Discriminating Pathological og non-pathological Internet Leikur Using Sparse Neuroanatomical Lögun (2018)

. 2018; 9: 291.

Birt á netinu 2018 júní 29. doi:  10.3389 / fpsyt.2018.00291

PMCID: PMC6033968

PMID: 30008681

Abstract

Netspilunarröskun (IGD) er oft greind á grundvelli níu undirliggjandi viðmiðana úr nýjustu útgáfunni af greiningar- og tölfræðilegri handbók um geðraskanir (DSM-5). Hér skoðuðum við hvort þýða mætti ​​flokkun á slíkum einkennum í flokkun sem byggir á útreikningum. Uppbygging MRI (sMRI) og dreifingarvegin Hafrannsóknastofnun (dMRI) var aflað hjá 38 leikur sem greindir voru með IGD, 68 venjulegir leikir sem greindir voru ekki með IGD og 37 heilbrigðir ekki leikir. Við bjuggum til 108 aðgerðir af gráu efni (GM) og hvítum efnum (WM) uppbyggingu úr MRI gögnum. Þegar reglulegri aðgerðaleg aðhvarf var beitt á 108 taugalíffræðilega eiginleika til að velja mikilvæga til að greina á milli hópa, voru trufluðu og venjulegu spilamennirnir táknaðir með tilliti til 43 og 21 eiginleika, hver um sig, í tengslum við heilbrigða ekki leikara, en truflanir leikur voru táknaðir með tilliti til 11 eiginleika í tengslum við venjulega leikur. Í stuðningsveggjavélum (SVM) þar sem notaðir voru dreifðir taugalíffræðilegir eiginleikar sem spá, var misskipt og venjulegt leikur mismunað með góðum árangri, með nákvæmni yfir 98%, frá heilbrigðu ekki leikjunum, en flokkunin á milli truflana og venjulegra leikur var tiltölulega krefjandi. Þessar niðurstöður benda til þess að meinafræðilegar og ekki meinafræðilegar leikur, flokkaðar með viðmiðunum frá DSM-5, gæti verið táknaðar með dreifðum taugalíffræðilegum eiginleikum, sérstaklega í tengslum við að greina frá heilbrigðum einstaklingum sem ekki spiluðu.

Leitarorð: netspilunarröskun, greiningarflokkun, segulómskoðun, dreifingarvegin segulómskoðun, regluleg aðhvarf

Hvernig gengur lífið dag frá degi? Er það í jafnvægi og allt eins og það á að vera? Er jafnvægi hvort sem litið er á veraldlega stöðu eða andlega? Lífið er eins og það er. Það er ekki alltaf sólskyn. Það koma reglulega lægðir með rok og rigningu. Við vitum að í heildar samhenginu er lægð hluti af vistkerfi að leita að jafnvægi. Stundum erum við stödd í miðju lægðarinnar. Þar er logn og gott veður, sama hvað gengur á þar sem stormurinn er mestur. Sama lögmál gildir varðandi þitt eigið líf. Ef þú ert í þinn miðju, þínum sannleik þá heldur þú alltaf jafnvægi átakalaust. Sama hvað gustar mikið frá þér þegar þú lætur til þín taka. Huldufólk hefur gefið okkur hugleiðslu sem hjálpar okkur að finna þessa miðju, finna kjarna okkar og sannleikann sem í honum býr. Þegar þú veist hver þú ert og hvers vegna þú ert hér, mun líf þitt vera í flæðandi jafnvægi. Hugleiðslan virkjar þekkinguna sem er í vitund jarðar og færir hana með lífsorkunni inn í líkama okkar. Þar skoðar hún hugsana og hegðunar munstrið og athugar hvort það myndar átakalausu flæðandi jafnvægi. Hinn möguleikinn er falskt jafnvægi sem hafa þarf fyrir að viðhalda með tilheyrandi striti, áhyggjum og ótta. Síðan leiðbeinir þessi þekking okkur að því jafnvægi sem er okkur eðlilegt. Við blómstrum átakalaust, líkt og planta sem vex átakalaut frá fræi í fullþroska plöntu sem ber ávöxt.

Þrátt fyrir að hafa verið stungið upp sem meinafíkn í áratugi (), það er aðeins nýlega sem Internet gaming disorder (IGD) var skráð í greiningar- og tölfræðilegri handbók um geðraskanir (DSM). Fimmta útgáfan af DSM (DSM-5) () benti á IGD sem skilyrði fyrir frekari rannsókn og gaf níu forsendur til að greina það. Í flokkun sem byggir á einkennum með því að nota níu atriða IGD kvarðann (IGDS) sem lagður var til í DSM − 5 var þröskuldurinn fyrir því að upplifa fimm eða fleiri viðmiðanir beitt við greiningu á IGD. Þrátt fyrir að þessi skurðpunktur geti aðgreindur leikmenn með verulega klíníska skerðingu á fullnægjandi hátt (), felur í sér tvístígandi eðli IGDS-atriða óhjákvæmilega greiningarof einföldun eða óljósleika.

Fyrir utan einkenni er oft að finna margvíslegar truflanir á IGD, ekki síst taugafræðilegar breytingar. Reyndar hefur veruleg vinnubrögð sýnt að IGD tengist skipulagsbreytingum í heila: rýrnun á gráu efni (GM) rúmmáli (-), lækkun á þykkt barka () og tap á hvítu efni (WM) heiðarleika (, ) hefur venjulega verið sýnt fram á. Þessar taugalíffræðilegu breytingar sem tengjast IGD benda til þess að slíkir þættir í myndgreiningum á heila geti þjónað sem lífmerki til að greina einstaklinga með IGD frá öðrum einstaklingum. Það er, að greining á IGD er hægt að gera með reikniaðgerðum á taugalíffræðilegum lífmerkjum, frekar en með einkennabundinni flokkun sem byggist á DSM-5. Þessar tilraunir geta verið í samræmi við viðleitni til að komast lengra en lýsandi greiningu með því að nota reikniaðferðir í geðlækningum (), sérstaklega gagnadrifnar aðferðir byggðar á vélanámi (ML) til að takast á við greiningu geðsjúkdóma ().

Í þessari rannsókn leituðum við að tengslum milli einkenna sem byggir á einkennum á grundvelli IGDS og reiknistengdrar flokkunar með því að nota taugalíffræðilega lífmerkja við greiningu á IGD. Vegna þess að sumir erfðabreyttir og WM hluti í heilanum væru líklegir til að innihalda umfram eða óviðeigandi upplýsingar til að greina flokkun, reyndum við að velja dreifða taugalíffræðilega eiginleika með því að beita reglulegri aðhvarf. Við komumst að þeirri tilgátu að flokkun byggð á einkennum gæti komið fram með tilliti til dreifðra taugalíffræðilegra eiginleika sem myndu setja flokkunarlíkön til greiningar á IGD. Meinafræðilegir leikmenn, sem greindir voru með IGD, voru taldir vera ólíkari frá heilbrigðum einstaklingum sem ekki eru að spila en frá leikur sem greindir hafa ekki IGD, það er að segja, sem ekki eru meinafræðilegir; Þannig gætu sjúklegir leikmenn einkennst af stærri fjölda eiginleika samanborið við ekki sjúklega leikur, í tengslum við heilbrigða einstaklinga sem ekki eru að spila. Að auki vildum við taka ákvörðun um hvort leikur sem ekki var meinafræðilegur gæti verið minna aðgreindur frá sjúklegum leikur eða frá heilbrigðum einstaklingum sem ekki spila. Ekki er hægt að gera óljóst að leikur sem er meinafræðilegur væri nálægt heilbrigðum einstaklingum sem ekki eru að spila, hvað varðar lýsandi einkenni, en við héldum að staðfesta þyrfti slíka hugmynd með reiknistengdri flokkun.

Efni og aðferðir

Þátttakendur

Meðal 237 þátttakenda sem spiluðu leiki á internetinu voru 106 einstaklingar valdir með því að útiloka þá sem sýndu misræmi milli sjálfskýrðra IGDS og skipulagsviðtals við klínískan sálfræðing við greiningu á IGD eða höfðu misst eða alvarlega bjagað gögnum um myndgreiningu á heila. Á grundvelli IGDS voru 38 einstaklingar (27.66 ± 5.61 ár; 13 konur) sem fullnægðu að minnsta kosti fimm IGDS hlutum merktir röskaðir leikur og 68 einstaklingar (27.96 ± 6.41 ár; 21 konur) sem voru ánægðir í mesta lagi einn IGDS hlut voru merktir venjulegir leikur. Einstaklingar sem voru ánægðir með IGDS atriði milli tveggja og fjögurra voru einnig útilokaðir, vegna þess að þeir geta verið ágreindir sem annar flokkur á milli truflana og venjulegra leikur (). Að auki voru 37 einstaklingar (25.86 ± 4.10 ára; 13 konur) sem ekki spiluðu leiki á internetinu ráðnir sérstaklega og voru þeir merktir heilbrigðir sem ekki voru leikmenn. Fjarvera fylgni hjá öllum þátttakendum var staðfest. Skriflegt upplýst samþykki fékkst frá öllum þátttakendum í samræmi við yfirlýsinguna frá Helsinki og síðari breytingar hennar og rannsóknin var samþykkt af stofnuninni um endurskoðun stofnunarinnar við St. Mary's sjúkrahúsið í Seúl, Seúl, Kóreu.

Öflun MRI gagna

Uppbyggingu MRI (sMRI) og dreifingarvegin Hafrannsóknastofnun (dMRI) var safnað með því að nota 3 T MAGNETOM Verio kerfi (Siemens AG, Erlangen, Þýskalandi). Öflun sMRI gagna var gerð með því að nota segulmögnun sem gerð var hröð stigs echo röð: fjöldi sneiða í sagittal planinu = 176, sneiðþykkt = 1 mm, stærð stærð = 256 × 256 og upplausn í planinu = 1 × 1 mm . Fyrir öflun dMRI gagna var kóðun dreifingarstigns framkvæmd í 30 áttum með b = 1,000 s / mm2 og notuð var einhliða echo-planar myndgreinaröð: fjöldi sneiða í axialplaninu = 75, sneiðþykkt = 2 mm, fylkisstærð = 114 × 114 og upplausn í planinu = 2 × 2 mm.

Vinnsla Hafrannsóknastofnunargagna

Tól innifalin í CAT12 (http://www.neuro.uni-jena.de/cat/) voru notuð til að vinna úr sMRI gögnum. Ímynd rúmmáls í heila var skipt upp í mismunandi vefi, þar með talið erfðabreytt, WM og barksteravökva sem og landfræðilega skráð til viðmiðunarheila í venjulegu rými. Í voxel-byggðri morfómetríu (VBM) var voxel-vitur erfðabreytt rúmmál metið með því að margfalda líkurnar á því að vera erfðabreytt með rúmmáli voxels, og þá var þessum gildum deilt með heildarrúmmálinu til að aðlagast fyrir einstaka mismun á höfuðrúmmáli. Í yfirborðsbundinni morfómetríu (SBM) var þykkt barkaþéttni metin með aðferðinni sem byggir á vörpun ().

Vinnsla dMRI gagna

Verkfæri innifalið í FSL 5.0 (http://fsl.fmrib.ox.ac.uk/fsl/) voru notaðir til að vinna úr dMRI gögnum. Allar myndir voru endurstilltar að núllmyndinni sem fengin var með b = 0 s / mm2 til að leiðrétta röskun á hvirfilstraumi og hreyfingu á höfði. Dreifingartensor var byggð á hvert voxel innan heilans og reiknað var með útbreiðslu tensor stika, þ.mt brot á anisotropy (FA), meðaldreifni (MD), axial diffusivity (AD) og radial diffusivity (RD); gefin þrjú dreifni meðfram mismunandi ásum dreifingarstensors, FA var reiknað sem kvaðratrót summan af reitum mismunadreifingar milli þriggja ása, MD sem meðaltal dreifni yfir þrjá ása, AD sem mesta dreifni meðfram meginás , og RD sem meðaltal diffusivities meðfram tveimur minniháttar ásum. Notkun staðbundinnar staðbundinnar tölfræði (TBSS) () útfærð í FSL 5.0, voru kortin fyrir breytur, sem fengust af dreifingu tensors, landfræðilega skráð á viðmiðunarheili í venjulegu rými, og þeim var síðan varpað út á WM-beinagrind.

Lögun kynslóð

Tvö megin skref til að hanna flokkunarlíkan eru lögun og val á eiginleikum. Við bjuggum til eiginleika úr taugafræði, sérstaklega rúmmál og þykkt safns erfðabreyttra svæða og heiðarleika og dreifni í mengi WM-bana. Eftir að hafa metið erfðabreytt magn og barkstílsþykkt sem voxel-vitur kort sem fengin voru frá VBM og SBM, hvort um sig, voru breyturnar metnar fyrir hvert 60 erfðabreytt svæði (tafla S1), parcellated eins og í Hammers atlasinu (), sem meðaltal yfir allar voxels innan þess. Eftir að áætlaðir breytir, sem fengnir voru af dreifingu tensors, þ.mt FA, MD, AD og RD, sem voxel-vitur kort á WM-beinagrindinni, sem fengnir voru frá TBSS, voru færibreyturnar reiknaðar fyrir hvert 48 WM-svæði (tafla S2), parcellated eins og í ICBM DTI-81 atlasinu (), sem meðaltal yfir allar voxels innan þess. Í stuttu máli töldum við tvær breytur GM og fjórar breytur WM, sem skiluðu átta samsetningum GM og WM breytum. Fyrir hverja samsetningu GM og WM breytur samanstóð færibreytugildi 60 GM svæða og 48 WM svæði samtals 108 taugalíffræðilegir eiginleikar.

Lögun val með reglulegri aðhvarf

Að fækka aðgerðum er mikilvægt, sérstaklega fyrir gögn með mikinn fjölda aðgerða og takmarkaðan fjölda athugana. Takmarkaður fjöldi athugana miðað við fjölda aðgerða getur leitt til ofmatunar á hávaða og reglufesting er tækni sem gerir kleift að draga úr eða koma í veg fyrir ofhitun með því að setja viðbótarupplýsingar eða skorður á líkanið. Vegna þess að allir 108 aðgerðir innihalda kannski ekki gagnlegar og nauðsynlegar upplýsingar fyrir flokkun, völdum við dreifða sett af eiginleikum með því að beita reglulegri aðhvarf. Nánar tiltekið, lassó () og teygjanlegt net () voru notuð við reglubundna logíska aðhvarf. Lassóið felur í sér refsistig, eða reglubreytingarstærð, λ, sem takmarkar stærð áætlana um stuðul í logískri aðhvarfslíkani. Vegna þess að aukning á λ leiðir til meiri núllmatsstuðla, þá veitir lasso minnkaðri aðlögunarmódel með færri spám. Teygjanetið framleiðir einnig minnkaða aðlögunarmódel með aðferðum með því að stilla stuðla á núll, sérstaklega með því að fela í sér tvinnbilsreglubreytingarstærð lassó og hryggs aðhvarfs, og vinna bug á takmörkun lassós við meðhöndlun mjög samsvarandi spár).

Við flokkunina á hverju pari af þremur hópunum notuðum við lasso og teygjanet til að bera kennsl á mikilvæga forspár meðal 108 taugalíffræðilegra aðgerða í aðgerðalegu aðhvarfslíkani. 108 aðgerðir allra einstaklinga í hverju pari þriggja hópa voru staðlaðir til að semja gagnamat, A, þar sem hver röð táknaði eina athugun og hver dálkur táknaði einn spá. Til að leiðrétta áhrif aldurs einstaklinga og kyn á erfðaefni GM og WM, er myndandi leifar, R, var myndað: R = I-C(CTC)-1C þar sem I var kennimark og C var fylki sem kóðaði ruglingslegt samsæri aldurs og kyns. Því var síðan beitt A til að fá leifar eftir að hafa afturkallað hin ruglandi samsveipa: X = RA.

Í ljósi leiðréttingar gagnapunkta, X, og viðbrögðin, Y, sem kóðuðu tvo flokka einstaklinga, 10-falt krossprófun (CV) var notuð til að leita að reglubreytingarstika, λMinErr, sem veitti lágmarksskekkju hvað varðar frávik, skilgreint sem neikvæðar log-líkur fyrir prófaða líkanið að meðaltali yfir staðfestingarbrotin. Sömuleiðis, vegna þess að feril ferilskráa hefur villur við hvern og einn prófaðan, er reglugerðarstærð, λ1SE, sem fannst innan einnar stöðluðrar villu við lágmarksferilskekkju í átt að aukinni reglufestingu frá λMinErr kom einnig til greina. Það er að segja að dreifari eiginleikar voru valdir á λ1SEen litlar aðgerðir voru ákvörðuð við λMinErr. Þessi aðferð til að leita að reglubundnu aðlögunarmódeli með færri spá var endurtekin fyrir hverja samsetningu GM og WM breytur sem samanstanda af 108 taugalíffræðilegum eiginleikum.

Flutningur valinna aðgerða

Til að meta notagildi dreifða og dreifari eiginleika var árangur borinn saman milli líkansins með minni fjölda aðgerða og líkansins með öllum 108 eiginleikum í stuðningsvektarvélum (SVM) með því að mæla móttökutæki (ROC) feril. Með línulegan kjarna sem kjarnastarfsemi og ofgreiningaraðferðir sem voru hámarkaðir með fimmfalt ferilskrá, var SVM þjálfað fyrir alla einstaklinga í hverju pari þriggja hópa. Svæðið undir ROC ferlinum (AUC) var reiknað fyrir hvert líkan sem megindleg mælikvarði á afköst þess. DeLong próf () voru notaðir til að bera saman AUC milli hvers para af gerðum. Þegar AUC var mismunandi á a p-Gildi 0.05, árangur var ekki talinn sambærilegur í tveimur gerðum.

Nákvæmni flokkunar

Tafarlegar aðferðir frá gerð og val á eiginleikum til smíði flokkunarlíkana eru kynntar á mynd Figure1.1. Fyrir hvert par þriggja hópa voru SVM flokkunarlíkön búin til með því að nota valda eiginleika sem spá. Við metum nákvæmni flokkunarlíkananna með því að nota ferilskrá einn og út feril, þannig að flokkun nákvæmni utan sýnishorns var reiknuð fyrir hvern einstakling sem var frá vinstri og þá var það meðaltal yfir alla einstaklinga. Tölfræðileg þýðing nákvæmni var metin með því að nota permutation próf. Reynslulaga núlldreifing til að flokka á milli para þriggja hópa var búin til með því að síga ítrekað merkimiða einstaklinga og mæla nákvæmni tengd permútuðum merkimiðum. Þegar nákvæmni sem mæld var fyrir ósendingu merkimiðanna var hærri en eða jöfn núlldreifingin á a p-gildi 0.05, það var ákveðið að væri verulega frábrugðið líkustiginu (nákvæmni = 50%). Að auki var myndað ruglamat til að lýsa næmi og sértækni varðandi greinarmun á hverju pari af þremur hópunum.

 

Ytri skrá sem geymir mynd, mynd, osfrv.

Skipulagðar aðferðir frá myndun og vali á taugalíffræðilegum eiginleikum til smíði líkana fyrir flokkun á milli óeðlilegra leikur (DG) og heilbrigðra sem ekki eru leikur (HN), milli venjulegra leikur (NG) og HN, og milli DG og NG. Erfðabreytt, gráu efni; WM, hvítt mál.

Niðurstöður

Lögun val

Mynd Figure22 sýnir valda aðgerðir meðal 108 aðgerða með stuðlinum áætlana og Tafla Table11 lýsir tengdum viðeigandi upplýsingum um reglubundna aðhvarfslíkan fyrir skipulagningu flokkunar á milli para þriggja hópa. Að auki, mynd S1 sýnir hvaða λ skilaði lágmarksferilskekkju og hversu margar aðgerðir voru valdar á λ1SE sem og á λMinErr. Lágmarksferilskekkja var fengin við val á eiginleikum með lassó (lassóþyngd = 1) fyrir flokkunina á milli heilbrigðra ekki leikara og venjulegra leikur og með teygjanetinu (lassóþyngd = 0.5) fyrir hina flokkunina.

 

Ytri skrá sem geymir mynd, mynd, osfrv.

Valdir taugalyfjafræðilegir eiginleikar í reglulegri afturhvarf fyrir flokkun milli hvers para þriggja hópa. Óreglulegur leikur (DG) var kóðaður sem 1 í flokkuninni á milli heilbrigðra sem ekki eru leikmenn (HN) og DG, venjulegir leikmenn (NG) sem 1 í flokkuninni milli HN og NG, og DG sem 1 í flokkuninni milli NG og DG. Stærð súlunnar táknar stærð viðkomandi stuðnings eiginleika, þannig að eiginleikar stuðla sem eru ekki núll eru valdir. Heilinn sem gefinn er upp sýnir gráu efni og hvít efni hluti sem samsvarar völdum eiginleikum frá betri sýn. Aðgerðir í rauðum eða bláum litum gefa til kynna þá hluti sem eru taldir í strjálari eiginleikum sem ákvarðaðir eru í λ1SE sem og í litlum aðgerðum sem ákvarðaðar eru á λMinErren þeir sem eru í gulu eða magentu gefa til kynna að þeir séu aðeins með litla eiginleika. Merkimiðar heilaíhluta eru eins og sjá má í töflum S1 og S2. L, vinstri; R, ekki satt.

Tafla 1

Viðeigandi upplýsingar um reglubundna skipulagningu aðhvarfs fyrir flokkun á milli para þriggja hópa.

 HN vs. DGHN vs. NGNG vs DG
BreytuGMÞykktÞykktVolume
 WMFARDMD
Lasso þyngd0.510.5
Dreifir eiginleikar valdir á λMinErrVilla við ferilskrá37.368141.7876133.3857
 Fjöldi eiginleika432111
Dreifari aðgerðir valdir á λ1SEVilla við ferilskrá46.568150.0435141.2622
 Fjöldi eiginleika34121
 

Lassóþyngdin gefur til kynna hvort reglubundin logísk aðhvarf hafi verið framkvæmd með lassós (lassóþyngd = 1) eða teygjaneti (lassóþyngd = 0.5).

HN, heilbrigðir ekki leikur; DG, truflanir leikur; NG, venjulegir leikur; Erfðabreytt, gráu efni; WM, hvítt mál; FA, brot í anisotropy; RD, geislamyndun; MD, meðaltal dreifni; Ferilskrá, þvergilding.

Við mismunun á trufluðu leikurunum frá heilbrigðu, ekki leikjunum, eru 43 aðgerðir valdir á λMinErr samanstóð af þykkt 24 erfðabreyttra svæða og FA 19 WM-sviða, og 34 eiginleikar valdir á λ1SE samanstóð af þykkt 15 erfðabreyttra svæða og FA 19 WM-bana. Aðgreining á venjulegum leikur frá heilbrigðum ekki leikurum, 21 lögun valin á λMinErr samanstóð af þykkt 12 GM svæða og RD 9 WM bana og 12 eiginleikar valdir á λ1SE samanstóð af þykkt 6 erfðabreyttra svæða og RD á 6 WM svæði. Í flokkuninni á milli truflana og venjulegra leikur eru 11 aðgerðir valdir á λMinErr samanstóð af rúmmáli 7 erfðabreyttra svæða og MD fyrir 4 WM svæði og einn eiginleiki valinn á λ1SE samsvaraði rúmmáli eins erfðabreyttra svæða.

Flutningur valinna aðgerða

Milli líkansins með minnkaðan fjölda aðgerða og líkansins með öllum 108 aðgerðum var árangur sambærilegur hvað varðar AUC hvað varðar mismunun milli hverrar tegundar leikuranna og heilbrigðra sem ekki eru leikur eftir SVM-menn (mynd (Mynd3) .3). Í flokkuninni milli truflana og venjulegra spilara er líkanið með þá eiginleika sem valnir voru annað hvort á λMinErr (AUC = 0.83, p = 0.006) eða við λ1SE (AUC = 0.72, p <0.001) sýndi lakari afköst en líkanið með öllum 108 eiginleikunum (AUC = 0.90).

 

Ytri skrá sem geymir mynd, mynd, osfrv.

Samanburður á frammistöðu með tilliti til svæðisins undir viðtakanda sem notar einkennandi feril (AUC) milli gerða án og með val á eiginleikum fyrir flokkunina á hverju pari af þremur hópum með stuðningsvektarvélum. Líkanið af 108 aðgerðum (auðkennt með heildarlínu) samsvarar því sem er án val á lögun, en líkönin fyrir fækkaðan eiginleika samsvara þeim sem eru með dreifða og dreifða eiginleika valinn á λMinErr (gefið til kynna með punktalínu) og λ1SE (auðkennd með punktalínu), hver um sig. HN, heilbrigðir ekki leikur; DG, truflanir leikur; NG, venjulegir leikur.

Nákvæmni flokkunar

Í flokkun eftir SVMs með því að nota þá eiginleika sem valdir eru á λMinErr, nákvæmni var meiri en 98%, marktækt hærri en líkustigið (p <0.001), í aðgreiningu hverrar tegundar leikjanna frá heilbrigðra sem ekki eru leikmenn (mynd (Mynd4A) .4A). Nákvæmni var enn marktækt hærri en líkurnar stigi (p = 0.002) en allt að 69.8% í flokkuninni á milli trufluðu og venjulegu leikjanna, sérstaklega með litla næmi (47.4%) við réttar auðkenningar á þeim leikurum sem eru óraskaðir. Dreifari eiginleikar ákvarðaðir við λ1SE sýndi svipaða frammistöðu (mynd (Figure4B) 4B) en sýndi mun lægri næmi (2.6%) við réttan aðgreining á trufluðum leikur frá venjulegum leikur.

 

Ytri skrá sem geymir mynd, mynd, osfrv.

Ruglarmatrisar í flokkuninni á milli para þriggja hópa þegar þeir eru notaðir (A) dreifður og (B) dreifari eiginleikar ákvarðaðir við λMinErr og á λ1SE, hver um sig, í stuðningsvektarvélum. Neðra til hægri fruman táknar flokkunarnákvæmni (ACC), neðri vinstri fruman satt neikvætt hlutfall (TNR) eða sértæki, neðri miðju fruman satt jákvætt hlutfall (TNR) eða næmi, efra hægra fruman neikvætt forspárgildi (NPV) ), og jákvætt forspárgildi miðju-hægri frumunnar (PPV). TP, satt jákvætt; TN, satt neikvætt; FP, falskur jákvæður; FN, rangar neikvæðar.

Discussion

Í þessari rannsókn leituðum við til að kanna hvort meinafræðilegir leikir og ekki meinafræðilegir leikir, flokkaðir með IGDS, sem lagt er til í DSM-5, gætu verið táknaðir með strjálum taugalíffræðilegum eiginleikum. Mótaðir og venjulegir leikur voru táknaðir með tilliti til eiginleika 43 og 21, í sömu röð, í tengslum við heilbrigða ekki leikara. Að auki voru trufluðu spilamennirnir táknaðir með tilliti til 11 eiginleika í tengslum við venjulega spilara. Með því að nota dreifða taugalíffræðilega eiginleika var hægt að greina trufluðu og venjulegu spilamennirnir frá góðum árangri frá heilbrigðu, ekki leikjunum, en flokkunin á milli truflana og venjulegra leikur var tiltölulega krefjandi.

Verið er að nota víðtæka lýsandi flokkun á IGD með IGDS sem lagt er til í DSM-5. Þrátt fyrir að reynslusamningur IGDS hafi verið staðfestur í mörgum löndum (, , ) getur verið að þröskuldurinn að upplifa fimm eða fleiri IGDS hluti sé ekki ákveðið val og aðrar leiðir til að flokka einstaklinga sem leika á netinu byggir leiki (). Þar sem margar tegundir klínískra gagna, svo sem gögnum um heilaímynd, svo og lýðfræðilegar, hegðunar- og einkennagögn, verða sífellt aðgengilegar, væri helst hægt að nota viðbótargögn til greiningar á geðsjúkdómum. Einkum vegna mikillar magnmæla upplýsinga henta gögnum um myndgreiningar á heila fyrir reikniaðferðir og myndu nýtast til spá. Reyndar hefur verið sýnt fram á að heilaímyndagögn hafa yfirburða forspárgildi samanborið við önnur klínísk gögn sem spáð var til að leysa klínískt viðeigandi vandamál ().

Eins og ML-undirstaða greiningarflokkun hefur nýlega verið beitt á aðra ávanabindandi hegðun og truflanir (-) virðist einkenni byggð á einkennum IGD einnig standa frammi fyrir áskorun um flokkun sem byggir á útreikningum. Þar sem ítrekað hefur verið greint frá líffærafræðilegum frávikum í heila eftir IGD í fyrri rannsóknum (-, ), íhuguðum við slíkar taugalíffræðilegar upplýsingar frá hugsanlegum lífmerkjum um heilaímyndun til greiningar á IGD. Í þessari rannsókn var markmið okkar að bera kennsl á mengi mikilvægra taugalíffræðilegra eiginleika sem gætu veitt nægilega mikla flokkunarárangur, umfram að lýsa taugalíffræðilegum mun milli flokka einstaklinga.

Við völdum mikilvæga hluti, meðal 108 taugalíffræðilegra eiginleika, ítarlega reglulega afturför. Þegar við skoðuðum átta samsetningar GM og WM breytur voru mismunandi samsetningar breytur valdar til að greina hvert par þriggja hópa. Samsetningin á þykkt erfðabreyttra svæða og heilleika WM-sviða var betri til að greina meinafræðilega spilara frá heilbrigðum, ekki leikendum, en samsetning rúmmáls erfðabreyttra svæða og dreifni WM-brautanna var betri til að greina meinafræðilega spilara. frá leikurunum sem ekki eru meinafræðilegar. Ennfremur, þrátt fyrir að margir heilaþættir hafi oft þjónað sem taugalíffræðilegir eiginleikar sem voru mikilvægir til að greina meinafræðilega og ekki meinafræðilega spilara frá heilbrigðum, ekki leikjum, einkenndu sum erfðabreytt svæði og WM-svæði smáatæknina en ekki meinafræðilega spilamennina. . Þessar niðurstöður benda til þess að ekki sé víst að samsetning erfðabreyttra og WM breytna sé almennt best sem taugalíffræðilegir lífmerkir, svo að velja þarf ákveðna samsetningu GM og WM breytu í samræmi við hópa sem á að flokka.

Minni fjöldi dreifinna aðgerða til að greina ólæknandi leikur samanborið við greinarmun sjúklegra leikur, frá heilbrigðum, ekki leikjum, endurspeglar að leikur sem ekki eru meinafræðilegir eru á bráðabirgða stigi milli sjúklegra leikur og heilbrigðra ekki leikur. Að auki, því færri dreifðir eiginleikar fyrir flokkunina á milli tveggja gerða leikjanna en fyrir mismunun milli hverrar tegundar leikjanna og heilbrigðra sem ekki eru leikur, gefur til kynna að meinafræðilegir leikir og ekki meinafræðilegir leikur væru ólíkir hver öðrum hvað varðar á taugalíffræði en að þeir væru ólíkir heilbrigðu, ekki leikurunum. Í samræmi við það gáfu flokkunarlíkönin sem voru búin til með dreifðum eiginleikum nákvæmni umfram 98% í mismunun milli hverrar tegundar leikuranna og heilbrigðra sem ekki eru leikur en nákvæmni undir 70% í flokkuninni á milli tveggja gerða leikjanna. Það er að segja að þeir sem ekki voru meinafræðilegir voru aðgreindir frá heilbrigðu ekki leikurunum sem og meinafræðilegir leikur voru, en takmarkanir voru á því að greina á milli sjúklegra og ekki meinafræðilegra leikur.

Þessi tiltölulega lága aðgreining milli tveggja gerða leikur virðist benda til nokkurra hugmynda. Í fyrsta lagi er hægt að leggja til misvægi milli einkenna sem byggir á einkennum og flokkun sem byggir á útreikningum. Þó að fyrirhugaður greiningarþröskuldur fyrir að upplifa fimm eða fleiri viðmiðanir í IGDS hafi verið valinn íhaldssamt til að koma í veg fyrir ofgreiningu IGD (), það er ekki víst að litið er framhjá nærveru leikuranna sem þjást umtalsverðar meinafræðilegar breytingar á taugafrumum en uppfylla ekki IGD þröskuldinn. Einkum tókum við aðeins til leikur sem fullnægði IGDS atriðum mun lægri en IGD þröskuldinn sem venjulegir leikur, þannig að leikur sem greindur hefur ekki IGD gæti almennt verið lengra frá heilbrigðum einstaklingum sem ekki eru í spilun en sýnt var í þessari rannsókn. Í öðru lagi er hægt að taka fram áskorun í flokkun sem reiðir sig eingöngu á taugalíffræðilega lífmerkja. Hægt væri að bæta frammistöðu flokkunar með því að taka til annarra lífmerkja sem geta náð í meiri ólíkleika milli sjúklegra og ekki sjúklegra leikur. Einkum vegna þess að virkar breytingar í heila eru einnig sýndar í IGD (-), virkni sem og líffærafræði heilans gæti verið talin lífmerki heila. Að auki viljum við taka það fram að breytingar á heilanum eru aðeins hluti af fjölvíddarháttum netfíknafíknar, svo að aðrir þættir, ekki síst ýmsir innri og ytri áhættuþættir netfíkn (), ætti að vera með í fullkomnari gerðum fyrir flokkunina á milli sjúklegra og ekki meinafræðilegra spilara sem og aðgreiningar leikur frá heilbrigðum einstaklingum sem ekki eru spilaðir.

Hér höfum við notast við reglubundna aðhvarf, með því að nota dreifitækifæra mat eins og lasso og teygjanet til að bera kennsl á mikilvæga eiginleika fyrir flokkunarlíkön. Það eru raunar aðferðafræðilegar afbrigði í vali á lögun eða minnkun á víddum og ýmsar aðferðir geta verið notaðar til að nota valin lögun í gerð smíði (). Aðferð okkar með reglulegri aðhvarfi felur í sér forsendu forsendu varðandi dreifleika í taugalíffræðilegum eiginleikum. Að því gefnu að slík forsenda sé ásættanleg, eins og við töldum í þessari rannsókn, gæti regluleg aðhvarf verið trúverðug nálgun og búist var við að valið mengi dreifinna eiginleika myndi setja saman flokkunarlíkön af nægilega mikilli afköst. En það er athyglisvert að einfaldari flokkunarlíkön byggð á meiri dreifleika mega ekki alltaf sýna sambærilegan eða betri afköst. Reyndar, meðal mismunandi valmöguleika á dreifni í samræmi við reglubreytingarstærð, var líklegt að meiri dreifni væri ekki til þess að gefa betri árangursrík líkan sérstaklega í erfiðari flokkunarvandamálum, svo sem flokkun milli sjúklegra og ekki sjúklegra leikur.

Að auki höfum við notað SVM sem ML tækni til að smíða flokkunarlíkön vegna þess að þau eru meðal vinsælustu. Hægt er að nota aðrar háþróaðar aðferðir til að bæta frammistöðu flokkunar, þó ekki sé hægt að gera samanburðarárangur milli mismunandi aðferða vegna háðs árangurs af tilraunasviðum (). Hins vegar, fyrir samanburðarárangur milli klassískra tölfræðilegra aðferða og ML tækni, gerðum við flokkun eftir logistískri aðhvarf og sýndum að aðferðirnar tvær, nefnilega logistic regression og SVM, voru sambærilegar í frammistöðu flokkunar (mynd S2). Þess má geta að klassískar tölfræðilegar aðferðir eru ekki alltaf lakari en ML-tækni við frammistöðu flokkunar ().

Í núverandi rannsókn höfum við leitt í ljós að flokkun á einkennum IGD gæti verið táknuð með tilliti til dreifðra lífefnafræðilegra lífmerkja sem samsettu flokkunarlíkön. Ennfremur höfum við sýnt fram á að leikur sem ekki eru meinafræðilega gæti verið minna aðgreindur frá sjúklegum leikur en frá heilbrigðum einstaklingum sem ekki eru að spila, hvað varðar taugafræði. Við leggjum því til að þrátt fyrir að núverandi greiningarkerfi treysti á lýsandi flokkun eins og DSM-5 sem gullstaðla, þá gæti þurft að greina ekki meinafræðilega spilara með meiri varfærni með því að beita hlutlægum lífmerkjum eins og þeim sem tengjast taugalíffræðilegum breytingum. Notkun reikniaðferða virðist vera óafturkræf þróun í geðlækningum, en það gæti verið langt í land til að beita þeim nánast í klínísku umhverfi. Leitaðu að ákjósanlegu úrvali dreifða eiginleika úr myndgreiningum á heila og öðrum klínískum gögnum þarf að fara fram í síðari rannsóknum og til langs tíma litið myndu þessar tilraunir stuðla að reiknistengdri greiningu á IGD.

Höfundarframlag

D-JK og J-WC sáu um námshugtakið og hönnunina. HC framkvæmdi klíníska persónusköpun og val á þátttakendum. CP greindi gögnin og samdi handritið. Allir höfundar hafa gagnrýnt efni og samþykkt lokaútgáfu til birtingar.

Hagsmunaárekstur

Höfundarnir lýsa því yfir að rannsóknirnar hafi farið fram án þess að viðskiptabundin eða fjárhagsleg tengsl gætu talist hugsanleg hagsmunaárekstur.

Neðanmálsgreinar

 

Fjármögnun. Þessar rannsóknir voru studdar af heilavísindarannsóknaráætluninni í gegnum National Research Foundation of Korea (NRF) styrkt af vísinda- og upplýsingatæknistofnuninni í Kóreu (NRF-2014M3C7A1062893).

 

Meðmæli

1. Ungur KS. Netfíkn: tilkoma nýs klínísks sjúkdóms. CyberPsychol Behav. (1998) 1: 237 – 44. 10.1089 / cpb.1998.1.237 [Cross Ref]
2. Greiningar- og tölfræðileg handbók bandarískra geðlæknafélaga um geðraskanir, 5th útgáfa. Washington, DC: Útgáfa bandarískra geðlækninga; (2013).
3. Ko CH, Yen JY, Chen SH, Wang PW, Chen CS, Yen CF. Mat á greiningarskilyrðum netröskunar í DSM-5 meðal ungra fullorðinna í Taívan. 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, Yen CF, Chen CS, o.fl. . Breyttur þéttleiki gráu efna og truflað virkni tengsl amygdala hjá fullorðnum með netspilunarröskun. 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. Óeðlilegt grátt efni og hvítt efni bindi í 'Internet gaming fíklar'. Fíkill 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, o.fl. . Breyting á gráu efni og vitsmunalegum stjórnun hjá unglingum með netspilunarröskun. Framhlið Neurosci. (2015) 9: 64. 10.3389 / fnbeh.2015.00064 [PMC ókeypis grein] [PubMed] [Cross Ref]
7. Yuan K, Cheng P, Dong T, Bi Y, Xing L, Yu D, o.fl. . Óeðlileg frávik í barkstigi síðla á unglingsárum með leikjafíkn á netinu. PloS ONE (2013) 8: e53055. 10.1371 / journal.pone.0053055 [PMC ókeypis grein] [PubMed] [Cross Ref]
8. Dong G, Devito E, Huang J, Du X. Diffusion tensor imaging leiðir í ljós thalamus og posterior cingulate heilaberki hjá internetaleikfíklum. J Psychiatr Res. (2012) 46: 1212 – 6. 10.1016 / j.jpsychires.2012.05.015 [PMC ókeypis grein] [PubMed] [Cross Ref]
9. Xing L, Yuan K, Bi Y, Yin J, Cai C, Feng D, o.fl. . Minni trefjar heiðarleiki og vitsmunaleg stjórnun hjá unglingum með netspilunarröskun. Brain Res. (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, o.fl. . Munur á skipulagi tengingar í flogaveiki í vinstri og hægri tímabili. Neuroimage (2014) 100: 135 – 44. 10.1016 / j.neuroimage.2014.04.071 [PubMed] [Cross Ref]
11. Huys QJ, Maia TV, Frank MJ. Tölfræðileg geðlækningar sem brú frá taugavísindum til klínískra nota. Nat Neurosci. (2016) 19: 404 – 13. 10.1038 / nn.4238 [PMC ókeypis grein] [PubMed] [Cross Ref]
12. Lemmens JS, Valkenburg PM, Gentile DA. Kvarðinn um netspilunarröskun. Sálfræðimat. (2015) 27: 567 – 82. 10.1037 / pas0000062 [PubMed] [Cross Ref]
13. Dahnke R, Yotter RA, Gaser C. Barkaþykkt og mat á miðju yfirborði. 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, o.fl. . Landbundnar staðbundnar tölfræðiupplýsingar: greining á réttsýni á margvíslegum gögnum um dreifingu. Neuroimage (2006) 31: 1487 – 505. 10.1016 / j.neuroimage.2006.02.024 [PubMed] [Cross Ref]
15. Hamrar A, Allom R, Koepp MJ, Free SL, Myers R, Lemieux L, o.fl. . Þrívíddar hámarks líkuratlas mannheilans, með sérstökum tilvísun í stundarloppið. 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, o.fl. . Stereótaxískt hvítefni atlas byggt á myndun dreifingar tensors í ICBM sniðmát. Neuroimage (2008) 40: 570 – 82. 10.1016 / j.neuroimage.2007.12.035 [PMC ókeypis grein] [PubMed] [Cross Ref]
17. Tibshirani R. Samdráttur rýrnun og val um lassó. J Roy Stat Soc Ser B (1996) 58: 267 – 88.
18. Zou H, Hastie T. Reglugerð og breytilegt val um teygjanet. J Roy Stat Soc Ser B (2005) 67: 301 – 20. 10.1111 / j.1467-9868.2005.00503.x [Cross Ref]
19. Theodoridis S. Machine Learning: A Bayesian og hagræðingarperspektiv. London: Academic Press; (2015).
20. Delong ER, Delong DM, Clarke-Pearson DL. Að bera saman svæðin undir tveimur eða fleiri samsvarandi móttakara sem starfa einkennandi bugða: aðferðarlausa aðferð. Líffræðileg tölfræði (1988) 44: 837 – 45. 10.2307 / 2531595 [PubMed] [Cross Ref]
21. Cho SH, Kwon JH. Staðfesting á kóresku útgáfunni af Internet Gaming Disorder Scale (K-IGDS): niðurstöður úr samfélagsúrtaki fullorðinna. Kóreska 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. Sálfræðilegir eiginleikar kínverska kvarðans á internetinu. Fíkill Behav. (2017) 74: 20 – 6. 10.1016 / j.addbeh.2017.05.031 [PubMed] [Cross Ref]
23. Burke Quinlan E, Dodakian L, Sjá J, Mckenzie A, Le V, Wojnowicz M, o.fl. . Taugastarfsemi, meiðsli og undirgerð tegund heilablóðfalls spá fyrir um ávinning meðferðar eftir heilablóðfall. Ann Neurol. (2015) 77: 132 – 45. 10.1002 / ana.24309 [PMC ókeypis grein] [PubMed] [Cross Ref]
24. Pariyadath V, Stein EA, Ross TJ. Vélanám flokkun á virkni tengingu í dvala ástand spáir reykingum. Framan Hum Neurosci. (2014) 8: 425. 10.3389 / fnhum.2014.00425 [PMC ókeypis grein] [PubMed] [Cross Ref]
25. Fedota JR, Stein EA. Hagnýtingartenging í dvala og nikótínfíkn: horfur á þróun lífmerkja. Ann NY Acad Sci. (2015) 1349: 64 – 82. 10.1111 / nyas.12882 [PMC ókeypis grein] [PubMed] [Cross Ref]
26. Ahn WY, Ramesh D, Moeller FG, Vassileva J. Gagnsemi vélakennsluaðferða til að bera kennsl á hegðunarmerki fyrir vímuefnaneyslu: mál hvatvísi sem spá um núverandi kókaínfíkn. Að framan geðlækningar (2016) 7: 34. 10.3389 / fpsyt.2016.00034 [PMC ókeypis grein] [PubMed] [Cross Ref]
27. Ahn WY, Vassileva J. Vélnám greinir efnissértæk hegðunarmerki fyrir ópíat og örvandi ósjálfstæði. Lyfjaáfengi háð. (2016) 161: 247 – 57. 10.1016 / j.drugalcdep.2016.02.008 [PMC ókeypis grein] [PubMed] [Cross Ref]
28. Percy C, França M, Dragičević S, D'avila Garcez A. Spá fyrir um sjálfsútilokun á fjárhættuspilum á netinu: greining á frammistöðu eftirlitslíkana í vélinni. Int Gambl Stud. (2016) 16: 193–210. 10.1080 / 14459795.2016.1151913 [Cross Ref]
29. Ding WN, Sun JH, Sun YW, Zhou Y, Li L, Xu JR, o.fl. . Breytt sjálfgefið nettó hvíldaraðgerðartenging hjá unglingum með netfíkn. PloS ONE (2013) 8: e59902. 10.1371 / journal.pone.0059902 [PMC ókeypis grein] [PubMed] [Cross Ref]
30. Meng Y, Deng W, Wang H, Guo W, Li T. Forstillta truflun hjá einstaklingum með netspilunarröskun: metagreining á rannsóknum á segulómun. Fíkill 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, o.fl. . Breytt hagnýtingartenging einangrunar insúlunnar hjá ungum fullorðnum með netspilunarröskun. Fíkill Biol. (2015) 21: 743 – 51. 10.1111 / adb.12247 [PMC ókeypis grein] [PubMed] [Cross Ref]
32. Cai C, Yuan K, Yin J, Feng D, Bi Y, Li Y, o.fl. . Striatum morfometry er tengt vitsmunalegum stjórnsýsluskorti og alvarleika einkenna í netspilunarröskun. Brain Imaging 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. Er netheilinn háður internetinu í grennd við að vera í sjúklegu ástandi? Fíkill Biol. (2017) 22: 196 – 205. 10.1111 / adb.12282 [PubMed] [Cross Ref]
34. Kuss DJ, Griffiths MD. Netfíknafíkn: kerfisbundin endurskoðun reynslunnar. Int J Ment heilsufíkill. (2012) 10: 278 – 96. 10.1007 / s11469-011-9318-5 [Cross Ref]
35. Castellanos FX, Di Martino A, Craddock RC, Mehta AD, þingmaður Milham. Klínísk notkun hagnýtur tengingar. Neuroimage (2013) 80: 527 – 40. 10.1016 / j.neuroimage.2013.04.083 [PMC ókeypis grein] [PubMed] [Cross Ref]
36. Tollenaar N, Van Der Heijden P. Hvaða aðferð spáir endurtekningu best ?: samanburður á tölfræðilegum, vélanámi og gögnum um forspárgögn. J Roy Stat Soc Ser A (2013) 176: 565 – 84. 10.1111 / j.1467-985X.2012.01056.x [Cross Ref]