フロント精神医学。 2018; 9：291
オンラインで公開された2018 6月の29。 土井： 10.3389 / fpsyt.2018.00291
PMCID：PMC6033968
PMID： 30008681
抽象
インターネットゲーム障害（IGD）は、多くの場合、精神障害の診断および統計マニュアル（DSM-5）の最新バージョンの9つの基本的な基準に基づいて診断されます。 ここでは、そのような症状ベースの分類を計算ベースの分類に変換できるかどうかを調べました。 構造的MRI（sMRI）および拡散強調MRI（dMRI）データは、IGDと診断された38ゲーマー、IGDがないと診断された68正常ゲーマー、および37の健常な非ゲーマーで取得されました。 MRIデータから灰白質（GM）および白質（WM）構造の108特徴を生成しました。 正規化されたロジスティック回帰が108神経解剖学的特徴に適用され、グループ間の区別に重要な特徴が選択された場合、無秩序および正常なゲーマーは、健康な非ゲーマーに関連して、それぞれ43および21機能に関して表されました。乱れたゲーマーは、通常のゲーマーに関連して11機能の観点から表されました。 スパースな神経解剖学的特徴を予測子として使用するサポートベクターマシン（SVM）では、障害のあるゲーマーと通常のゲーマーは、98％を超える精度で健康な非ゲーマーと区別されましたが、障害のあるゲーマーと通常のゲーマーの分類は比較的困難でした。 これらの調査結果は、DSM-5の基準で分類された病理学的および非病理学的ゲーマーは、特に非ゲームの健康な個人からそれらを区別する文脈において、まばらな神経解剖学的特徴によって表される可能性があることを示唆しています。
概要
何十年も病的な中毒として提案されてきたが（1）、インターネットゲーム障害（IGD）が精神障害の診断および統計マニュアル（DSM）にリストされたのはごく最近のことです。 DSMの第5版（DSM-5）（2）IGDをさらなる研究の条件として特定し、それを診断するための9つの基準を提供しました。 DSM-5で提案されている9項目IGDスケール（IGDS）を使用した症状ベースの分類では、5つ以上の基準を経験するというしきい値がIGDの診断に適用されました。 このカットポイントは、重大な臨床的障害に苦しむゲーマーを適切に区別する可能性がありますが（3）、IGDSアイテムの二分された性質には、診断の単純化または曖昧さが必然的に含まれます。
症状に加えて、IGD関連のさまざまな機能障害がよく見られますが、特に神経解剖学的変化は見られません。 実際、相当な量の研究により、IGDは脳の構造的変化に関連していることが示されています：灰白質（GM）の体積（4–6）、皮質の厚さの減少（7）、および白質の損失（WM）整合性（8, 9）通常、実証されています。 IGDに関連するこれらの神経解剖学的変化は、そのような脳イメージングパラメータが、IGDを持つ個人と他の個人を区別するためのバイオマーカーとして役立つことを示唆しています。 つまり、IGDの診断は、DSM-5に基づく症状ベースの分類ではなく、神経解剖学的バイオマーカーの計算操作によって行うことができます。 これらの試みは、精神医学への計算的アプローチを採用することにより、記述的診断を超える努力に沿ったものかもしれません（10）、特に精神疾患の診断に取り組むための機械学習（ML）に基づくデータ駆動型のアプローチ（11).
この研究では、IGDSの診断で神経解剖学的バイオマーカーを使用して、IGDSに基づく症状ベースの分類と計算ベースの分類との間のリンクを検索しました。 脳の一部のGMおよびWMコンポーネントには、診断分類に冗長または無関係な情報が含まれる可能性が高いため、正規化回帰を使用して、スパースな神経解剖学的特徴を選択しようとしました。 症状ベースの分類は、IGDの診断用の分類モデルを構成するまばらな神経解剖学的特徴の観点から表すことができると仮定しました。 IGDと診断された病理学的ゲーマーは、IGDを持たないと診断されたゲーマー、つまり非病理学的ゲーマーよりも、ゲーミング以外の健康な個人とは異なると考えられていました。 したがって、病的ゲーマーは、非病的ゲーマーと比較して、病的でないゲーマーと比較してより多くの特徴によって特徴付けられます。 さらに、非病理学的ゲーマーが病理学的ゲーマーまたは非ゲーミングの健康な個人と区別しにくいかどうかを判断したいと考えました。 病的でないゲーマーは、記述的症状の観点から、ゲームをしない健康な個人に近いと漠然と仮定されるかもしれませんが、そのような概念は計算ベースの分類によって検証される必要があると考えました。
（材料および方法）
一般
インターネットベースのゲームをプレイしている237参加者の中から、自己申告のIGDSとIGDの診断で臨床心理学者との構造化されたインタビューの間にミスマッチを示した人、または脳画像データを逃したかひどく歪んだ人を除外することにより、106の個人が選択されました。 IGDSに基づいて、少なくとも5つのIGDSアイテムを満足した38個人（27.66±5.61歳; 13女性）が障害のあるゲーマーとラベル付けされ、最大1つのIGDSアイテムを満足した68個人（27.96±6.41歳; 21女性）がラベル付けされました通常のゲーマー。 2〜4のIGDSアイテムを満たした個人も除外されました。これは、障害のあるゲーマーと通常のゲーマーの間の別のクラスとして認識される可能性があるためです（12）。 さらに、インターネットベースのゲームをプレイしていない37人の個人（25.86±4.10歳、13人の女性）が個別に募集され、健康な非ゲーマーとラベル付けされました。 すべての参加者に併存疾患がないことが確認されました。 ヘルシンキ宣言とその後の修正に従って、すべての参加者から書面によるインフォームドコンセントが得られ、研究は韓国のソウルにあるソウルセントメアリーズ病院の施設内審査委員会によって承認されました。
MRIデータの取得
3 T MAGNETOM Verioシステム（Siemens AG、エアランゲン、ドイツ）を使用して、構造MRI（sMRI）および拡散強調MRI（dMRI）データを収集しました。 sMRIデータの取得は、磁化準備されたラピッドグラディエントエコーシーケンスを使用して行われました。矢状面のスライス数= 176、スライス厚= 1 mm、マトリックスサイズ= 256×256、面内解像度= 1×1 mm 。 dMRIデータの取得のために、30方向で拡散勾配エンコーディングを実行しました。 b = 1,000 s / mm2 単一平面エコー平面イメージングシーケンスが使用されました：軸面のスライス数= 75、スライス厚= 2 mm、マトリックスサイズ= 114×114、面内解像度= 2×2 mm。
MRIデータの処理
CAT12に含まれるツール（http://www.neuro.uni-jena.de/cat/）sMRIデータの処理に使用されました。 脳ボリューム画像は、GM、WM、および皮質脊髄液を含むさまざまな組織に分割され、標準空間の参照脳に空間的に登録されました。 ボクセルベースの形態計測（VBM）では、ボクセル単位のGMボリュームは、GMになる確率にボクセルのボリュームを掛けることで推定され、それらの値を頭蓋内ボリュームの合計で割って、頭のボリュームの個人差を調整しました。 表面ベースの形態計測（SBM）では、投影ベースの厚さ法（13).
dMRIデータの処理
FSL 5.0に含まれるツール（http://fsl.fmrib.ox.ac.uk/fsl/）dMRIデータの処理に使用されました。 すべての画像は、で取得したヌル画像に再配置されました。 b = 0 s / mm2 渦電流による歪みと頭の動きを補正します。 脳内の各ボクセルで拡散テンソルをモデル化し、分数異方性（FA）、平均拡散率（MD）、軸方向拡散率（AD）、および放射状拡散率（RD）を含む拡散テンソルから派生したパラメーターを計算しました。 拡散テンソルの異なる軸に沿った3つの拡散率が与えられた場合、FAは3つの軸間の拡散率の差の平方和の平方根として計算され、MDは3つの軸にわたる平均拡散率、ADは主軸に沿った最大拡散率、および2つの短軸に沿った拡散率の平均としてのRD。 地域ベースの空間統計（TBSS）の使用（14）FSL 5.0で実装され、拡散テンソルから派生したパラメーターのマップは、標準空間の参照脳に空間的に登録され、その後、WMトラクトスケルトンに投影されました。
フィーチャ生成
分類モデルを設計するための2つの主要なステップは、特徴の生成と選択です。 神経解剖学、特にGM領域のセットのボリュームと厚さ、およびWMトラクトのセットの完全性と拡散性から特徴を生成しました。 GMの体積と皮質の厚さをそれぞれVBMとSBMから取得したボクセル単位のマップとして推定した後、60 GM領域ごとにパラメーターを評価しました（表 S1）、Hammersアトラスのように分割（15）、その中のすべてのボクセルの平均として。 TBSSから取得したWM管スケルトン上のボクセル単位のマップとしてFA、MD、AD、RDを含む拡散テンソルから派生したパラメーターを推定し、48 WM管ごとにパラメーターを計算しました（表 S2）、ICBM DTI-81アトラスのように分割（16）、その中のすべてのボクセルの平均として。 要するに、GMの2つのパラメーターとWMの4つのパラメーターを考慮し、GMとWMのパラメーターの8つの組み合わせを生成しました。 GMおよびWMパラメーターの組み合わせごとに、60 GM領域および48 WMトラクトのパラメーター値は、合計108神経解剖学的特徴を構成しました。
正則化回帰による特徴選択
特徴の数を減らすことは重要です。特に、特徴の数が多く、観測数が限られているデータの場合は重要です。 特徴の数に関連する限られた数の観測は、ノイズへの過剰適合につながる可能性があり、正則化は、モデルに追加の情報または制約を導入することにより過剰適合を低減または防止することを可能にする技術です。 108のすべての機能には分類に役立つ必要な情報が含まれていない可能性があるため、正規化回帰を適用して、機能のまばらなセットを選択しました。 具体的には、投げ縄（17）およびエラスティックネット（18）は正規化されたロジスティック回帰に使用されました。 投げ縄には、ロジスティック回帰モデルの係数推定値のサイズを制限するペナルティ項または正則化パラメーターλが含まれます。 λの増加は、より多くのゼロ値係数につながるため、投げ縄は、より少ない予測子で、ロジスティック回帰モデルを削減します。 エラスティックネットは、特に投げ縄とリッジ回帰のハイブリッド正則化パラメーターを含めることにより、係数をゼロに設定することにより、ロジスティック回帰モデルを削減し、相関の高い予測子の処理における投げ縄の制限を克服します（19).
3つのグループの各ペア間の分類には、投げ縄とエラスティックネットを適用して、ロジスティック回帰モデルの108神経解剖学的特徴の中で重要な予測因子を特定しました。 3つのグループの各ペアのすべての個人の108機能は、データマトリックスを構成するために標準化され、 A、各行はXNUMXつの観測値を表し、各列はXNUMXつの予測子を表します。 個人の年齢と性別がGMおよびWMパラメータに及ぼす影響を補正するために、残余形成マトリックス、 Rが生成されました： R = I–C(CTC)-1C コラボレー I 単位行列であり、 C 年齢と性別の共変量を混乱させる行列コーディングでした。 次に適用されました A 交絡する共変量を回帰した後に残差を取得するには： X = RA.
調整されたデータ行列が与えられると、 X、および応答、 Y、2つのクラスの個体をコード化した10-fold cross-validation（CV）を使用して、正則化パラメーターλを検索しましたMinErr、検証フォールドで平均化されたテスト済みモデルの負の対数尤度として定義される、逸脱に関する最小誤差を提供します。 あるいは、CV曲線にはテストされた各λに誤差があるため、正則化パラメーターλ1SE、それはλからの正則化を増加させる方向の最小CVエラーの1つの標準エラー内で見つかりましたMinErr も考慮されました。 つまり、スパースフィーチャはλで選択されました。1SE、スパースフィーチャはλで決定されたMinErr。 108神経解剖学的特徴を構成するGMおよびWMパラメーターのすべての組み合わせに対して、より少ない予測変数で正規化されたロジスティック回帰モデルを求めるこの手順を繰り返しました。
選択した機能のパフォーマンス
スパース機能とスパース機能の有用性を評価するために、受信機動作特性（ROC）曲線を測定することにより、サポートベクターマシン（SVM）の機能を減らしたモデルとすべての108機能を備えたモデルのパフォーマンスを比較しました。 カーネル関数としての線形カーネルと、5倍のCVによって最適化されたハイパーパラメーターを使用して、3つのグループの各ペアのすべての個人に対してSVMをトレーニングしました。 ROC曲線下面積（AUC）は、各モデルのパフォーマンスの定量的尺度として計算されました。 DeLongテスト（20）を使用して、モデルの各ペア間でAUCを比較しました。 AUCが異なる場合 p-0.05の値、パフォーマンスは2つのモデルで同等ではないと見なされました。
分類精度
特徴の生成と選択から分類モデルの構築までの概略手順を図に示します Figure1.1。 3つのグループの各ペアについて、選択された機能を予測子として使用してSVM分類モデルが生成されました。 Leave-one-out CVスキームを使用して分類モデルの精度を評価しました。これにより、サンプルから外れた分類精度が各除外された個人について計算され、すべての個人にわたって平均されました。 精度の統計的有意性は、順列検定を使用して推定されました。 3つのグループの各ペアを分類するための経験的ヌル分布は、個人のラベルを繰り返し並べ替え、並べ替えられたラベルに関連する精度を測定することによって生成されました。 許可されていないラベルに対して測定された精度が、 p-0.05の値。これは、チャンスレベル（精度= 50％）とは大幅に異なると判断されました。 さらに、混同マトリックスを視覚化して、3つのグループの各ペアの区別に関する感度と特異性を説明しました。
神経解剖学的特徴の生成と選択から、無秩序なゲーマー（DG）と健康な非ゲーマー（HN）、正常なゲーマー（NG）とHN、およびDGとNGの分類のためのモデルの構築までの概略手順。 GM、灰白質; WM、白質。
結果
機能選択
フィギュア Figure22 108フィーチャの中から選択したフィーチャを係数推定とともに表示し、表 Table11 3つのグループの各ペア間の分類に関する正規化されたロジスティック回帰モデルの関連するフィッティング情報について説明します。 また、図 S1 どのλが最小CVエラーを生成し、λで選択されたフィーチャの数を示します1SE λだけでなくMinErr。 健康な非ゲーマーと通常のゲーマーとの間の分類については投げ縄（投げ縄の重み= 1）、その他の分類については弾性ネット（投げ縄の重み= 0.5）による特徴選択で最小CVエラーが得られました。
1つのグループの各ペア間の分類のための正則化ロジスティック回帰で選択された神経解剖学的特徴。 障害のあるゲーマー（DG）は、健康な非ゲーマー（HN）とDGの分類で1、正常なゲーマー（NG）はHNとNGの分類で1、DGはNGとDGの分類でXNUMXとしてコード化されました。 バーのサイズは、それぞれの特徴の係数のサイズを表し、ゼロ以外の係数の特徴が選択されます。 レンダリングされた脳は、選択された特徴に対応する灰白質と白質の成分を優れた視点から描写します。 赤または青の特徴は、λで決定されたスパース特徴に含まれる特徴を示します。1SE λで決定された疎な特徴MinErr、黄色またはマゼンタのものは、まばらな特徴にのみ含まれるものを示します。 脳の成分のラベルは表に記載されているとおりです S1 および S2。 L、左。 R、そう。
テーブル1
3つのグループの各ペア間の分類に対する正規化されたロジスティック回帰の近似情報。
| HN対DG | HN対NG | NG対DG | ||
|---|---|---|---|---|
| GM | 厚さ | 厚さ | 音量 | |
| WM | FA | RD | MD | |
| なげなわ重量 | 0.5 | 1 | 0.5 | |
| λで選択されたスパースフィーチャMinErr | CVエラー | 37.3681 | 41.7876 | 133.3857 |
| 機能の数 | 43 | 21 | 11 | |
| λで選択されたスパースフィーチャ1SE | CVエラー | 46.5681 | 50.0435 | 141.2622 |
| 機能の数 | 34 | 12 | 1 | |
投げ縄の重みは、正規化されたロジスティック回帰が投げ縄（投げ縄の重み= 1）または弾性ネット（投げ縄の重み= 0.5）のどちらを使用して行われたかを示します。.
HN、健康な非ゲーマー。 DG、乱れたゲーマー; NG、通常のゲーマー。 GM、灰白質; WM、白質; FA、分数異方性; RD、放射状拡散率; MD、平均拡散率; CV、相互検証.
乱れたゲーマーと健常な非ゲーマーとの差別化において、43機能はλMinErr 24 GM領域の厚さと19 WMトラクトのFA、λで選択された34フィーチャで構成されています1SE 15 GM領域の厚さと19 WMトラクトのFAで構成されています。 通常のゲーマーと健常なゲーマーとの区別では、21機能はλで選択されていますMinErr 12 GM領域の厚さと9 WMトラクトのRD、およびλで選択された12フィーチャで構成されています1SE 6 GM領域の厚さと6 WMトラクトのRDで構成されています。 無秩序なゲーマーと通常のゲーマーの間の分類では、λで選択された11機能MinErr 7 GMリージョンのボリュームと4 WMトラクトのMD、およびλ1SE 1つのGMリージョンのボリュームに対応します。
選択した機能のパフォーマンス
機能の数を減らしたモデルとすべての108機能を備えたモデルとの間で、SVMによるゲーマーの各タイプと健常な非ゲーマーとの区別におけるAUCの観点でパフォーマンスは同等でした（図 （図3）.3）。 無秩序なゲーマーと通常のゲーマーの間の分類では、λで選択された機能を持つモデルMinErr （AUC = 0.83、 p = 0.006）またはλ1SE （AUC = 0.72、 p <0.001）は、108個の機能すべてを備えたモデル（AUC = 0.90）よりもパフォーマンスが劣っていました。
サポートベクターマシンによる3つのグループの各ペア間の分類のための特徴選択の有無によるモデル間の受信者動作特性曲線（AUC）の下の領域に関するパフォーマンスの比較。 108フィーチャのモデル（実線で示す）は、フィーチャ選択なしのモデルに対応しますが、フィーチャの数が減少したモデルは、λで選択されたスパースおよびスパースフィーチャのモデルに対応します。MinErr （破線で示す）およびλ1SE （一点鎖線で示されています）、それぞれ。 HN、健康な非ゲーマー。 DG、乱れたゲーマー; NG、通常のゲーマー。
分類精度
λで選択された機能を使用したSVMによる分類MinErr、精度は98％を上回り、チャンスレベル（p <0.001）、各タイプのゲーマーと健康な非ゲーマーの区別（図 （図4A）.4A）。 精度はまだチャンスレベルよりも有意に高かった（p = 0.002）が、障害のあるゲーマーと通常のゲーマーとの分類では69.8％と低く、具体的には、障害のあるゲーマーの正しい識別において低い感度（47.4％）を示しています。 λで決定されたスパースフィーチャ1SE 同様の性能を示した（図 （図4B）4B）が、障害のあるゲーマーと通常のゲーマーとの正確な区別において、はるかに低い感度（2.6％）を示しました。
使用時の3つのグループの各ペア間の分類における混同マトリックス （） まばらで （B） λで決定された疎な特徴MinErr およびλ1SE、それぞれサポートベクターマシンで。 右下のセルは、分類精度（ACC）、左下のセルの真の陰性率（TNR）または特異性、下中部のセルの真の陽性率（TNR）または感度、右上のセルの陰性予測値（NPV）を表します）、および中央右のセルの陽性的中率（PPV）。 TP、真陽性; TN、真のネガティブ。 FP、誤検知。 FN、偽陰性。
議論
この研究では、DSM-5で提案されたIGDSに分類される病理学的および非病理学的ゲーマーが、まばらな神経解剖学的特徴によって表されるかどうかを調べようとしました。 無秩序なゲーマーと正常なゲーマーは、健康な非ゲーマーに関連して、それぞれ43と21機能の観点から表されました。 さらに、乱れたゲーマーは、通常のゲーマーに関連する11機能の観点から表されました。 まばらな神経解剖学的特徴を使用して、障害のあるゲーマーと正常なゲーマーを健常な非ゲーマーからうまく区別できましたが、障害のあるゲーマーと正常なゲーマーの分類は比較的困難でした。
DSM-5で提案されているIGDSを使用したIGDの症状ベースの記述的分類が広く採用されています。 IGDSの経験的妥当性は複数の国で確認されていますが（3, 21, 22）、5つ以上のIGDSアイテムが発生するしきい値は明確な選択ではない場合があり、インターネットベースのゲームをプレイする個人を分類する他の方法が提案される場合があります（12）。 脳画像データや人口統計、行動、および症候性データなどの複数のタイプの臨床データがますます利用可能になるため、精神疾患の診断に追加のデータを使用することが好ましい可能性があります。 特に、定量的情報が膨大なため、脳画像データは計算アプローチに適しており、予測に役立ちます。 実際、脳画像データは、臨床的に関連する問題を解決するための予測において、他の臨床データと比較して優れた予測値を持つことが示されています（23).
MLベースの診断分類は最近、他の中毒性の行動や障害に適用されているため（24–28）、IGDの症状ベースの分類も、計算ベースの分類の課題に直面しているようです。 IGD後の脳の解剖学的異常が以前の研究で繰り返し報告されているため（5–7, 9）、IGDの診断のための潜在的なバイオマーカーである脳イメージングデータからのそのような神経解剖学的情報を考慮しました。 この研究では、私たちの目標は、個人のクラス間の神経解剖学的差異の説明を超えて、十分に高い分類性能を提供できる重要な神経解剖学的特徴のセットを識別することでした。
108の神経解剖学的機能の中から重要なものを選択し、完全に正規化された回帰を行いました。 GMパラメーターとWMパラメーターの8つの組み合わせを検討したとき、3つのグループの各ペアを区別するために、異なるパラメーターの組み合わせが選択されました。 GM領域の厚さとWMトラクトの完全性の組み合わせは、病的ゲーマーと健康な非ゲーマーを区別するのに適していましたが、GM領域の体積とWMトラクトの拡散性の組み合わせは、病的ゲーマーを区別するのに適していました非病理学的ゲーマーから。 さらに、多くの脳成分は、病理学的および非病理学的ゲーマーと健康な非ゲーマーの区別に重要な神経解剖学的特徴として一般的に機能しましたが、一部のGM領域およびWMトラクトは非病理学的ゲーマーを特徴づけましたが、病理学的ゲーマーは特徴づけませんでした。 これらの調査結果は、GMとWMパラメーターの一般的な最高のパフォーマンスの組み合わせが神経解剖学的バイオマーカーとして存在しない可能性があるため、分類するグループに応じてGMとWMパラメーターの特定の組み合わせを選択する必要があることを示しています。
健康な非ゲーマーからの病理学的ゲーマーの区別と比較して、非病理学的ゲーマーの区別のためのスパース機能の数が少ないことは、非病理学的ゲーマーが病理学的ゲーマーと健康的との間の移行段階にあることを反映しています非ゲーマー。 さらに、ゲーマーの各タイプと健常な非ゲーマーとの区別よりも、ゲーマーの2つのタイプ間の分類のスパース機能が少ないということは、病的ゲーマーと非病的ゲーマーの用語の違いが少ないことを示しています。健康な非ゲーマーとは異なる神経解剖学よりも。 したがって、スパースフィーチャを使用して生成された分類モデルでは、各タイプのゲーマーと健常な非ゲーマーとの区別では98％を超える精度が得られましたが、2つのタイプのゲーマー間の分類では70％未満の精度が得られました。 つまり、非病的ゲーマーは、病的ゲーマーと同様に健康な非ゲーマーと区別できましたが、病的ゲーマーと非病的ゲーマーの区別には限界がありました。
2種類のゲーマー間のこの比較的低い識別性は、いくつかの概念を示唆しているようです。 まず、症状ベースの分類と計算ベースの分類の不一致が提案される場合があります。 IGDSで5つ以上の基準を経験するという提案された診断閾値は、IGDの過剰診断を防ぐために控えめに選択されました（12）、神経解剖学でかなりの病理学的変化に苦しんでいるが、IGDのしきい値を満たしていないゲーマーの存在は無視できない可能性があります。 特に、IGDアイテムを通常のゲーマーよりもはるかに低いIGDS項目を満たすゲーマーのみを含めたため、IGDがないと診断されたゲーマーは、この研究で示されているよりも一般的にゲーミング以外の健康な個人から遠く離れることができます 第二に、神経解剖学的バイオマーカーのみに依存する分類の課題が指摘される場合があります。 病理学的ゲーマーと非病理学的ゲーマーとの間のより大きな相違点を捕捉できる他のバイオマーカーを含めることにより、分類のパフォーマンスを改善できます。 特に、脳の機能的変化はIGD（29–33）、脳の機能と解剖学は、脳のバイオマーカーと見なすことができます。 さらに、脳の変化はインターネットゲーム中毒の多次元ファセットの一部に過ぎないため、他の要因、特にインターネットゲーム中毒のさまざまな内部および外部のリスク要因（34）、ゲーマーと非ゲーミングの健常者との区別だけでなく、病理学的ゲーマーと非病理学的ゲーマーの分類のより完全なモデルに含める必要があります。
ここでは、分類モデルの重要な特徴を識別するために、投げ縄やエラスティックネットなどのスパース性促進推定量を使用した正規化回帰を採用しています。 実際には、特徴の選択や次元の削減には方法論的なバリエーションがあり、モデル構築における選択された特徴の使用にはさまざまなアプローチが採用されます（35）。 正則化回帰を使用したアプローチでは、神経解剖学的特徴のスパース性に関する先験的な仮定が必要です。 この研究で考えたように、このような仮定が受け入れられる場合、正則化回帰はもっともらしいアプローチであり、選択されたスパースフィーチャセットは十分に高いパフォーマンスの分類モデルを構成することが期待されます。 しかし、より大きなスパース性に基づくより単純な分類モデルは、常に同等または改善されたパフォーマンスを示すとは限らないことは注目に値します。 実際、正則化パラメーターによるスパースの程度のさまざまな選択の中で、特にスパーシティが大きいと、病的ゲーマーと非病的ゲーマーとの間の分類など、より難しい分類問題でより優れたパフォーマンスモデルを提供する可能性が低くなります。
さらに、SVMは最も一般的なモデルの1つであるため、分類モデルを構築するためのML手法として使用しました。 他の高度な方法を使用して分類のパフォーマンスを向上させることもできますが、異なる方法間のパフォーマンスの比較は、パフォーマンスが実験シナリオに依存するために結論付けられない場合があります（19）。 一方、従来の統計的手法とML手法のパフォーマンスを比較するために、ロジスティック回帰による分類も行い、ロジスティック回帰とSVMの2つの方法が分類のパフォーマンスにおいて同等であることを示しました（図 S2）。 古典的な統計手法は、分類パフォーマンスにおいてML手法よりも常に劣るとは限らないことが繰り返されます（36).
現在の研究では、IGDの症状に基づく分類は、分類モデルを構成するまばらな神経解剖学的バイオマーカーの観点で表すことができることを明らかにしました。 さらに、神経解剖学の観点から、非病理学のゲーマーは非ゲーミングの健康な個人よりも病理学のゲーマーと区別しにくいことを実証しました。 したがって、現在の診断システムは、ゴールドスタンダードとしてDSM-5などの記述的分類に依存していますが、非病理学的ゲーマーは、神経解剖学的変化に関連するものなどの客観的なバイオマーカーを使用することで、より慎重に診断する必要があるかもしれません。 計算論的アプローチの採用は、精神医学において不可逆的な傾向であるように思われますが、それらを臨床環境に実際に適用するには長い道のりがあるかもしれません。 脳画像やその他の臨床データからスパースフィーチャの最適な選択を検索することは、その後の研究で実施する必要があり、長期的には、これらの努力によりIGDの計算ベースの診断が促進されます。
投稿者の投稿
D-JKとJ-WCは研究のコンセプトとデザインを担当しました。 HCは、参加者の臨床的特徴と選択を行いました。 CPはデータを分析し、原稿を作成しました。 すべての著者は、コンテンツを批判的にレビューし、出版用の最終バージョンを承認しました。
利益相反の声明
著者らは、潜在的な利益相反として解釈される可能性がある商業的または金銭的関係がない状態で研究が行われたと宣言しています。
補足資料
この記事の補足資料は、次のWebサイトで入手できます。 https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material
参考文献
;