Discriminéiere pathologesch an netpatologesch Internet Gameren benotze Sparse Neuroanatomie (2018)

Chang-hyun Park,¹ Ji-Won Chun,¹ Hyun Cho,^1,2 an Dai-Jin Kim^1,*

Internet Gaming Stéierungen (IGD) gëtt dacks diagnostizéiert op Basis vun néng Basiskriterien aus der leschter Versioun vum Diagnostic and Statistical Manual of Mental Disorders (DSM-5). Hei hu mir iwwerpréift ob esou Symptom-baséiert Kategoriséierung an Berechnungsbaséiert Klassifikatioun iwwersat ka ginn. Strukturell MRI (sMRI) an Diffusiounsgewiicht MRI (dMRI) Daten goufen an 38 Gameren opkaf, déi mat IGD diagnostizéiert goufen, 68 normal Gameren diagnostizéiert als keng IGD, an 37 gesond Net-Gameren. Mir generéiert 108 Feature vu groer Matière (GM) a wäisser Matière (WM) Struktur aus de MRI Daten. Wann d'regulierte logistesch Regressioun op déi 108 neuroanatomesch Features applizéiert gouf fir wichteg fir den Ënnerscheed tëscht de Gruppen ze wielen, goufen déi gestéiert an normal Gameren a punkto 43 respektiv 21 Features vertruede par rapport zu de gesonde Net-Gameren, wärend de gestéiert Spiller waren am Sënn vun 11 Fonctiounen par rapport zu den normale Spiller vertrueden. An Ënnerstëtzung Vecteure Maschinnen (SVM) déi spatzen neuroanatomical Fonctiounen als Viraussetzunge benotzt, goufen déi gestéiert an normal Gameren erfollegräich diskriminéiert, mat Genauegkeet méi wéi 98%, vun de gesonden Net-Gameren, awer d'Klassifikatioun tëscht de gestéierten an normalen Gameren war relativ Erausfuerderung. Dës Erkenntnisser suggeréieren datt pathologesch an net-pathologesch Gameren wéi kategoriséiert mat de Critèrë vum DSM-5 duerch sparse neuroanatomesch Feature vertruede kënne ginn, besonnesch am Kontext vun der Diskriminatioun vun deenen aus net-gaming gesonden Individuen.

Participanten

Ënnert 237 Participanten déi Internet-baséiert Spiller spillen, goufen 106 Individuen ausgewielt andeems se déi ausgeschloss hunn, déi e Mëssverständnis tëscht dem selbstberichterten IGDS an engem strukturéierten Interview mat engem klineschen Psycholog an der Diagnostik vun IGD ausgezeechent hunn oder vermësst oder schwéier verzerrt Gehir Imaging Daten hunn. Op der Basis vun der IGDS, 38 Individuen (27.66 ± 5.61 Joer; 13 Weibercher) déi op d'mannst fënnef IGDS Elementer zefridden hunn, goufen als gestéiert Gameren bezeechent an 68 Individuen (27.96 ± 6.41 Joer; 21 Weibercher) déi maximal een IGDS Element zefridden hunn. normal Spiller. Eenzelpersounen, déi IGDS Elementer tëscht zwee a véier zefridden hunn, goufen och ausgeschloss, well se als eng aner Klass tëscht de gestéierten an normale Spiller ënnerscheeden kënnen (12). Zousätzlech goufen 37 Individuen (25.86 ± 4.10 Joer; 13 Weibercher) déi net Internet-baséiert Spiller spillen, getrennt rekrutéiert a si goufen als gesond Net-Gamer bezeechent. D'Feele vu Komorbiditéiten an all Participanten gouf bestätegt. Schrëftlech informéiert Zoustëmmung gouf vun all Participanten am Aklang mat der Deklaratioun vun Helsinki a seng spéider Amendementer kritt, an d'Etude gouf vum Institutional Review Board am Seoul St. Mary's Hospital, Seoul, Korea guttgeheescht.

Acquisitioun vun MRI Daten

Strukturell MRI (sMRI) an Diffusioun-gewiicht MRI (dMRI) Daten goufen mat engem 3 T MAGNETOM Verio System (Siemens AG, Erlangen, Däitschland) gesammelt. D'Acquisitioun vu sMRI-Daten gouf mat enger magnetiséierungspreparéierter rapider Gradient-Echo-Sequenz duerchgefouert: Zuel vu Scheiwen am sagittale Plang = 176, Slicedicke = 1 mm, Matrixgréisst = 256 × 256, an In-plane Resolutioun = 1 × 1 mm . Fir d'Acquisitioun vun dMRI Daten, Diffusioun Gradient Kodéierung war an 30 Richtungen gesuergt mat b = 1,000 s/mm² an eng Single-Shot Echo-Planar Imaging Sequenz gouf benotzt: Zuel vun de Scheiwen am axialen Plang = 75, Slicedicke = 2 mm, Matrixgréisst = 114 × 114, an In-plane Resolutioun = 2 × 2 mm.

Veraarbechtung vun MRI Daten

Tools abegraff am CAT12 (http://www.neuro.uni-jena.de/cat/) goufen benotzt fir sMRI Daten ze veraarbecht. D'Gehirvolumenbild gouf a verschidde Stoffer segmentéiert, dorënner GM, WM, a Corticospinal Flëssegkeet wéi och raimlech op e Referenzgehir am Standardraum registréiert. An der Voxel-baséierter Morphometrie (VBM) gouf de Voxel-weise GM Volumen geschätzt andeems d'Wahrscheinlechkeet GM duerch de Volume vun engem Voxel multiplizéiert gëtt, an duerno goufen dës Wäerter duerch den Total intrakranialen Volumen gedeelt fir individuell Differenzen am Kappvolumen unzepassen. An der Uewerflächebaséierter Morphometrie (SBM) gouf d'kortikale Dicke mat der Projektiounsbaséierter Dickemethod geschätzt (13).

Veraarbechtung vun dMRI Daten

Tools abegraff an FSL 5.0 (http://fsl.fmrib.ox.ac.uk/fsl/) goufen agestallt fir dMRI Daten ze veraarbecht. All Biller goufen op d'Null-Bild erfaasst mat nei ausgeriicht b = 0 s/mm² fir Eddy Stroum-induzéiert Verzerrungen a Kappbewegung ze korrigéieren. A Diffusioun Tensor gouf op all Voxel am Gehir modelléiert, an Diffusioun Tensor-ofgeleet Parameteren, dorënner fraktionell Anisotropie (FA), Mëtt Diffusivitéit (MD), axial diffusivity (AD), an Radial diffusivity (RD), goufen berechent; Gëtt dräi diffusivities laanscht verschidden Achse vun engem Diffusioun tensor, FA war als Quadratwurzel vun der Zomm vun de Quadraten vun diffusivity Differenzen tëscht den dräi Achsen berechent, MD als Moyenne diffusivity iwwer déi dräi Achsen, AD als gréisste diffusivity laanscht d'Haaptachs , an RD als Moyenne vun diffusivities laanscht zwou kleng Achsen. Benotzt Trakt-baséiert Raumstatistiken (TBSS) (14) am FSL 5.0 ëmgesat, d'Kaarten vun Diffusioun tensor-ofgeleet Parameteren sech raimlech zu engem Referenz Gehir am Standard Raum registréiert, a si goufen dann op engem WM TRACT Skelett projizéiert.

Feature Generatioun

Zwee grouss Schrëtt fir e Klassifikatiounsmodell ze designen sinn Feature Generatioun a Selektioun. Mir generéiert Features vun der Neuroanatomie, speziell de Volume an d'Dicke vun enger Rei vu GM Regiounen an d'Integritéit an d'Diffusivitéit vun enger Rei vu WM-Trakten. No der Schätzung vum GM Volumen an d'kortikale Dicke als voxel-weise Kaarten, déi vu VBM a SBM respektiv erfaasst goufen, goufen d'Parameteren fir jiddereng vun 60 GM Regiounen bewäert (Tabelle) S1), parzelléiert wéi am Hammers Atlas (15), wéi den Duerchschnëtt iwwer all Voxel dran. Nodeems d'Diffusioun tensor-ofgeleet Parameteren geschätzt hunn, dorënner FA, MD, AD, an RD als voxel-schlau Kaarten op dem WM-Tract Skelett, deen aus TBSS kaaft gouf, goufen d'Parameteren fir jiddereng vun den 48 WM-Trakten berechent (Tabelle). S2), parzelléiert wéi am ICBM DTI-81 Atlas (16), wéi den Duerchschnëtt iwwer all Voxel dran. Zesummegefaasst, betruecht mir zwee Parameteren vun GM a véier Parameteren vun WM, déi aacht Kombinatioune vun GM an WM Parameteren. Fir all Kombinatioun vun GM an WM Parameteren, Parameter Wäerter vun 60 GM Regiounen an 48 WM tracts zesummegesat insgesamt 108 neuroanatomical Fonctiounen.

Feature Selektioun duerch regulariséierter Regressioun

D'Zuel vun de Fonctiounen ze reduzéieren ass wichteg, besonnesch fir Daten mat enger grousser Zuel vu Fonctiounen an enger limitéierter Unzuel vun Observatiounen. Déi limitéiert Unzuel vun Observatioune par rapport zu der Unzuel vun de Fonctiounen kann zu Iwwerfitting zum Kaméidi féieren, a Regulariséierung ass eng Technik déi et erméiglecht d'Iwwerfitting ze reduzéieren oder ze vermeiden andeems zousätzlech Informatioun oder Aschränkungen op e Modell aféieren. Well all vun den 108 Features vläicht net nëtzlech an néideg Informatioun fir d'Klassifikatioun enthalen, hu mir e spatzen Set vu Features ausgewielt andeems mir e reguläre Regressioun applizéieren. Besonnesch den lasso (17) an elastescht Netz (18) goufen fir regulariséierter logistescher Regressioun benotzt. De Lasso enthält e Strofbegrëff, oder e Reguléierungsparameter, λ, deen d'Gréisst vun de Koeffizientschätzungen an engem logistesche Regressiounsmodell beschränkt. Well eng Erhéijung vun λ zu méi nullwäertege Koeffizienten féiert, bitt de Lasso e reduzéierte logistesche Regressiounsmodell mat manner Prädiktoren. Den elastesche Netz produzéiert och e reduzéierte logistesche Regressiounsmodell andeems Koeffizienten op Null setzen, besonnesch andeems en Hybrid Regulariséierungsparameter vun der Lasso a Ridge Regressioun enthält, d'Limitatioun vum Lasso bei der Behandlung vun héich korreléierte Prädiktoren iwwerwannen (19).

Fir d'Klassifikatioun tëscht all Pair vun den dräi Gruppen, hu mir de Lasso an den elastesche Netz applizéiert fir wichteg Prädiktoren tëscht den 108 neuroanatomesche Funktiounen an engem logistesche Regressiounsmodell ze identifizéieren. Déi 108 Feature vun all Individuen an all Pair vun den dräi Gruppen goufen standardiséiert fir eng Datematrix ze komponéieren, A, an deem all Zeil eng Observatioun duerstellt an all Kolonn e Prädiktor duerstellt. Fir d'Effekter vum Alter a Geschlecht vun Individuen op d'GM- a WM-Parameteren ze korrigéieren, eng Reschtbildungsmatrix, R, gouf generéiert: R = I-C(C^TC)^-1C wou I war eng Identitéit Matrixentgasung an C war eng Matrixkodéierung déi Kovariate vum Alter a Geschlecht konfuséiert. Et gouf dann applizéiert A fir Reschter ze kréien nodeems se déi konfoundéierend Kovariaten zréckgezunn hunn: X = RA.

Mat der ugepasster Datematrix, X, an d'Äntwert, Y, déi zwou Klassen vun Individuen kodéiert, 10-fach Kräizvalidatioun (CV) gouf benotzt fir no engem Regulariséierungsparameter ze sichen, λ_MinErr, déi de Mindestfehler a punkto Ofwäichung zur Verfügung gestallt huet, definéiert als negativ Log-Wahrscheinlechkeet fir den getestene Modell duerchschnëttlech iwwer d'Validatiounsfalten. Alternativ, well eng CV Curve Feeler bei all λ getest huet, e Reguléierungsparameter, λ_1SE, dat gouf bannent engem Standardfehler vum Minimum CV Feeler an der Richtung vun der Erhéijung vun der Regulariséierung vum λ fonnt_MinErr gouf och ugesinn. Dat ass, méi sparser Features goufen um λ ausgewielt_1SE, Wärend spatzen Features bei λ bestëmmt goufen_MinErr. Dës Prozedur fir e regulariséierte logistesche Regressiounsmodell mat manner Prädiktoren ze sichen gouf fir all Kombinatioun vun GM a WM Parameteren widderholl, déi 108 neuroanatomesch Features enthalen.

Leeschtung vun ausgewielt Funktiounen

Fir d'Nëtzlechkeet vun de spatzen a spatzen Features ze bewäerten, gouf d'Performance tëscht dem Modell mat enger reduzéierter Unzuel u Features verglach an dem Modell mat all den 108 Features an Support Vecteure Maschinnen (SVMs) andeems d'Receiver Operatiounskarakteristik (ROC) Curve gemooss gouf. Mat engem linearem Kernel als Kernelfunktioun an Hyperparameter optiméiert duerch fënneffach CV, gouf e SVM fir all Individuen an all Paar vun den dräi Gruppen trainéiert. D'Gebitt ënner der ROC Curve (AUC) gouf fir all Modell als quantitativ Moossnam vu senger Leeschtung berechent. DeLong Tester (20) goufen agestallt fir d'AUC tëscht all Pair vu Modeller ze vergläichen. Wann d'AUC sech bei engem ënnerscheet p-Wäert vun 0.05, Leeschtung gouf als net vergläichbar an zwee Modeller ugesinn.

Klassifikatioun Genauegkeet

Schematesch Prozedure vun der Generatioun an der Auswiel vu Features bis zum Bau vu Klassifikatiounsmodeller ginn an der Figur presentéiert Figure1.1. Fir all Paar vun den dräi Gruppen goufen SVM Klassifikatiounsmodeller generéiert mat de gewielte Featuren als Prädiktoren. Mir hunn d'Genauegkeet vun de Klassifikatiounsmodeller bewäert andeems mir e verloossen-een-eraus CV Schema beschäftegen, sou datt d'Out-of-Sample-Klassifikatiounsgenauegkeet fir all lénks-eraus Individuum berechent gouf an da gouf et iwwer all Individuen duerchschnëttlech. D'statistesch Bedeitung vun der Genauegkeet gouf geschat andeems se Permutatiounstester benotzt. Eng empiresch Nullverdeelung fir Klassifizéierung tëscht all Pair vun den dräi Gruppen gouf generéiert andeems d'Etiketten vun Individuen ëmmer erëm permutéiert ginn an d'Genauegkeet mat de permutéierten Etiketten gemooss gëtt. Wann d'Genauegkeet gemooss fir déi onerlaabt Etiketten méi héich war wéi oder gläich wéi d'Nullverdeelung bei a p-Wäert vun 0.05, datt däitlech anescht aus dem Chance Niveau bestëmmt gouf (Genauegkeet = 50%). Zousätzlech gouf eng Verwirrungsmatrix visualiséiert fir d'Sensibilitéit an d'Spezifizitéit iwwer den Ënnerscheed tëscht all Pair vun den dräi Gruppen ze beschreiwen.

Funktioun Selektioun

Zuelen Figure22 weist ausgewielte Fonctiounen ënnert den 108 Fonctiounen mat hire Koeffizient Schätzungen, an Table Table11 beschreift d'Zesummenhang passende Informatioun vum regulariséierte logistesche Regressiounsmodell fir d'Klassifikatioun tëscht all Paar vun den dräi Gruppen. Zousätzlech, Figur S1 weist wéi λ de Minimum CV Feeler erginn huet a wéivill Features bei λ ausgewielt goufen_1SE sou wéi op λ_MinErr. De Minimum CV Feeler gouf an der Feature Selektioun vum Lasso (Lasso Gewiicht = 1) fir d'Klassifikatioun tëscht de gesonden Net-Gameren an normale Spiller an duerch den elastesche Netz (Lasso Gewiicht = 0.5) fir déi aner Klassifikatioun kritt.

An der Diskriminatioun vun de gestéierte Spiller vun de gesonden Net-Gameren, 43 Features ausgewielt bei λ_MinErr besteet aus der Dicke vun 24 GM Regiounen an der FA vun 19 WM Trakter, an 34 Features ausgewielt op λ_1SE besteet aus der Dicke vu 15 GM Regiounen an der FA vun 19 WM Traktere. Am Ënnerscheed vun den normale Spiller vun de gesonden Net-Gameren, 21 Features ausgewielt op λ_MinErr besteet aus der Dicke vun 12 GM Regiounen an der RD vun 9 WM Trakter, an 12 Features ausgewielt op λ_1SE besteet aus der Dicke vu 6 GM Regiounen an der RD vu 6 WM Trakter. An der Klassifikatioun tëscht de gestéierten an normale Spiller, 11 Features ausgewielt op λ_MinErr enthält de Volume vu 7 GM Regiounen an den MD vu 4 WM Trakter, an eng Feature ausgewielt op λ_1SE entsprécht dem Volume vun enger GM Regioun.

Leeschtung vun ausgewielt Funktiounen

Tëscht dem Modell mat enger reduzéierter Zuel vu Featuren an dem Modell mat all den 108 Features, war d'Performance vergläichbar wat d'AUC ugeet an der Diskriminatioun tëscht all Typ vun de Gameren an de gesonden Net-Gameren vun SVMs (Figure) (Figure3) .3). An der Klassifikatioun tëscht de gestéierten an normalen Gameren ass de Modell mat de Funktiounen entweder op λ ausgewielt_MinErr (AUC = 0.83, p = 0.006) oder bei λ_1SE (AUC = 0.72, p <0.001) huet méi schlecht Leeschtung gewisen wéi de Modell mat all den 108 Features (AUC = 0.90).

Klassifikatioun Genauegkeet

An der Klassifikatioun vun SVMs mat de Funktiounen, déi um λ ausgewielt ginn_MinErr, Genauegkeet war méi wéi 98%, wesentlech méi héich wéi de Chanceniveau (p <0.001), am Ënnerscheed vun all Typ vun de Spiller vun de gesonden Net-Gameren (Figure (Figure4A) .4A). Genauegkeet war nach ëmmer wesentlech méi héich wéi de Chanceniveau (p = 0.002) awer esou niddereg wéi 69.8% an der Klassifikatioun tëscht de gestéierten an normale Spiller, speziell niddereg Sensibilitéit (47.4%) an der korrekter Identifikatioun vun de gestéierten Gameren. D'Sparser Features bestëmmt bei λ_1SE ähnlech Leeschtung ausgestallt (Figur (Figure 4B) 4B) awer huet vill manner Sensibilitéit (2.6%) am korrekten Ënnerscheed vun de gestéierte Spiller vun den normale Spiller gewisen.

Konflikt vun der Interessenerklärung

D'Auteuren deklaréieren datt d'Fuerschung an der Verôffentlechung vu kommerziellen oder finanzielle Bezéiungen, déi als potenzielle Konflikt vun Interesse entwéckelt ginn kënne gemaach ginn.

Finanzéierungen. Dës Fuerschung gouf ënnerstëtzt vum Brain Science Research Programm duerch d'National Research Foundation of Korea (NRF) finanzéiert vum Ministère fir Wëssenschaft an ICT a Korea (NRF-2014M3C7A1062893).