 'pecandu game internet'. Addict Behav. (2015) 40: 137 – 143. 10.1016 / j.addbeh.2014.09.010 [PubMed] [Cross Ref]
6. Wang H, Jin C, Yuan K, Shakir TM, Mao C, Niu X, dkk. . Perubahan volume materi abu-abu dan kontrol kognitif pada remaja dengan gangguan game internet. Behav Neurosci Depan. (2015) 9: 64. 10.3389 / fnbeh.2015.00064 [Artikel gratis PMC] [PubMed] [Cross Ref]
7. Yuan K, Cheng P, Dong T, Bi Y, Xing L, Yu D, dkk. . Kelainan ketebalan kortikal pada remaja akhir dengan kecanduan game online. PloS ONE (2013) 8: e53055. 10.1371 / journal.pone.0053055 [Artikel gratis PMC] [PubMed] [Cross Ref]
8. Dong G, Devito E, Huang J, Du X. Pencitraan tensor difusi mengungkapkan kelainan korteks cingulate thalamus dan posterior pada pecandu game internet. J Psychiatr Res. (2012) 46: 1212 – 6. 10.1016 / j.jpsychires.2012.05.015 [Artikel gratis PMC] [PubMed] [Cross Ref]
9. Xing L, Yuan K, Bi Y, Yin J, Cai C, Feng D, dkk. . Mengurangi integritas serat dan kontrol kognitif pada remaja dengan gangguan permainan internet. Res Otak. (2014) 1586: 109 – 17. 10.1016 / j.brainres.2014.08.044 [PubMed] [Cross Ref]
10. Besson P, Dinkelacker V, Valabregue R, Thivard L, Leclerc X, Baulac M, dkk. . Perbedaan konektivitas struktural dalam epilepsi lobus temporal kiri dan kanan. Neuroimage (2014) 100: 135 – 44. 10.1016 / j.neuroimage.2014.04.071 [PubMed] [Cross Ref]
11. Huys QJ, Maia TV, Frank MJ. Psikiatri komputasi sebagai jembatan dari ilmu saraf ke aplikasi klinis. Nat Neurosci. (2016) 19: 404 – 13. 10.1038 / nn.4238 [Artikel gratis PMC] [PubMed] [Cross Ref]
12. Lemmens JS, Valkenburg PM, Gentile DA. Skala gangguan game internet. Nilai Psikol. (2015) 27: 567 – 82. 10.1037 / pas0000062 [PubMed] [Cross Ref]
13. Dahnke R, Yotter RA, Gaser C. Ketebalan kortikal dan estimasi permukaan tengah. Neuroimage (2013) 65: 336 – 48. 10.1016 / j.neuroimage.2012.09.050 [PubMed] [Cross Ref]
14. Smith SM, Jenkinson M, Johansen-Berg H, Rueckert D, Nichols TE, Mackay CE, dkk. . Statistik spasial berbasis traktat: analisis voxelwise dari data difusi multi-subjek. Neuroimage (2006) 31: 1487 – 505. 10.1016 / j.neuroimage.2006.02.024 [PubMed] [Cross Ref]
15. Palu A, Allom R, Koepp MJ, SL Gratis, Myers R, Lemieux L, dkk. . Atlas probabilitas maksimum tiga dimensi dari otak manusia, dengan referensi khusus ke lobus temporal. Hum Brain Mapp. (2003) 19: 224 – 47. 10.1002 / hbm.10123 [PubMed] [Cross Ref]
16. Mori S, Oishi K, Jiang H, Jiang L, Li X, Akhter K, dkk. . Atlas materi putih stereotoksik berdasarkan pencitraan tensor difusi dalam template ICBM. Neuroimage (2008) 40: 570 – 82. 10.1016 / j.neuroimage.2007.12.035 [Artikel gratis PMC] [PubMed] [Cross Ref]
17. Tibshirani R. Regresi susut dan seleksi melalui laso. J Roy Stat Soc Ser B (1996) 58: 267 – 88.
18. Zou H, Hastie T. Regularisasi dan pemilihan variabel melalui jaring elastis. J Roy Stat Soc Ser B (2005) 67: 301 – 20. 10.1111 / j.1467-9868.2005.00503.x [Cross Ref]
19. Theodoridis S. Pembelajaran Mesin: Perspektif Bayesian dan Optimasi. London: Academic Press; (2015).
20. Delong ER, Delong DM, Clarke-Pearson DL. Membandingkan area di bawah dua atau lebih kurva karakteristik operasi penerima yang berkorelasi: pendekatan nonparametrik. Biometrik (1988) 44: 837 – 45. 10.2307 / 2531595 [PubMed] [Cross Ref]
21. Cho SH, Kwon JH. Sebuah validasi versi Korea dari Internet Gaming Disorder Scale (K-IGDS): temuan dari sampel komunitas orang dewasa. Korean J Clin Psychol. (2017) 36: 104 – 17. 10.15842 / kjcp.2017.36.1.010 [Cross Ref]
22. Sigerson L, Li AYL, Cheung MWL, Luk JW, Cheng C. Sifat psikometrik dari skala gangguan game internet Cina. Addict Behav. (2017) 74: 20 – 6. 10.1016 / j.addbeh.2017.05.031 [PubMed] [Cross Ref]
23. Burke Quinlan E, Dodakian L, Lihat J, Mckenzie A, Le V, Wojnowicz M, dkk. . Fungsi saraf, cedera, dan subtipe stroke memprediksi keuntungan perawatan setelah stroke. Ann Neurol. (2015) 77: 132 – 45. 10.1002 / ana.24309 [Artikel gratis PMC] [PubMed] [Cross Ref]
24. Pariyadath V, Stein EA, Ross TJ. Klasifikasi pembelajaran mesin dari konektivitas fungsional keadaan istirahat memprediksi status merokok. Neurosci Hum Depan. (2014) 8: 425. 10.3389 / fnhum.2014.00425 [Artikel gratis PMC] [PubMed] [Cross Ref]
25. Fedota JR, Stein EA. Konektivitas fungsional keadaan istirahat dan kecanduan nikotin: prospek untuk pengembangan biomarker. Ann NY Acad Sci. (2015) 1349: 64 – 82. 10.1111 / nyas.12882 [Artikel gratis PMC] [PubMed] [Cross Ref]
26. Ahn WY, Ramesh D, Moeller FG, Vassileva J. Utilitas pendekatan pembelajaran mesin untuk mengidentifikasi penanda perilaku untuk gangguan penggunaan narkoba: dimensi impulsif sebagai prediktor ketergantungan kokain saat ini. Psikiatri Depan (2016) 7: 34. 10.3389 / fpsyt.2016.00034 [Artikel gratis PMC] [PubMed] [Cross Ref]
27. Ahn WY, Vassileva J. Machine-learning mengidentifikasi penanda perilaku spesifik-zat untuk ketergantungan candu dan stimulan. Tergantung Alkohol. (2016) 161: 247 – 57. 10.1016 / j.drugalcdep.2016.02.008 [Artikel gratis PMC] [PubMed] [Cross Ref]
28. Percy C, França M, Dragičević S, D'avila Garcez A. Memprediksi pengecualian diri perjudian online: analisis kinerja model pembelajaran mesin yang diawasi. Pejantan Int Gambl. (2016) 16: 193–210. 10.1080 / 14459795.2016.1151913 [Cross Ref]
29. Ding WN, Sun JH, Sun YW, Zhou Y, Li L, Xu JR, dkk. . Mengubah konektivitas fungsional keadaan istirahat jaringan default pada remaja dengan kecanduan game Internet. PloS ONE (2013) 8: e59902. 10.1371 / journal.pone.0059902 [Artikel gratis PMC] [PubMed] [Cross Ref]
30. Meng Y, Deng W, Wang H, Guo W, Li T. Disfungsi prefrontal pada individu dengan gangguan game internet: meta-analisis studi pencitraan resonansi magnetik fungsional. Addict Biol. (2015) 20: 799 – 808. 10.1111 / adb.12154 [PubMed] [Cross Ref]
31. Zhang JT, Yao YW, Li CSR, Zang YF, Shen ZJ, Liu L, dkk. . Mengubah konektivitas fungsional keadaan istirahat dari insula pada orang dewasa muda dengan gangguan permainan Internet. Addict Biol. (2015) 21: 743 – 51. 10.1111 / adb.12247 [Artikel gratis PMC] [PubMed] [Cross Ref]
32. Cai C, Yuan K, Yin J, Feng D, Bi Y, Li Y, dkk. . Striatum morfometri dikaitkan dengan defisit kontrol kognitif dan keparahan gejala pada gangguan permainan internet. Pencitraan Otak Behav. (2016) 10: 12 – 20. 10.1007 / s11682-015-9358-8 [PubMed] [Cross Ref]
33. Park C, Chun JW, Cho H, Jung YC, Choi J, Kim DJ. Apakah otak yang kecanduan game di Internet hampir dalam keadaan patologis? Addict Biol. (2017) 22: 196 – 205. 10.1111 / adb.12282 [PubMed] [Cross Ref]
34. Kuss DJ, Griffiths MD. Kecanduan game internet: tinjauan sistematis penelitian empiris. Kecanduan Kesehatan Int J Ment. (2012) 10: 278 – 96. 10.1007 / s11469-011-9318-5 [Cross Ref]
35. Castellanos FX, Di Martino A, Craddock RC, Mehta AD, Milham MP. Aplikasi klinis dari connectome fungsional. Neuroimage (2013) 80: 527 – 40. 10.1016 / j.neuroimage.2013.04.083 [Artikel gratis PMC] [PubMed] [Cross Ref]
36. Tollenaar N, Van Der Heijden P. Metode manakah yang memprediksi residivisme terbaik ?: perbandingan model prediksi statistik, pembelajaran mesin, dan data mining. J Roy Stat Soc Ser A (2013) 176: 565 – 84. 10.1111 / j.1467-985X.2012.01056.x [Cross Ref]