პათოლოგიური და არა პათოლოგიური ინტერნეტ მოთამაშეების დისკრიმინაციული ნეიროანომატიური თვისებების გამოყენება (2018)

. 2018; 9: 291.

გამოქვეყნებულია ონლაინ 2018 ივნ. doi:  10.3389 / fpsyt.2018.00291

PMCID: PMC6033968

PMID: 30008681

აბსტრაქტული

ინტერნეტ თამაშების აშლილობა (IGD) ხშირად დიაგნოზირებულია ფსიქიკური აშლილობების დიაგნოსტიკური და სტატისტიკური სახელმძღვანელოს (DSM-5) ბოლო ცხრა ძირითადი კრიტერიუმის საფუძველზე. აქ შევიტყვეთ, შესაძლებელია თუ არა ამგვარი სიმპტომების დაფუძნებული კატეგორიზაცია გადათვლაზე, დაფუძნებული კლასიფიკაციით. სტრუქტურული MRI (sMRI) და დიფუზიური შეწონილი MRI (dMRI) მონაცემები იქნა შეძენილი 38 მოთამაშეებში, რომელთა დიაგნოზითაც მოხდა IGD, 68 ნორმალური მოთამაშეები, დიაგნოზირებულია, რომ არ აქვთ IGD, და 37 ჯანმრთელი არამომგები. ჩვენ გამოვიყენეთ რუხი მატერიის (GM) და თეთრი მატერიის (WM) სტრუქტურის 108 თვისებები MRI მონაცემებიდან. როდესაც რეგულარული ლოგისტიკური რეგრესი იქნა გამოყენებული 108 ნეიროანატომიური მახასიათებლებისთვის ჯგუფებს შორის განასხვავებისთვის მნიშვნელოვანი საგნების არჩევისას, დისჰორიზირებული და ნორმალური გამები წარმოდგენილი იყო 43 და 21 მახასიათებლების თვალსაზრისით, შესაბამისად, ჯანმრთელ არამომგონებებთან მიმართებაში, ამასთან, არაკეთილსინდისიერი მოთამაშეები წარმოდგენილი იყო 11 მახასიათებლების თვალსაზრისით ნორმალურ მოთამაშებთან შედარებით. დამხმარე ვექტორულ აპარატებში (SVM) იშვიათი ნეიროანატომიური მახასიათებლების გამოყენებით, როგორც პროგნოზები, დისკრიმინირებული და ნორმალური მოთამაშეები წარმატებით იქნა დისკრიმინირებული, სიზუსტით აღემატებოდა 98% -ს, ჯანსაღი არამომგებიდან, მაგრამ კლასიფიკაცია არეულობასა და ნორმალურ მოთამაშეებს შორის შედარებით რთული იყო. ეს დასკვნები მიგვითითებს იმაზე, რომ პათოლოგიური და არაპათოლოგიური მოთამაშეები, DSM-5- ის კრიტერიუმებით კატეგორიზირებული კატეგორიებით, შეიძლება წარმოდგენილი იყოს იშვიათი ნეიროანატომიური მახასიათებლებით, განსაკუთრებით კონტექსტში, თუ არა დისკრიმინაცია არასამთავრობო თამაშების ჯანმრთელი პირებისაგან.

Keywords: ინტერნეტ თამაშების დარღვევა, დიაგნოსტიკური კლასიფიკაცია, სტრუქტურული MRI, დიფუზიური წონის MRI, რეგულარული რეგრესია

შესავალი

მიუხედავად იმისა, რომ ათწლეულების განმავლობაში ვარაუდობდნენ, როგორც პათოლოგიურ დამოკიდებულებას (მხოლოდ ახლახანს მოხდა, რომ ინტერნეტ თამაშების აშლილობამ (IGD) ჩამოთვალა ფსიქიატრიული აშლილობის დიაგნოსტიკური და სტატისტიკური სახელმძღვანელო (DSM). DSM- ის მეხუთე გამოცემა (DSM-5) () დაადგინა IGD, როგორც შემდგომი გამოკვლევის პირობა და მის დიაგნოზირებასთან დაკავშირებული ცხრა კრიტერიუმი. სიმპტომებზე დაფუძნებული კატეგორიზაციისას, DSM − 5- ში შემოთავაზებული IGD მასშტაბის ცხრა პუნქტის (IGDS) გამოყენებით, IGD დიაგნოზისთვის გამოყენებული იქნა ხუთი ან მეტი კრიტერიუმის გამოცდილების ბარიერი. მიუხედავად იმისა, რომ ამ წერტილმა შეიძლება ადეკვატურად განასხვავოს მოთამაშეები, რომლებიც განიცდიან მნიშვნელოვან კლინიკურ უკმაყოფილებას (), IGDS ნივთების დიქოტომიული ბუნება აუცილებლად მოიცავს დიაგნოზირებულ oversimplification ან ბუნდოვანებას.

სიმპტომების გარდა, ჩვეულებრივ აღინიშნება IGD– სთან დაკავშირებული მრავალგვარი დისფუნქცია, არანაკლებ ნეიროანატომიური ცვლილებები. მართლაც, მუშაობის მნიშვნელოვანმა ორგანომ აჩვენა, რომ IGD ასოცირდება ტვინში სტრუქტურულ ცვლილებებთან: რუხი მატერიის შემცირება (გმ) მოცულობა (-), კორტიკალური სისქის შემცირება () და თეთრი მატერიის (WM) მთლიანობის დაკარგვა (, ) როგორც წესი აჩვენეს. IGD– სთან დაკავშირებული ნეიროანატომიური ცვლილებები მიგვითითებს იმაზე, რომ ტვინის ვიზუალიზაციის ასეთი პარამეტრები შეიძლება ბიომორჩებად იქცეს, რომ IGD– ს ინდივიდები განასხვავონ სხვა პირებისაგან. ანუ, IGD- ს დიაგნოზი შეიძლება გაკეთდეს ნეიროანათომიური ბიომარკერების კომპაქტური მანიპულირებით, ვიდრე DSM-5- ზე დაფუძნებული სიმპტომების საფუძველზე. ეს მცდელობები შეიძლება ემთხვეოდეს დესკრეტულ დიაგნოზზე გადასვლის მცდელობებს, ფსიქიატრიაში გამოთვლითი მიდგომების გამოყენებით (), კონკრეტულად მონაცემთა დამყარებული მიდგომები, რომლებიც დაფუძნებულია მანქანათმცოდნეობაზე (ML), ფსიქიკური დაავადებების დიაგნოზის დასასმელად ().

ამ კვლევაში ჩვენ ვიპოვნეთ კავშირი სიმპტომების საფუძველზე კატეგორიზაციას შორის IGDS და გამოთვლებზე დაფუძნებული კლასიფიკაციის გამოყენებით ნეიროანატომიური ბიომარკერების გამოყენებით IGD დიაგნოზში. იმის გამო, რომ ტვინის ზოგიერთი GM და WM კომპონენტი შესაძლოა შეიცავდეს ზედმეტი ან არარელევანტურ ინფორმაციას დიაგნოსტიკური კლასიფიკაციისთვის, ჩვენ შეეცადეთ შევარჩიოთ იშვიათი ნეიროანათომიური თვისებები რეგულარული რეგრესიის გამოყენებით. ჩვენ ჰიპოთეზა მივიღეთ, რომ სიმპტომებზე დაფუძნებული კატეგორიზაცია შეიძლება წარმოდგენილი იყოს იშვიათი ნეიროანათომიური მახასიათებლების თვალსაზრისით, რაც შეადგენდა კლასიფიკაციის მოდელებს IGD დიაგნოზისთვის. IGD- ით დიაგნოზირებული პათოლოგიური მოთამაშეები თვლიდნენ, რომ უფრო განსხვავდებიან არამომგებიანი ჯანმრთელი პირებისგან, ვიდრე ისეთი მოთამაშეებისგან, რომელთა დიაგნოზიც არ აქვთ IGD- ს, ანუ არაპათოლოგიურ მოთამაშეებს; ამრიგად, პათოლოგიური მოთამაშეები შეიძლება ხასიათდებოდეს უფრო მეტი მახასიათებლით, არაპათოლოგიურ მოთამაშებთან შედარებით, არამომგებიანი ჯანმრთელ პირებთან მიმართებაში. გარდა ამისა, ჩვენ გვინდოდა გადავწყვიტოთ, შეიძლება თუ არა არაპათოლოგიური მოთამაშეები ნაკლებად განასხვავოთ პათოლოგიური მოთამაშეებისგან ან არამომგებიანი ჯანმრთელი პირებისგან. შესაძლოა, არაპათოლოგიური მოთამაშეები ბუნდოვნად ჩათვალონ, რომ არამდგრადი ჯანმრთელი პირები ახლოს არიან აღწერილობითი სიმპტომების თვალსაზრისით, მაგრამ ჩვენ ვიფიქრეთ, რომ ასეთი ცნება უნდა იყოს დამოწმებული გამოთვლებით დაფუძნებული კლასიფიკაციით.

მასალა და მეთოდები

მონაწილეები

237 მონაწილეებს შორის, რომლებიც თამაშობდნენ ინტერნეტზე დაფუძნებულ თამაშებს, 106 ინდივიდები შეირჩნენ იმ პირების გამოკლებით, რომლებმაც გამოავლინეს შეუსაბამობა თვითგანახლებული IGDS და სტრუქტურირებული ინტერვიუ კლინიკურ ფსიქოლოგთან, IGD დიაგნოზში, ან ჰქონდა გამოტოვებული ან მკაცრად დამახინჯებული ტვინის გამოსახულების მონაცემები. IGDS- ის საფუძველზე, 38 ინდივიდები (27.66 ± 5.61 წლები; 13 ქალი), რომლებმაც დააკმაყოფილეს მინიმუმ ხუთი IGDS ელემენტი, შეაფასეს არაკეთილსინდისიერი მოთამაშეები და 68 პირები (27.96 6.41 წლები; 21 ქალი), რომლებმაც დააკმაყოფილეს მინიმუმ ერთი IGDS ნივთი. ნორმალური მოთამაშეები. ასევე გამორიცხავდნენ ის პირები, რომლებიც აკმაყოფილებდნენ IGDS– ს ნივთებს ორ და ოთხს შორის, რადგან ისინი შეიძლება განვიხილოთ, როგორც სხვა კლასი, არაკეთილსინდისიერ და ნორმალურ მოთამაშეს შორის () გარდა ამისა, 37 ადამიანი (25.86 ± 4.10 წელი; 13 ქალი), რომლებიც არ თამაშობდნენ ინტერნეტით დაფუძნებულ თამაშებს, ცალკე დაკომპლექტდნენ და მათ შეაფასეს ჯანმრთელი არა – მოთამაშეები. დადასტურებულია თანმხლები დაავადებების არარსებობა ყველა მონაწილეს შორის. წერილობითი ინფორმირებული თანხმობა მიიღეს ყველა მონაწილისგან ჰელსინკის დეკლარაციისა და შემდგომი ცვლილებების შესაბამისად, ხოლო კვლევა დაამტკიცა სეულის წმინდა მარიამის საავადმყოფოში, კორეაში, ინსტიტუტის განხილვის საბჭომ.

MRI მონაცემების მიღება

სტრუქტურული MRI (sMRI) და დიფუზიური წონის MRI (dMRI) მონაცემები შეგროვდა 3 T MAGNETOM Verio სისტემის გამოყენებით (Siemens AG, ერლანგენი, გერმანია). SMRI მონაცემების მოპოვება ჩატარდა მაგნიტიზაციით მომზადებული სწრაფი გრადიენტული ექო თანმიმდევრობის გამოყენებით: ნაჭრების რაოდენობა საგიტალურ სიბრტყეში = 176, ნაჭრის სისქე = 1 მმ, მატრიქსის ზომა = 256 × 256 და თვითმფრინავის გარჩევადობა = 1 × 1 მმ . DMRI მონაცემების მოპოვებისთვის, დიფუზიის გრადიენტის კოდირება ჩატარდა 30 მიმართულებით b = 1,000 სმ / მმ2 და გამოყენებული იქნა ერთჯერადი ექოპლანეტური გამოსახულების თანმიმდევრობა: ღერძულ სიბრტყეში ნაჭრების რაოდენობა = 75, ნაჭრის სისქე = 2 მმ, მატრიქსის ზომა = 114 × 114 და თვითმფრინავის გარჩევადობა = 2 × 2 მმ.

MRI მონაცემების დამუშავება

CAT12– ში შეტანილი ინსტრუმენტები (http://www.neuro.uni-jena.de/cat/) გამოყენებული იქნა sMRI მონაცემების დასამუშავებლად. ტვინის მოცულობის სურათი დაყოფილი იყო სხვადასხვა ქსოვილებში, მათ შორის GM, WM, და კორტიკოსტინალური სითხე, აგრეთვე სივრცით რეგისტრირებული იქნა რეფერენტულ ტვინზე სტანდარტული სივრცეში. Voxel- ზე დაფუძნებული მორფომეტრიის (VBM), voxel- გონიერი GM მოცულობა შეფასდა გოქსელის მოცულობის ალბათობით გოპინგის ალბათობის გამრავლებით, შემდეგ კი ეს ღირებულებები იყოფა ინტრაკრანიულ ჯამში მთლიანი მოცულობით, რათა შეცვალოს ხელმძღვანელის მოცულობის ინდივიდუალური განსხვავებები. ზედაპირზე დაფუძნებული მორფომეტრიაში (SBM), კორტიკალური სისქე შეფასდა პროექციის საფუძველზე დაფუძნებული სისქის მეთოდით ().

DMRI მონაცემების დამუშავება

ინსტრუმენტები FSL 5.0– ში შედის (http://fsl.fmrib.ox.ac.uk/fsl/) დასაქმდნენ dMRI მონაცემების დასამუშავებლად. ყველა სურათი გადაკეთდა მასში შეძენილი ნულოვანი გამოსახულების მიხედვით b = 0 სმ / მმ2 შეშუპებული მიმდინარე გამოწვეული დამახინჯებისა და ხელმძღვანელის მოძრაობის გამოსწორების მიზნით. დიფუზიის ტენსორი იყო მოდელირებული ტვინის შიგნით თითოეულ ვოქსელში, და გამოთვალეს დიფუზიური ტენსორისგან მიღებული პარამეტრები, მათ შორის, წილადოვანი ანისოტროპია (FA), საშუალო დიფუზიურობა (MD), ღერძული დიფუზია (AD) და რადიალური დიფუზიურობა (RD). დიფუზიის განსხვავებული ღერძის გასწვრივ სამი დიფუზიურობის გათვალისწინებით, FA გაანგარიშდა, როგორც კვადრატული ფესვი დიფუზიურობის განსხვავების კვადრატებისა და სამი ღერძს შორის დიფუზური განსხვავებისა, MD, როგორც საშუალო დიფუზია სამივე ღერძიდან, AD, როგორც უდიდესი დიფუზიურობა ძირითადი ღერძის გასწვრივ. და RD, როგორც საშუალო განსხვავების ორი მცირე ღერძის გასწვრივ. ტრაქტზე დაფუძნებული სივრცითი სტატისტიკის გამოყენებით (TBSS) () FSL 5.0– ში განხორციელებული, დიფუზიური ტენსორის წარმოქმნილი პარამეტრების რუქები სივრცით დაარეგისტრირეს რეფერენტულ ტვინზე სტანდარტულ სივრცეში, და შემდეგ იქნა დაპროექტებული WM ტრაქტის ჩონჩხზე.

მხატვრული თაობა

კლასიფიკაციის მოდელის შემუშავების ორი ძირითადი ნაბიჯი არის მახასიათებლის წარმოება და შერჩევა. ჩვენ გამოვიტანეთ მახასიათებლები ნეიროანატომიისგან, კერძოდ, გმ-ს რეგიონების სიმრავლის მოცულობასა და სისქეზე, ასევე WM ტრაქტების მთლიანობასა და დიფუზიურობაზე. გმ-ის მოცულობისა და კორტიკალური სისქის შეფასების შემდეგ VXM და SBM– ით შეძენილი ვოქსელის გონივრული რუქების შესაბამისად, პარამეტრების შეფასება მოხდა 60 GM– ის თითოეულ რეგიონზე (ცხრილი S1), ამანათებით, როგორც Hammers ატლასში (), როგორც საშუალო მასში შემავალი ყველა ვოქსელის. TensSS– ისგან მიღებული დიფუზიის შედეგად მიღებული პარამეტრების, მათ შორის FA, MD, AD და RD– ს შეფასების შედეგად, როგორც Voxel– ის ბრძანებულ რუქებზე, რომელიც შეიძინა TBSS– სგან შეძენილ WM ტრაქტის ჩონჩხზე, პარამეტრების გამოთვლა მოხდა 48 WM ტრაქტის თითოეულ ტრაქტატზე (ცხრილი S2), ამანათების სახით, როგორც ICBM DTI-81 ატლასში (), როგორც საშუალო მასში შემავალი ყველა ვოქსელის. მოკლედ, ჩვენ განვიხილეთ GM- ს ორი პარამეტრი და WM- ის ოთხი პარამეტრი, რომლებმაც გამოიცა GM და WM პარამეტრების რვა კომბინაცია. GM და WM პარამეტრების თითოეული კომბინაციისთვის, 60 GM რეგიონების და 48 WM ტრაქტორების პარამეტრების მნიშვნელობები შეადგენდა 108 ნეიროანატომიურ მახასიათებელს.

თვისებების შერჩევა რეგულირებული რეგრესიით

მახასიათებლების რაოდენობის შემცირება მნიშვნელოვანია, განსაკუთრებით დიდი რაოდენობის მახასიათებლების მქონე მონაცემებისთვის და დაკვირვებების შეზღუდული რაოდენობით. დაკვირვების შეზღუდულმა რაოდენობამ მახასიათებლების რაოდენობასთან დაკავშირებით შეიძლება გამოიწვიოს ხმაურის გადაფარვა, ხოლო რეგულირება ის ტექნიკაა, რომლის საშუალებითაც შესაძლებელია შემცირდეს ან თავიდან აიცილოს ზედმეტი მოწყობილობები მოდელზე დამატებითი ინფორმაციის ან შეზღუდვების შემოღების გზით. იმის გამო, რომ 108– ის ყველა მახასიათებელი შეიძლება არ შეიცავდეს კლასიფიკაციისთვის საჭირო და საჭირო ინფორმაციას, ჩვენ შევარჩიეთ მახასიათებლების იშვიათი ნაკრები რეგულირებული რეგრესიის გამოყენებით. კერძოდ, ლასო () და ელასტიური ბადე () გამოიყენეს რეგულარული ლოგისტიკური რეგრესი. ლასო შეიცავს საჯარიმო ვადას ან რეგულირების პარამეტრს, λ, რომელიც ზღუდავს კოეფიციენტის შეფასების ზომას ლოგისტიკური რეგრესიის მოდელში. იმის გამო, რომ λ – ის ზრდა იწვევს ნულოვანი ღირებულების კოეფიციენტებს, ლასო უზრუნველყოფს შემცირებული ლოგისტიკური რეგრესიის მოდელს ნაკლები პროგნოზით. ელასტიური ბადე ასევე აწარმოებს შემცირებული ლოგისტიკური რეგრესიის მოდელს კოეფიციენტების ნულამდე დაყენებით, განსაკუთრებით კი ლასოსა და ქედის რეგრესიის ჰიბრიდული რეგულირების პარამეტრის ჩათვლით, ლასოს შეზღუდვას გადალახავს მაღალ კორელატორული პროგნოზების მკურნალობისას ().

სამი ჯგუფის თითოეულ წყვილს შორის კლასიფიკაციისთვის, ჩვენ გამოვიყენეთ ლასო და ელასტიური ბადე, ლოგისტიკური რეგრესიის მოდელში 108 ნეიროანატომიურ მახასიათებლებს შორის მნიშვნელოვანი პროგნოზირების დასადგენად. სამი ჯგუფის თითოეულ წყვილში მდებარე ყველა ინდივიდუალური 108 მახასიათებლები სტანდარტიზებულ იქნა მონაცემთა მატრიცის შესაქმნელად, A, რომელშიც თითოეული სტრიქონი წარმოადგენდა ერთ დაკვირვებას და თითოეული სვეტი წარმოადგენდა ერთ პროგნოზირებას. ინდივიდუალური ასაკისა და სქესის გავლენის შესასწორებლად GM და WM პარამეტრებზე, ნარჩენი ფორმირების მატრიცა, R, შეიქმნა: R = I-C(CTC)-1C სადაც I იყო პირადობის მატრიცა და C ეს იყო მატრიქსის კოდირება, რომელიც ასაკისა და სქესის წარმომადგენლებთან შედარებით დამაბრკოლებელ იყო. შემდეგ გამოიყენეს A ნარჩენების მოპოვება მომაბეზრებელი თანატოლების გამოსწორების შემდეგ: X = RA.

შეცვლილი მონაცემების მატრიცის გათვალისწინებით, Xდა პასუხი Yრეგულირების პარამეტრის მოსაძებნად გამოიყენეს 10- ჯერ ჯვრის შემოწმება (CV), რომელიც კოდირებული იყო ინდივიდების ორი კლასით.MinErrდაშვების მინიმალური შეცდომა დაშვების თვალსაზრისით, რაც განსაზღვრულია, როგორც ნეგატიური ჟურნალის ალბათობა, გამოცდილი მოდელისთვის, საშუალოდ, უფრო მეტია, ვიდრე დადასტურების პაკეტებზე. გარდა ამისა, იმის გამო, რომ CV მრუდი აქვს შეცდომები თითოეულ λ ტესტირებაში, რეგულირების პარამეტრი, λ1SE, რომ ნაპოვნი იქნა მინიმალური CV შეცდომის ერთი სტანდარტული შეცდომა, λ-დან რეგულაციის გაზრდის მიმართულებითMinErr ასევე განიხილებოდა. ანუ, სპარსერის თვისებები შეირჩა λ1SE, ხოლო იშვიათი თვისებები განისაზღვრა λMinErr. რეგულარული ლოგისტიკური რეგრესიის მოდელის ძიების ეს პროცედურა განმეორებით ჩატარდა GM და WM პარამეტრების ყველა კომბინაციისთვის, რომელიც შეიცავს 108 ნეიროანატომიურ მახასიათებლებს.

არჩეული მახასიათებლების შესრულება

იშვიათი და სპარსული მახასიათებლების სასარგებლოობის შესაფასებლად, შესრულება შევადარეთ მოდელს შემცირებული რაოდენობის მახასიათებლებს შორის და მოდელს ყველა 108 მახასიათებლით დამხმარე ვექტორულ აპარატებში (SVMs), მიმღების ოპერაციული მახასიათებლის (ROC) მრუდი გაზომვით. ხაზოვანი ბირთვის საშუალებით, როგორც ბირთვის ფუნქცია და ჰიპერპარამენტები, რომლებიც ოპტიმიზირებულია ხუთჯერ CV– ით, SVM ტრენინგი ჩაუტარდა ყველა ჯგუფს სამი ჯგუფის თითოეულ წყვილიში. ROC მრუდის ქვეშ მყოფი ფართობი (AUC) გამოითვალა თითოეული მოდელისთვის, როგორც მისი შესრულების რაოდენობრივი ზომა. DeLong ტესტები () დასაქმდნენ AUC– ს შესადარებლად, თითოეული მოდელის თითოეულ წყვილს შორის. როდესაც AUC განსხვავდებოდა ა p0.05- ის ღირებულება, შესრულება განიხილებოდა, რომ არ ყოფილიყო შედარებული ორ მოდელში.

კლასიფიკაციის სიზუსტე

სქემატური პროცედურები მახასიათებლების წარმოქმნიდან და მახასიათებლების შერჩევიდან კლასიფიკაციის მოდელების აგებამდე, წარმოდგენილია ფიგურაში სურათი. სამი ჯგუფის თითოეული წყვილისთვის, SVM კლასიფიკაციის მოდელები წარმოიქმნა წინასწარმეტყველებად შერჩეული მახასიათებლების გამოყენებით. ჩვენ შევაფასეთ კლასიფიკაციის მოდელების სიზუსტე შვებულების ერთჯერადი CV სქემის გამოყენებით, ისე, რომ გარე ნიმუშის კლასიფიკაციის სიზუსტე გამოითვალა თითოეული მარცხენა ინდივიდისთვის, შემდეგ კი იგი საშუალო ყველა ადამიანში იყო. სიზუსტის სტატისტიკური მნიშვნელობა შეფასდა პერტუაციის ტესტების გამოყენებით. სამი ჯგუფის თითოეულ წყვილს შორის კლასიფიკაციისთვის ემპირიული ნულოვანი განაწილება შეიქმნა ინდივიდების ეტიკეტების განმეორებით და გაზომვის სიზუსტით, რომლებიც დაკავშირებულია ნებადართულ ეტიკეტებთან. როდესაც დაუმუშავებელი ეტიკეტებისთვის გაზომილი სიზუსტე აღემატებოდა ან ტოლი იყო null განაწილებაზე a p0.05– ის ღირებულება, რომელიც დადგინდა, რომ მნიშვნელოვნად განსხვავდება შანსის დონისგან (სიზუსტე = 50%). გარდა ამისა, ვიზუალიზაციის დროს მოხდა დაბნეულობის მატრიცა, რათა აღწერილიყო მგრძნობელობა და სპეციფიკა, რაც შეეხება სამი ჯგუფის თითოეულ წყვილს შორის განსხვავებას.

 

გარე ფაილი, რომელიც ფლობს სურათს, ილუსტრაციას და ა.შ. ობიექტის დასახელებაა fpsyt-09-00291-G0001.jpg

სქემატური პროცედურები ნეიროანატომიური მახასიათებლების წარმოქმნიდან და შერჩევიდან დაწყებული, დისკრიმინირებული მოთამაშეების (DG) და ჯანსაღი არამომგერების (HN), კლასიფიკაციისთვის მოდელების მშენებლობისთვის, ნორმალურ მოთამაშეებს შორის (NG) და HN და DG და NG შორის. გმ, ნაცრისფერი მატერია; WM, თეთრი მატერია.

შედეგები

მხატვრული შერჩევა

გაერკვნენ სურათი აჩვენებს არჩეულ მახასიათებლებს 108 მახასიათებლებს შორის მათი კოეფიციენტის შეფასებით და ცხრილი ცხრილი 11 აღწერს რეგულარული ლოგისტიკური რეგრესიის მოდელის დაკავშირებულ ინფორმაციას სამ ჯგუფის თითოეულ წყვილს შორის კლასიფიკაციისთვის. გარდა ამისა, ფიგურა S1 გვიჩვენებს რომელი λ გამოიღო მინიმალური CV შეცდომა და რამდენი თვისება შეირჩა λ1SE ასევე λMinErr. მინიმალური CV შეცდომა იქნა მიღებული ლაზოს (ლაზოს წონა = 1) მიერ ჯანსაღ არამომგებიან და ნორმალურ მოთამაშეებს შორის კლასიფიკაციისთვის და სხვა კლასიფიკაციისთვის ელასტიური ბადე (lasso წონა = 0.5).

 

გარე ფაილი, რომელიც ფლობს სურათს, ილუსტრაციას და ა.შ. ობიექტის დასახელებაა fpsyt-09-00291-G0002.jpg

შერჩეული ნეიროანატომიური მახასიათებლები რეგულარულ ლოგისტიკურ რეგრესში, თითოეული ჯგუფის თითოეულ წყვილს შორის კლასიფიკაციისთვის. მოუწესრიგებელი მოთამაშეები (DG) დაშიფრულია, როგორც 1 კლასიფიკაცია ჯანმრთელ არა – მოთამაშეთა (HN) და DG– ს, ნორმალური მოთამაშეები (NG) - 1, კლასიფიკაციაში 1– N და NG– ს შორის და DG, როგორც XNUMX - კლასიფიკაციაში NG– სა და DG– ს შორის. ზოლის ზომა წარმოადგენს შესაბამისი მახასიათებლის კოეფიციენტის ზომას, ისეთი, რომ არა ნულოვანი კოეფიციენტის მახასიათებლებია არჩეული. გაწეულ ტვინებს ასახავს ნაცრისფერი და თეთრი ნივთიერებების კომპონენტები, რომლებიც შერჩეული მახასიათებლების შესაბამისია მაღლა. წითელი ან ლურჯი თვისებები მიუთითებს მახასიათებლებში, რომლებიც განისაზღვრება λ- ზე1SE ისევე როგორც λMinErrმიუხედავად იმისა, რომ ყვითელი ან მაგნატაში მყოფი პირები მიუთითებენ მხოლოდ და მხოლოდ იშვიათ მახასიათებლებში. ტვინის კომპონენტების ეტიკეტები მოცემულია ცხრილებში S1 მდე S2. ლ, მარცხნივ; რ, მართალია.

მაგიდის 1

რეგულარული ლოგისტიკური რეგრესიის ინფორმაციის სამეტყველო ინფორმაცია სამი ჯგუფის თითოეულ წყვილს შორის კლასიფიკაციისთვის.

 HN წინააღმდეგ DGHN წინააღმდეგ NGNG წინააღმდეგ DG
პარამეტრიGMსისქესისქემოცულობა
 WMFARDMD
ლასოს წონა0.510.5
Λ – ში არჩეული სპარტული მახასიათებლებიMinErrCV შეცდომა37.368141.7876133.3857
 მახასიათებლების რაოდენობა432111
Sparser- ის ფუნქციები, რომლებიც არჩეულია λ1SECV შეცდომა46.568150.0435141.2622
 მახასიათებლების რაოდენობა34121
 

ლასოს წონა მიუთითებს, ჩატარდა თუ არა რეგულარული ლოგისტიკური რეგრესია ლასოს გამოყენებით (ლაზოს წონა = 1) ან ელასტიური ბადე (ლაზოს წონა = 0.5).

HN, ჯანმრთელი არამომგები; DG, არაკეთილგანწყობილი მოთამაშეები; NG, ნორმალური მოთამაშეები; გმ, ნაცრისფერი მატერია; WM, თეთრი მატერია; FA, ფრაქციული ანისოტროპია; RD, რადიალური დიფუზიურობა; MD, საშუალო დიფუზიურობა; CV, ჯვრის შემოწმება.

ჯანსაღი არამომგებილებისგან დისორდინირებული მოთამაშეების დისკრიმინაციისას, 43 თვისებები შერჩეულ იქნა λMinErr მოიცავდა 24 GM რეგიონების სისქეს და FA- ს 19 WM ტრაქტატების სისქეს, ხოლო λ- ში შერჩეულ 34 მახასიათებლებს.1SE შეადგენდა 15 GM რეგიონების სისქეს და 19 WM ტრაქტების FA- ს. ჯანსაღი არამომგებიდან ნორმალური მოთამაშეების განასხვავების შემთხვევაში, 21 თვისებები შერჩეულია λMinErr მოიცავდა 12 GM რეგიონების სისქეს და RD- ს 9 WM ტრაქტატების სისქეს, ხოლო λ- ში შერჩეულ 12 მახასიათებლებს.1SE შეადგენდა 6 GM რეგიონების სისქეს და 6 WM ტრაქტების RD. არაკეთილსინდისიერ და ნორმალურ მოთამაშეებს შორის კლასიფიკაციაში, 11 მახასიათებლების მიხედვით არჩეულია λMinErr მოიცავდა 7 GM რეგიონების მოცულობას და MD 4 WM ტრაქტატების მოცულობას, ხოლო ერთი თვისება შერჩეულ იქნა1SE შეესაბამება ერთი გმ რეგიონის მოცულობას.

არჩეული მახასიათებლების შესრულება

შემცირებული რაოდენობის მახასიათებლებსა და ყველა 108 მახასიათებელს შორის მოდელს შორის, სპექტაკლი შედარებული იყო AUC- ს თვალსაზრისით, თითოეული ტიპის მოთამაშისა და ჯანსაღი არამომგერების მიერ დისკრიმინაციის დროს SVM- ების მიერ (ნახ. (სურათი 3)). არაკეთილსინდისიერ და ნორმალურ მოთამაშეებს შორის კლასიფიკაციისას, მოდელი, რომელზეც შეირჩევა ფუნქციები, მოცემულია λ- ზეMinErr (AUC = 0.83, p = 0.006) ან λ1SE (AUC = 0.72, p <0.001) აჩვენა უფრო ცუდი შესრულება, ვიდრე მოდელის ყველა 108 მახასიათებელი (AUC = 0.90).

 

გარე ფაილი, რომელიც ფლობს სურათს, ილუსტრაციას და ა.შ. ობიექტის დასახელებაა fpsyt-09-00291-G0003.jpg

შესრულების შედარება მიმღების საოპერაციო დამახასიათებელი მრუდის ქვეშ მდებარე ფართობის თვალსაზრისით (AUC) მოდელებს შორის, გარეშე მახასიათებლების შერჩევისთვის, სამი ჯგუფის თითოეულ ჯგუფს შორის კლასიფიკაციისთვის, დამხმარე ვექტორული აპარატების საშუალებით. 108 მახასიათებლების მოდელი (რომელიც მითითებულია მყარი ხაზით) შეესაბამება მას მახასიათებლების არჩევის გარეშე, ხოლო მახასიათებლების შემცირებული რიცხვების მოდელები ეხმიანება იმMinErr (მითითებულია დახრილი ხაზით) და λ1SE (მითითებულია dash-dot ხაზით), შესაბამისად. HN, ჯანმრთელი არამომგები; DG, არაკეთილგანწყობილი მოთამაშეები; NG, ნორმალური მოთამაშეები.

კლასიფიკაციის სიზუსტე

SVM- ების მიერ კლასიფიკაციაში λMinErr, სიზუსტე აღემატებოდა 98% -ს, მნიშვნელოვნად აღემატება შანსების დონეს (p <0.001), განასხვავებს მოთამაშეთა თითოეული ტიპის ჯანმრთელ არა – მოთამაშეთაგან (სურათი (სურათი 4A)). სიზუსტე კვლავ მნიშვნელოვნად აღემატებოდა შანსების დონეს (p = 0.002) მაგრამ როგორც დაბალი, როგორც 69.8% არეულობა და ნორმალურ მოთამაშეს შორის კლასიფიკაციაში, კონკრეტულად აჩვენებს დაბალი მგრძნობელობას (47.4%) არარეგულირებული მოთამაშეების სწორ იდენტიფიკაციაში. Sparser მახასიათებლები განისაზღვრება λ1SE გამოფენილია მსგავსი წარმოდგენები (სურათი (ნახ .4B) 4B) მაგრამ აჩვენა გაცილებით დაბალი მგრძნობელობა (2.6%) ნორმალური მოთამაშეებისგან განადგურებული მოთამაშების სწორი განსხვავებისას.

 

გარე ფაილი, რომელიც ფლობს სურათს, ილუსტრაციას და ა.შ. ობიექტის დასახელებაა fpsyt-09-00291-G0004.jpg

გამოყენების დროს მორცხვის მატრიცები კლასიფიკაციაში მოცემულია სამი ჯგუფის თითოეულ წყვილს შორის (A) იშვიათი და (B) sparser მახასიათებლები განისაზღვრება λMinErr და λ1SEშესაბამისად, დამხმარე ვექტორულ აპარატებში. ქვედა მარჯვენა უჯრედი წარმოადგენს კლასიფიკაციის სიზუსტე (ACC), ქვედა მარცხენა უჯრედის ნამდვილი უარყოფითი მაჩვენებელი (TNR) ან სპეციფიკა, ქვედა შუა უჯრედის ნამდვილი დადებითი სიხშირე (TNR) ან მგრძნობელობა, ზედა - მარჯვენა უჯრედის უარყოფითი პროგნოზირების მნიშვნელობა (NPV) ), და შუა მარჯვენა უჯრედის პოზიტიური პროგნოზირების მნიშვნელობა (PPV). TP, ნამდვილი დადებითი; TN, ნამდვილი უარყოფითი; FP, ცრუ პოზიტიური; FN, ცრუ უარყოფითი.

დისკუსია

ამ კვლევაში ჩვენ შევეცადეთ შევეხოთ თუ არა პათოლოგიური და არაპათოლოგიური მოთამაშეები, რომლებიც კატეგორიზებულია DSM-5- ით შემოთავაზებულ IGDS- სთან, შეიძლება წარმოდგენილი იყოს იშვიათი ნეიროანატომიური მახასიათებლებით. არაკეთილსინდისიერი და ნორმალური მოთამაშეები წარმოდგენილი იყო 43 და 21 მახასიათებლების შესაბამისად, ჯანსაღ არამომგებიანებთან მიმართებაში. გარდა ამისა, არაკეთილსინდისიერი მოთამაშეები წარმოდგენილი იყო 11 მახასიათებლების თვალსაზრისით, ნორმალურ მოთამაშებთან შედარებით. იშვიათი ნეიროანატომიური მახასიათებლების გამოყენებით, დისორდინირებული და ნორმალური მოთამაშეები ჯანმრთელ არამომგებიანობებზე წარმატებით შეიძლება დიფერენცირებული იქნას, მაგრამ არეულობა და ნორმალურ მოთამაშეს შორის კლასიფიკაცია შედარებით რთული იყო.

ფართოდ არის მიღებული IGD- ის სიმპტომური დაფუძნებული აღწერილობითი კატეგორიზაცია DSM-5- ში შემოთავაზებულ IGDS- ით. მიუხედავად იმისა, რომ IGDS– ის ემპირიული მოქმედება დადასტურებულია მრავალ ქვეყანაში (, , ), ხუთი ან მეტი IGDS ნივთის გამოყენების ბარიერი შეიძლება არ იყოს გარკვეული არჩევანი და შეიძლება შემოთავაზებული იყოს პირზე ინტერნეტით დაფუძნებული თამაშების მქონე პირების კატეგორიზაციის სხვა გზები (). იმის გამო, რომ კლინიკური მონაცემების მრავალი ტიპი, როგორიცაა ტვინის ვიზუალიზაციის მონაცემები, ისევე როგორც დემოგრაფიული, ქცევითი და სიმპტომური მონაცემები, უფრო და უფრო ხელმისაწვდომი ხდება, სასურველია დამატებითი მონაცემების გამოყენება ფსიქიატრიული დაავადებების დიაგნოზირებისთვის. კერძოდ, რაოდენობრივი ინფორმაციის მასიურობის გამო, ტვინის ვიზუალიზაციის მონაცემები შესაფერისია გამოთვლითი მიდგომებისთვის და სასარგებლო იქნება პროგნოზისთვის. მართლაც, ტვინის ვიზუალიზაციის მონაცემებმა აჩვენა, რომ აქვს უმაღლესი პროგნოზირებადი მნიშვნელობები სხვა კლინიკურ მონაცემებთან შედარებით, კლინიკურად მნიშვნელოვანი პრობლემის გადაჭრის პროგნოზირებაში ().

როგორც ML დაფუძნებული დიაგნოსტიკური კლასიფიკაცია ახლახანს იქნა გამოყენებული სხვა ნარკოტიკული ქცევებისა და დარღვევების მიმართ (-), IGD- ს სიმპტომებზე დაფუძნებული კატეგორიზაცია ასევე გამოდგება კომპენსაციაზე დაფუძნებული კლასიფიკაციის გამოწვევის წინაშე. იმის გამო, რომ IGD- ს შემდეგ თავის ტვინის ანატომიური დარღვევები არაერთხელ აღინიშნა წინა კვლევებში (-, ), ჩვენ განვიხილეთ ასეთი ნეიროანატომიური ინფორმაცია ტვინის ვიზუალიზაციის მონაცემების პოტენციური ბიომარკიდან, IGD დიაგნოზის დასადგენად. ამ კვლევაში ჩვენი მიზანი იყო გამოვყოთ მნიშვნელოვანი ნეიროანატომიური მახასიათებლების ერთობლიობა, რამაც შეიძლება უზრუნველყოს ადეკვატურად მაღალი კლასიფიკაციის შესრულება, გარდა ინდივიდების კლასებს შორის ნეიროანატომიური განსხვავებებისა.

ჩვენ შეარჩიეთ მნიშვნელოვანი, 108 ნეიროანათემატიკური მახასიათებლების შორის, რეგულარული რეგულარული რეგრესი. როდესაც ჩვენ განვიხილეთ GM და WM პარამეტრების რვა კომბინაცია, პარამეტრების სხვადასხვა კომბინაცია შეირჩა სამი ჯგუფის თითოეული წყვილის განსახორციელებლად. გმ რაიონების სისქისა და WM ტრაქტების მთლიანობის ერთობლიობა უკეთესი იყო პათოლოგიური მოთამაშეებისგან ჯანსაღი არამომგებიანებისგან განასხვავებლად, ხოლო გმ რაიონების მოცულობისა და WM ტრაქტების დიფუზიურობის ერთობლიობა უკეთესი იყო პათოლოგიური მოთამაშეების განსასხვავებლად. არაპათოლოგიური მოთამაშეებიდან. უფრო მეტიც, მიუხედავად იმისა, რომ ტვინის მრავალი კომპონენტი ჩვეულებრივ ემსახურებოდა ნეიროანატომიურ მახასიათებლებს, რაც მნიშვნელოვანი იყო ჯანსაღი არამომგმერების პათოლოგიური და არაპათოლოგიური მოთამაშეებისგან განასხვავებლად, ზოგიერთ გმ რაიონში და WM ტრაქტებში ახასიათებდათ არაპათოლოგიური მოთამაშეები, მაგრამ არა პათოლოგიური მოთამაშეები. . ეს დასკვნები მიუთითებს, რომ შეიძლება არ არსებობდეს GM და WM პარამეტრების საყოველთაოდ საუკეთესო საშემსრულებლო კომბინაცია, როგორც ნეიროანატომიური ბიომ ნიშნები, ასე რომ, GM და WM პარამეტრების სპეციფიკური კომბინაცია საჭიროებს ჯგუფების მიხედვით შერჩევისას.

სპარტული მახასიათებლების უფრო მცირე რაოდენობა არაპათოლოგიური მოთამაშეების განასხვავებლად, პათოლოგიური გეიმერების განასხვავებლად, ჯანსაღი არამგამატიდან, ასახავს იმას, რომ არაპათოლოგიური მოთამაშეები გარდამავალ ეტაპზე იმყოფებიან პათოლოგიურ მოთამაშეებსა და ჯანმრთელობას შორის. არამომგები. გარდა ამისა, ნაკლები სპარსული თვისებები მოთამაშეთა ორ ტიპს შორის კლასიფიკაციისთვის, ვიდრე თითოეული მოთამაშის ტიპისა და ჯანსაღი არამეზოგავთა შორის დისკრიმინაციისა, ნიშნავს, რომ პათოლოგიური და არაპათოლოგიური მოთამაშეები ერთმანეთთან შედარებით ნაკლებად განსხვავდებოდა ერთმანეთისაგან. ნეიროანატომიისგან განსხვავებით, ვიდრე ისინი ჯანმრთელ არამომგებიანთაგან განსხვავებით. შესაბამისად, იშვიათი მახასიათებლების შედეგად წარმოქმნილ კლასიფიკაციათა მოდელებმა გამოიცა სიზუსტე, რომელიც აღემატება 98% -ს თითოეულ მოთამაშესა და ჯანმრთელ არამომგებიანებს შორის დისკრიმინაციაში, მაგრამ სიზუსტე 70 %– ს ქვემოთ, ამგვარი მოთამაშების ორი ტიპების კლასიფიკაციაში. ანუ, არაპათოლოგიური მოთამაშეები განასხვავებდნენ ჯანსაღ არამომგებს, ისევე როგორც პათოლოგიური მოთამაშეები, მაგრამ იყო შეზღუდვები პათოლოგიურ და არა პათოლოგიურ მოთამაშეებს შორის.

ეს შედარებით დაბალი განმასხვავებლობა მოთამაშეთა ორ ტიპს შორის, როგორც ჩანს, რამდენიმე ცნებას გვთავაზობს. პირველ რიგში, შეიძლება შემოთავაზებული იყოს შეუსაბამობა სიმპტომების დაფუძნებულ კატეგორიზაციასა და გამოთვლებზე დაფუძნებულ კლასიფიკაციას შორის. მიუხედავად იმისა, რომ IGDS– ში ხუთი ან მეტი კრიტერიუმით სარგებლობის შემოთავაზებული სადიაგნოსტიკო ბარიერი კონსერვატიულად შეირჩა IGD– ის გადაჭარბებული დიაგნოზის თავიდან ასაცილებლად (), მოთამაშეების ყოფნა, რომლებიც განიცდიან მნიშვნელოვან პათოლოგიურ ცვლილებებს ნეიროანატომიაში, მაგრამ IGD- ის ბარიერი არ აკმაყოფილებს, შეიძლება არ იქნას გათვალისწინებული. კერძოდ, ჩვენ მხოლოდ მოთამაშეები შევიტანეთ, რომლებმაც დააკმაყოფილეს IGDS ელემენტები უფრო დაბალი ვიდრე IGD ბარიერი, როგორც ჩვეულებრივი მოთამაშეები, ისე რომ მოთამაშეებმა დიაგნოზირებულნი რომ არ აქვთ IGD შეიძლება ზოგადად უფრო შორს იყვნენ არამომგებიანი ჯანმრთელი პირებისაგან, ვიდრე ნაჩვენებია ამ კვლევაში. მეორეც, შეიძლება აღინიშნოს კლასიფიკაციის გამოწვევა, რომელიც ეყრდნობა მხოლოდ ნეიროანატომიურ ბიო მარკერებს. კლასიფიკაციის წარმადობა შეიძლება გაუმჯობესდეს სხვა ბიომარკიერების ჩათვლით, რომელთაც შეუძლიათ პათოლოგიურ და არა პათოლოგიურ მოთამაშეთა შორის უფრო მეტი განსხვავება შეიტანონ. კერძოდ, იმის გამო, რომ თავის ტვინში ფუნქციური ცვლილებები ასევე ვლინდება IGD- ში (-), როგორც ფუნქცია, ასევე ტვინის ანატომია შეიძლება ჩაითვალოს ტვინის ბიომარკი. გარდა ამისა, გვინდა აღვნიშნოთ, რომ ტვინში განხორციელებული ცვლილებები მხოლოდ ინტერნეტ სათამაშო დამოკიდებულების მრავალგანზომილებიანი ასპექტის ნაწილია, ისე რომ სხვა ფაქტორები, არანაკლებ სხვადასხვა შინაგანი და გარეგანი რისკ-ფაქტორები ინტერნეტ თამაშებისადმი დამოკიდებულებისგან (), უნდა შეიცავდეს უფრო სრულ მოდელებს პათოლოგიურ და არაპათოლოგიურ მოთამაშეებს შორის კლასიფიკაციისთვის, აგრეთვე მოთამაშეების განასხვავებლად არასამთავრობო სათამაშოების ჯანმრთელ პირთაგან.

აქ, ჩვენ გამოვიყენეთ რეგულარული რეგრესა, კლასიფიკაციის მოდელებისთვის მნიშვნელოვანი მახასიათებლების გამოსაყენებლად, ისეთი სპარსიტიტიზაციის შემქმნელთა შეფასების გამოყენებით, როგორიცაა ლასო და ელასტიური ბადე. სინამდვილეში არსებობს მეთოდოლოგიური ცვალებადობა მახასიათებლების შერჩევაში ან განზომილების შემცირების თვალსაზრისით, და მრავალფეროვანი მიდგომები შეიძლება გამოყენებულ იქნას მოდელის მშენებლობაში არჩეული მახასიათებლების გამოყენებისთვის (). რეგულირებადი რეგრესიის გამოყენებით ჩვენი მიდგომა გულისხმობს პრიორიტეტულ დაშვებას ნეიროანატომიური მახასიათებლების იშვიათობასთან დაკავშირებით. იმ პირობით, რომ ასეთი ვარაუდი მისაღებია, რადგან ამ კვლევაში გვჯეროდა, რეგულირებული რეგრესი შეიძლება იყოს საეჭვო მიდგომა, ხოლო იშვიათი მახასიათებლების არჩეული ნაკრები მოსალოდნელია ადეკვატურად მაღალი ხარისხის შეფასების მოდელების შედგენაში. მაგრამ აღსანიშნავია, რომ უფრო კლასიკურ სისტემაზე დაფუძნებული კლასიფიკაციის მარტივი მოდელები ყოველთვის არ შეიძლება გამოავლინოს შედარებით ან გაუმჯობესებულ შესრულებაზე. მართლაც, რეგულირების პარამეტრის მიხედვით სპარტის ხარისხის სხვადასხვა ვარიანტს შორის, უფრო იშვიათობა არ წარმოადგენდა უკეთეს შემსრულებელ მოდელს, კერძოდ, უფრო რთული კლასიფიკაციის პრობლემებში, მაგალითად, კლასიფიკაციას პათოლოგიურ და არაპათოლოგიურ მოთამაშეებს შორის.

გარდა ამისა, ჩვენ გამოვიყენეთ SVMs, როგორც ML ტექნიკა კლასიფიკაციის მოდელების მშენებლობისთვის, რადგან ისინი ყველაზე პოპულარულები არიან. კლასიფიკაციის შესრულების გასაუმჯობესებლად შეიძლება გამოყენებულ იქნას სხვა მოწინავე მეთოდები, თუმცა შედარებითი შესრულება სხვადასხვა მეთოდს შორის არ შეიძლება დადგინდეს ექსპერიმენტულ სცენარებზე შესრულების დამოკიდებულების გამო (). მეორე მხრივ, კლასიკურ სტატისტიკურ მეთოდებსა და ML ტექნიკას შორის შედარებითი მუშაობისთვის, ჩვენ ჩავატარეთ კლასიფიკაცია ლოგისტიკური რეგრესიით და დავანახვეთ, რომ ორი მეთოდი, კერძოდ, ლოგისტიკური რეგრესია და SVM, შედარებითი იყო კლასიფიკაციის შესრულებაში (სურათი) S2). შეიძლება განმეორდეს ის, რომ კლასიკური სტატისტიკური მეთოდები ყოველთვის არ არის inferior to ML ტექნიკის კლასიფიკაციის შესრულებაში ().

მიმდინარე კვლევაში ჩვენ დავადგინეთ, რომ IGD- ის სიმპტომებზე დაფუძნებული კატეგორიზაცია შეიძლება წარმოდგენილი იყოს იშვიათი ნეიროანათომიური ბიომარკერების თვალსაზრისით, რომლებიც შეადგენენ კლასიფიკაციის მოდელებს. გარდა ამისა, ჩვენ დავამტკიცეთ, რომ არაპათოლოგიური მოთამაშეები შეიძლება ნაკლებად გამოირჩეოდნენ პათოლოგიური მოთამაშეებისგან, ვიდრე არაჯანსაღი ჯანმრთელი პირებისგან, ნეიროანატომიის თვალსაზრისით. ამრიგად, ჩვენ გვთავაზობენ, რომ მიუხედავად იმისა, რომ მიმდინარე სადიაგნოსტიკო სისტემები ეყრდნობა აღწერილ კატეგორიზაციას, როგორიცაა DSM-5, როგორც ოქროს სტანდარტი, არაპათოლოგიურ მოთამაშეებს შეიძლება დაჭირდეთ უფრო მეტი ზრუნვის დიაგნოზი, ობიექტური ბიომარკერების გამოყენებით, მაგალითად, ნეიროანატომიური ცვლილებებით. გამოთვლითი მიდგომების მიღება, როგორც ჩანს, შეუქცევადი ტენდენციაა ფსიქიატრიაში, მაგრამ შეიძლება გრძელი გზა გატარდეს კლინიკურ გარემოში პრაქტიკულად გამოყენების მიზნით. ტვინის ვიზუალიზაციიდან და სხვა კლინიკური მონაცემებიდან სპარტული მახასიათებლების ოპტიმალური შერჩევა უნდა ჩატარდეს შემდგომ კვლევებში, ხოლო გრძელვადიან პერსპექტივაში ეს ძალისხმევა ხელს შეუწყობს IGD– ის გამოთვლებზე დაფუძნებულ დიაგნოზს.

ავტორი წვლილი

D-JK და J-WC პასუხისმგებელნი იყვნენ სასწავლო კონცეფციასა და დიზაინზე. HC- მა ჩაატარა კლიენტების დახასიათება და მონაწილეთა შერჩევა. CP- მა გაანალიზა მონაცემები და შეადგინა ხელნაწერი. ყველა ავტორმა კრიტიკულად განიხილა შინაარსი და დაამტკიცა გამოქვეყნების საბოლოო ვერსია.

ინტერესთა კონფლიქტის შესახებ განცხადება

ავტორები აცხადებენ, რომ კვლევა არ ჩატარებულა რაიმე კომერციულ ან ფინანსურ ურთიერთობებში, რაც შეიძლება განპირობებული იყოს ინტერესთა პოტენციურ კონფლიქტად.

სქოლიოები

 

დაფინანსება. ამ კვლევას მხარი დაუჭირა ტვინის მეცნიერების კვლევის პროგრამას კორეის ეროვნული სამეცნიერო ფონდის (NRF) მეშვეობით, რომელიც დააფინანსა მეცნიერებათა სამინისტრომ და კორექტირმა ინფორმაციულ მეცნიერებამ (NRF-2014M3C7A1062893).

 

 

დამატებითი მასალა

ამ სტატიის დამატებითი მასალა შეგიძლიათ იხილოთ საიტზე: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material

ლიტერატურა

1. ახალგაზრდა KS. ინტერნეტით დამოკიდებულება: ახალი კლინიკური აშლილობის გაჩენა. კიბერფსიოლ ბჰევი. (1998) 1: 237 – 44. 10.1089 / cpb.1998.1.237 [ჯვრის Ref]
2. ფსიქიატრიული აშლილობების ამერიკული ფსიქიატრიული ასოციაციის დიაგნოსტიკური და სტატისტიკური სახელმძღვანელო, 5th Edition. ვაშინგტონი, DC: ამერიკის ფსიქიატრიული ასოციაციის გამოცემა; (2013).
3. Ko CH, Yen JY, Chen SH, Wang PW, Chen CS, Yen CF. ტაივანის ახალგაზრდა მოზრდილებში DSM-5- ში ინტერნეტ თამაშების არეულობის დიაგნოსტიკური კრიტერიუმების შეფასება. J ფსიქიატრი რეზ. (2014) 53: 103 – 10. 10.1016 / j.jp Psychires.2014.02.008 [PubMed] [ჯვრის Ref]
4. Ko CH, Hsieh TJ, Wang PW, Lin WC, Yen CF, Chen CS, et al. . ნაცრისფერ მატერიის სიმკვრივის შეცვლა და ამიგდალის ფუნქციური დაკავშირება მოზრდილებში, ინტერნეტის თამაშების დარღვევით. Prog Neuropsychopharmacol Biol Psychiatry (2015) 57: 185 – 92. 10.1016 / j.pnpbp.2014.11.003 [PubMed] [ჯვრის Ref]
5. Lin X, Dong G, Wang Q, Du X. არანორმალური რუხი მატერია და თეთრი მატერიის მოცულობა 'ინტერნეტ სათამაშო ნარკომანიებში'. ნარკომანი Behav. (2015) 40: 137 – 143. 10.1016 / j.addbeh.2014.09.010 [PubMed] [ჯვრის Ref]
6. Wang H, Jin C, Yuan K, Shakir TM, Mao C, Niu X, et al. . ნაცრისფერი მატერიის მოცულობის ცვლილება და შემეცნებითი კონტროლი მოზარდებში ინტერნეტ თამაშების დარღვევით. წინა Behav Neurosci. (2015) 9: 64. 10.3389 / fnbeh.2015.00064 [PMC უფასო სტატია] [PubMed] [ჯვრის Ref]
7. Yuan K, Cheng P, Dong T, Bi Y, Xing L, Yu D, et al. . კორტიკალური სისქის დარღვევები გვიან მოზარდობის პერიოდში, ონლაინ თამაშების დამოკიდებულებით. PloS ONE (2013) 8: e53055. 10.1371 / journal.pone.0053055 [PMC უფასო სტატია] [PubMed] [ჯვრის Ref]
8. დონ G, Devito E, Huang J, Du X. დიფუზიური ტენსორის გამოსახულება ავლენს თალამუსისა და წინაგულოვანი ქერქის ქერქის დარღვევებს ინტერნეტ სათამაშო ნარკომანიებში. J ფსიქიატრი რეზ. (2012) 46: 1212 – 6. 10.1016 / j.jp Psychires.2012.05.015 [PMC უფასო სტატია] [PubMed] [ჯვრის Ref]
9. Xing L, Yuan K, Bi Y, Yin J, Cai C, Feng D, et al. . ბოჭკოვანი მთლიანობის შემცირება და შემეცნებითი კონტროლი მოზრდილებში, ინტერნეტ თამაშების დარღვევით. ტვინის რეს. (2014) 1586: 109 – 17. 10.1016 / j.brainres.2014.08.044 [PubMed] [ჯვრის Ref]
10. Besson P, Dinkelacker V, Valabregue R, Thivard L, Leclerc X, Baulac M, et al. . სტრუქტურული კავშირის განსხვავებები მარცხენა და მარჯვენა დროებითი ლობის ეპილეფსიაში. ნეიროვიზიუმი (2014) 100: 135 – 44. 10.1016 / j.neuroimage.2014.04.071 [PubMed] [ჯვრის Ref]
11. Huys QJ, Maia TV, Frank MJ. გამოთვლითი ფსიქიატრია, როგორც ხიდი ნეირომეცნიერებდან კლინიკურ გამოყენებამდე. ნატ ნევროზი. (2016) 19: 404 – 13. 10.1038 / nn.4238 [PMC უფასო სტატია] [PubMed] [ჯვრის Ref]
12. ლემენსს ჯს, ვალენბურგის პრემიერ მინისტრი, ჯენტლელი დ. ინტერნეტ თამაშების არეულობის მასშტაბით. ფსიქოლის შეფასება. (2015) 27: 567 – 82. 10.1037 / pas0000062 [PubMed] [ჯვრის Ref]
13. Dahnke R, Yotter RA, Gaser C. კორტიკალური სისქე და ცენტრალური ზედაპირის შეფასება. ნეიროვიზიუმი (2013) 65: 336 – 48. 10.1016 / j.neuroimage.2012.09.050 [PubMed] [ჯვრის Ref]
14. Smith SM, Jenkinson M, Johansen-Berg H, Rueckert D, Nichols TE, Mackay CE, et al. . ტრაქტატზე დაფუძნებული სივრცული სტატისტიკა: მრავალ საგნიანი დიფუზიური მონაცემების voxelwise ანალიზი. ნეიროვიზიუმი (2006) 31: 1487 – 505. 10.1016 / j.neuroimage.2006.02.024 [PubMed] [ჯვრის Ref]
15. Hammers A, Allom R, Koepp MJ, Free SL, Myers R, Lemieux L, et al. . ადამიანის ტვინის სამგანზომილებიანი მაქსიმალური ალბათობის ატლასი, განსაკუთრებული მითითებით, დროებითი ლობის შესახებ. Hum Brain Mapp. (2003) 19: 224 – 47. 10.1002 / hbm.10123 [PubMed] [ჯვრის Ref]
16. Mori S, Oishi K, Jiang H, Jiang L, Li X, Akter K, et al. . სტერეოტაქსიული თეთრი მატერიის ატლასი, რომელიც ეფუძნება დიფუზიური ტენზორის გამოსახულებას ICBM შაბლონში. ნეიროვიზიუმი (2008) 40: 570 – 82. 10.1016 / j.neuroimage.2007.12.035 [PMC უფასო სტატია] [PubMed] [ჯვრის Ref]
17. ტიბშირიანი რ. რეგრესიის შემცირება და შერჩევა ლასოს საშუალებით. J Roy Stat Soc Ser B (1996) 58: 267 – 88.
18. Zou H, Hastie T. რეგულირება და ცვლადი შერჩევა ელასტიური ქსელის მეშვეობით. J Roy Stat Soc Ser B (2005) 67: 301 – 20. 10.1111 / j.1467-9868.2005.00503.x [ჯვრის Ref]
19. Theodoridis S. Machine Learning: Bayesian and Optimization პერსპექტივა. ლონდონი: Academic Press; (2015).
20. Delong ER, Delong DM, Clarke-Pearson DL. ორი ან მეტი კორელური მიმღების ქვეშ მოთავსებული ტერიტორიების შედარება, რომლებიც ახასიათებს დამახასიათებელ მრუდებს: არაპარმეტრული მიდგომა. ბიომეტრიკა (1988) 44: 837 – 45. 10.2307 / 2531595 [PubMed] [ჯვრის Ref]
21. ჩო SH, Kwon JH. ინტერნეტ თამაშების განუკითხაობის მასშტაბის კორეული ვერსიის დამოწმება (K-IGDS): დასკვნები მოზრდილთა საზოგადოების ნიმუშიდან. კორეის J Clin ფსიქოლი. (2017) 36: 104 – 17. 10.15842 / kjcp.2017.36.1.010 [ჯვრის Ref]
22. Sigerson L, Li AYL, Cheung MWL, Luk JW, Cheng C. ჩინური ინტერნეტის თამაშების აშლილობის მასშტაბის ფსიქომეტრული თვისებები. ნარკომანი Behav. (2017) 74: 20 – 6. 10.1016 / j.addbeh.2017.05.031 [PubMed] [ჯვრის Ref]
23. Burke Quinlan E, Dodakian L, See J, Mckenzie A, Le V, Wojnowicz M, et al. . ნერვული ფუნქცია, დაზიანება და ინსულტის ქვეტიპი პროგნოზირებს მკურნალობას ინსულტის შემდეგ. ენ ნეიროლი. (2015) 77: 132 – 45. 10.1002 / ana.24309 [PMC უფასო სტატია] [PubMed] [ჯვრის Ref]
24. Pariyadath V, Stein EA, Ross TJ. დასვენების მდგომარეობის ფუნქციური კავშირის მქონე მანქანების სწავლის კლასიფიკაცია პროგნოზირებს მოწევას. წინა ჰუმ ნევროზი. (2014) 8: 425. 10.3389 / fnhum.2014.00425 [PMC უფასო სტატია] [PubMed] [ჯვრის Ref]
25. Fedota JR, Stein EA. დასვენების მდგომარეობის ფუნქციონალური კავშირი და ნიკოტინის დამოკიდებულება: ბიომარკერის განვითარების პერსპექტივები. Ann NY Acad Sci. (2015) 1349: 64 – 82. 10.1111 / nyas.12882 [PMC უფასო სტატია] [PubMed] [ჯვრის Ref]
26. Ahn WY, Ramesh D, Moeller FG, Vassileva J. მანქანით სწავლების მიდგომების სასარგებლო საშუალებები ნივთიერების გამოყენების დარღვევებისათვის ქცევითი მარკერების დასადგენად: იმპულსურობის განზომილებები, როგორც კოკაინის ამჟამინდელი დამოკიდებულების პროგნოზირება. წინა ფსიქიატრია (2016) 7: 34. 10.3389 / fpsyt.2016.00034 [PMC უფასო სტატია] [PubMed] [ჯვრის Ref]
27. Ahn WY, Vassileva J. მანქანათმცოდნე განსაზღვრავს ნივთიერებების სპეციფიკური ქცევის მარკერებს ოპიატისა და მასტიმულირებელი დამოკიდებულების მიმართ. ნარკოტიკების ალკოჰოლი დამოკიდებულია. (2016) 161: 247 – 57. 10.1016 / j.drugalcdep.2016.02.008 [PMC უფასო სტატია] [PubMed] [ჯვრის Ref]
28. Percy C, França M, Dragičević S, D'avila Garcez A. ონლაინ სათამაშო თვითგამორიცხვის პროგნოზირება: ზედამხედველობის ქვეშ მყოფი მანქანური სწავლების მოდელების მუშაობის ანალიზი. Int Gambl Stud. (2016) 16: 193–210. 10.1080 / 14459795.2016.1151913 [ჯვრის Ref]
29. Ding WN, Sun JH, Sun YW, Zhou Y, Li L, Xu JR, et al. . შეცვლილი ნაგულისხმევი ქსელის დასვენების მდგომარეობის ფუნქციური კავშირი მოზარდებში ინტერნეტ სათამაშო დამოკიდებულებით. PloS ONE (2013) 8: e59902. 10.1371 / journal.pone.0059902 [PMC უფასო სტატია] [PubMed] [ჯვრის Ref]
30. Meng Y, Deng W, Wang H, Guo W, Li T. პრეფრონტალური დისფუნქცია ინტერნეტში სათამაშო არეულობის მქონე ადამიანებში: ფუნქციური მაგნიტური რეზონანსის გამოთვლითი კვლევების მეტა-ანალიზი. Addict Biol. (2015) 20: 799-808. 10.1111 / ADB.12154 [PubMed] [ჯვრის Ref]
31. Zhang JT, Yao YW, Li CSR, Zang YF, Shen ZJ, Liu L, et al. . მოზარდებში ინსულტის ფუნქციური კავშირი შეცვალა ახალგაზრდებში ინტერნეტის თამაშების დარღვევით. ნარკომანი ბიოლი. (2015) 21: 743 – 51. 10.1111 / adb.12247 [PMC უფასო სტატია] [PubMed] [ჯვრის Ref]
32. Cai C, Yuan K, Yin J, Feng D, Bi Y, Li Y და სხვები. . Striatum morphometry ასოცირდება შემეცნებითი კონტროლის დეფიციტი და სიმპტომია სიმძიმის ინტერნეტ სათამაშო არეულობის. ტვინის გამოსახულება Behav. (2016) 10: 12-20. 10.1007 / s11682-015-9358-8 [PubMed] [ჯვრის Ref]
33. პარკი C, Chun JW, Cho H, Jung YC, Choi J, Kim DJ. არის თუ არა ინტერნეტით აზარტული თამაშების ტვინი პათოლოგიურ მდგომარეობაში? ნარკომანი ბიოლი. (2017) 22: 196 – 205. 10.1111 / adb.12282 [PubMed] [ჯვრის Ref]
34. კუს დიჯეი, გრიფითსი MD. ინტერნეტ თამაშების დამოკიდებულება: ემპირიული კვლევების სისტემატური მიმოხილვა. Int J Ment Health Addict. (2012) 10: 278 – 96. 10.1007 / s11469-011-9318-5 [ჯვრის Ref]
35. Castellanos FX, Di Martino A, Craddock RC, Mehta AD, Milham MP. ფუნქციური კეროტომიის კლინიკური პროგრამები. ნეიროვიზიუმი (2013) 80: 527 – 40. 10.1016 / j.neuroimage.2013.04.083 [PMC უფასო სტატია] [PubMed] [ჯვრის Ref]
36. Tollenaar N, Van Der Heijden P. რომელი მეთოდი პროგნოზირებს რეციდივიზმს საუკეთესოდ ?: სტატისტიკური, მანქანათმცოდნეობისა და მონაცემთა მოპოვების პროგნოზირების მოდელების შედარება. J Roy Stat Soc Ser A (2013) 176: 565 – 84. 10.1111 / j.1467-985X.2012.01056.x [ჯვრის Ref]