Nediskriminaciniai patologiniai ir ne patologiniai interneto žaidėjai, naudojantys retas neuroanatomines savybes (2018)

. 2018; 9: 291.

Paskelbta internete 2018 birželis 29. doi:  10.3389 / fpsyt.2018.00291

PMCID: PMC6033968

PMID: 30008681

Abstraktus

Interneto žaidimų sutrikimas (IGD) dažnai diagnozuojamas pagal devynis pagrindinius kriterijus pagal naujausią psichikos sutrikimų diagnostikos ir statistikos vadovo (DSM-5) versiją. Čia ištyrėme, ar toks simptominis klasifikavimas gali būti perkeltas į skaičiavimais pagrįstą klasifikaciją. Struktūriniai MRI (sMRI) ir difuzijos svertiniai MRI (dMRI) duomenys buvo gauti 38 žaidėjams, kuriems diagnozuota IGD, 68 normalūs žaidėjai, kuriems diagnozuota IGD, ir 37 sveiki ne žaidėjai. Iš MRI duomenų sukūrėme pilkosios medžiagos (GM) ir baltos medžiagos (WM) struktūros 108 savybes. Kai 108 neuroanatominėms funkcijoms buvo pritaikytos reguliuojamos logistinės regresijos, norint išskirti svarbias grupes, netvarkingi ir normalūs žaidėjai buvo reprezentuoti pagal 43 ir 21 savybes, palyginti su sveikais ne žaidėjais, tuo tarpu netvarkingi žaidėjai buvo reprezentuojami pagal 11 funkcijas, palyginti su įprastais žaidėjais. Pagalbinių vektorių mašinose (SVM), naudojant retas neuroanatomines savybes, kaip nuspėjamieji, netvarkingi ir normalūs žaidėjai buvo sėkmingai diskriminuojami, o tikslumas viršijo 98%, sveikiems ne žaidėjams, tačiau netinkamų ir normalių žaidėjų klasifikacija buvo gana sudėtinga. Šie rezultatai rodo, kad patologiniai ir ne patologiniai žaidėjai, suskirstyti į kategorijas pagal DSM-5 kriterijus, gali būti rodomi retais neuroanatominiais požymiais, ypač diskriminuojant nesusijusių sveikų asmenų asmenis.

Raktiniai žodžiai: interneto žaidimų sutrikimas, diagnostinė klasifikacija, struktūrinis MRT, difuzijos svertinis MRT, reguliuojama regresija

Įvadas

Nors buvo pasiūlyta kaip patologinė priklausomybė dešimtmečius (), tik neseniai internetinis žaidimų sutrikimas (IGD) buvo įtrauktas į diagnostikos ir statistinį psichikos sutrikimų vadovą (DSM). Penktasis DSM (DSM-5) leidimas () nustatė, kad IGD yra tolesnės studijos sąlyga, ir nustatė devynis jos diagnozavimo kriterijus. Po simptomų pagrįsto klasifikavimo, naudojant devynių punktų IGD skalę (IGDS), pasiūlytą DSM-5, IGD diagnozei buvo taikoma penkių ar daugiau kriterijų patyrimo riba. Nors šis ribinis taškas gali tinkamai atskirti žaidėjus, kurie patiria didelių klinikinių sutrikimų (), IGDS elementų dichotominis pobūdis neišvengiamai susijęs su diagnostiniu pernelyg supaprastinimu arba neaiškumu.

Be simptomų, dažniausiai pastebimi įvairūs su IGD susiję sutrikimai, o ne neuroanatominiai pokyčiai. Iš tiesų, didelė dalis darbo parodė, kad IGD yra susijęs su struktūriniais smegenų pokyčiais: pilkosios medžiagos (GM) kiekio sumažėjimas (-), žievės storio sumažėjimas () ir baltos medžiagos (WM) vientisumo praradimas (, ) paprastai buvo įrodyta. Šie neuroanatominiai pokyčiai, susiję su IGD, rodo, kad tokie smegenų vaizdavimo parametrai gali būti biomarkeriai, skirti atskirti asmenis, turinčius IGD, nuo kitų asmenų. Tai reiškia, kad IGD diagnozė gali būti atliekama naudojant neuroanatominių biomarkerių skaičiavimo manipuliaciją, o ne pagal simptomus grindžiamą klasifikaciją pagal DSM-5. Šie bandymai gali atitikti pastangas pereiti nuo aprašomosios diagnozės, naudojant skaičiavimo metodus psichiatrijai (), konkrečiai į duomenis orientuotus metodus, pagrįstus mašininiu mokymu (ML), siekiant išspręsti psichikos \ t).

Šiame tyrime ieškojome sąsajos tarp simptomų pagrįstos klasifikacijos pagal IGDS ir skaičiavimais pagrįstą klasifikaciją, naudojant IGD diagnozę naudojant neuroanatominius biomarkerius. Kadangi kai kurie GM ir WM smegenų komponentai gali apimti nereikalingą arba nereikšmingą diagnostinės klasifikacijos informaciją, mes siekėme pasirinkti retas neuroanatomines savybes, naudojant reguliuojamą regresiją. Mes hipotetėme, kad simptomų pagrindu suskirstymas gali būti pateikiamas retų neuroanatominių savybių, kurios sudarytų klasifikavimo modelius IGD diagnozei, požiūriu. Manoma, kad patologiniai žaidėjai, kuriems diagnozuota IGD, yra skirtingesni nei sveikų sveikų žmonių, nei lošėjai, nei žaidėjai, kuriems diagnozuota IGD, ty ne patologiniai žaidėjai; taigi patologiniai žaidėjai gali būti apibūdinami su didesniu savybių skaičiumi, palyginti su ne patologiniais žaidėjais, palyginti su sveikais sveikais asmenimis, kurie nėra žaidžiami. Be to, norėjome nuspręsti, ar ne patologiniai žaidėjai gali būti mažiau išskiriami nuo patologinių žaidėjų ar sveikų žmonių, kurie neturi žaidimų. Ne patologiniai žaidėjai gali būti neabejotinai artimi šalia sveikų žmonių, kurie nėra žaidžiami aprašomųjų simptomų požiūriu, tačiau manėme, kad tokia sąvoka turi būti patvirtinta skaičiavimo pagrindu.

medžiagos ir metodai

Dalyviai

Tarp „237“ dalyvių, žaidžiančių internetinius žaidimus, „106“ asmenys buvo atrinkti išbraukiant tuos, kurie parodė neatitikimą tarp savarankiškai praneštų IGDS ir struktūrizuoto pokalbio su klinikiniu psichologu IGD diagnozavimo metu arba praleido arba smarkiai iškraipė smegenų vaizdavimo duomenis. Pagal IGDS, 38 asmenis (27.66 ± 5.61 metai; 13 moterys), kurie patenkino ne mažiau kaip penkis IGDS elementus, buvo pažymėti netvarkingi žaidėjai ir 68 asmenys (27.96 ± 6.41 metai; 21 moterys), kurie patenkino ne daugiau kaip vieną IGDS elementą žaidėjai. Asmenys, kurie patenkino IGDS elementus nuo dviejų iki keturių, taip pat buvo atmesti, nes jie gali būti suvokiami kaip kita klasė tarp netvarkingų ir įprastų žaidėjų (). Be to, atskirai buvo įdarbinti 37 asmenys (25.86 ± 4.10 metų; 13 moterų), kurie nežaidė internetinių žaidimų, ir jie buvo paženklinti sveikais, ne žaidėjais. Patvirtinta, kad visiems dalyviams nėra gretutinių ligų. Rašytinis informuotas visų dalyvių sutikimas buvo gautas pagal Helsinkio deklaraciją ir vėlesnius jos pakeitimus, o tyrimą patvirtino Seulo Šv. Marijos ligoninės (Seulas, Korėja) Institucijų peržiūros taryba.

MRT duomenų įsigijimas

Struktūriniai MRI (sMRI) ir difuzijos svertiniai MRI (dMRI) duomenys buvo renkami naudojant 3 T MAGNETOM Verio sistemą (Siemens AG, Erlangen, Vokietija). SMRI duomenų gavimas buvo atliktas naudojant magnetizacijos būdu paruoštą greito gradiento echo seką: griežinėlių skaičius sagitinėje plokštumoje = 176, pjūvio storis = 1 mm, matricos dydis = 256 × 256 ir plokštumos skiriamoji geba = 1 × 1 mm . Norėdami gauti dMRI duomenis, difuzijos gradiento kodavimas buvo atliktas 30 kryptimis su b = 1,000 s / mm2 ir buvo naudojama vienkartinio echo-planarinė vaizdo seka: pjūvių skaičius ašinėje plokštumoje = 75, pjūvio storis = 2 mm, matricos dydis = 114 × 114 ir plokštumos skiriamoji geba = 2 × 2 mm.

MRI duomenų apdorojimas

Įrankiai įtraukti į „CAT12“ (http://www.neuro.uni-jena.de/cat/) buvo panaudoti sMRI duomenims apdoroti. Smegenų tūrio vaizdas buvo suskirstytas į skirtingus audinius, įskaitant GM, WM ir kortikosterininį skystį, taip pat erdviškai užregistruotas į standartinę smegenis standartinėje erdvėje. Vokselio pagrindu veikiančioje morfometrijoje (VBM), vokelio GM kiekis buvo įvertintas dauginant tikimybę, kad GM yra tūrio tūris, ir tada šios vertės buvo padalintos iš viso intrakranijinio tūrio, kad būtų galima reguliuoti individualius galvos tūrio skirtumus. Paviršiaus morfometrijoje (SBM), žievės storis buvo įvertintas pagal projekcijos pagrindu nustatytą storio metodą ().

DMRI duomenų apdorojimas

Įrankiai įtraukti į „FSL 5.0“ (http://fsl.fmrib.ox.ac.uk/fsl/) buvo naudojami dMRI duomenų apdorojimui. Visi vaizdai buvo perorientuoti į nulinį vaizdą b = 0 s / mm2 koreguoti sūkurinių srovių sukeltus iškraipymus ir galvos judėjimą. Difuzijos tenzorius buvo modeliuojamas kiekviename vokse, esančiame smegenyse, ir apskaičiuoti difuzijos tenzoriniai parametrai, įskaitant frakcinę anizotropiją (FA), vidutinę difuziją (MD), ašinę difuziją (AD) ir radialinę difuziją (RD); 3 difuzijos skirtingose ​​difuzijos tenzoriaus ašyse, FA buvo apskaičiuota kaip kvadratinė šaknis iš difuzijos skirtumų tarp trijų ašių sumos, MD kaip vidutinė difuzija trijose ašyse, AD kaip didžiausia difuzija išilgai pagrindinės ašies ir RD kaip difuzijos vidurkis išilgai dviejų mažų ašių. Naudojant erdvinės erdvės statistiką (TBSS) (), įgyvendinta FSL 5.0, difuzijos tenzorinių parametrų žemėlapiai buvo standartiškai užregistruoti etaloninėms smegenims standartinėje erdvėje, ir tada jie buvo projektuojami ant WM trakto karkaso.

Funkcijos karta

Du pagrindiniai žingsniai kuriant klasifikavimo modelį yra funkcijų generavimas ir pasirinkimas. Sukūrėme neuroanatomijos savybes, būtent GM regionų rinkinio tūrį ir storį bei WM trasų rinkinio vientisumą ir difuziją. Įvertinus GM tūrį ir žievės storį kaip VxM ir SBM gautus vokelinius žemėlapius, parametrai buvo įvertinti kiekvienam 60 GM regionui (lentelė S1), suskirstyta kaip „Hammer atlas“ (), kaip vidurkį visuose vokseliuose. Įvertinę difuzijos tenzoriaus parametrus, įskaitant FA, MD, AD ir RD, kaip voxel-wise žemėlapius ant WM trakto skeleto, gauto iš TBSS, parametrai buvo apskaičiuoti kiekvienam 48 WM traktui (lentelė S2), suskirstyta pagal ICBM DTI-81 atlasą (), kaip vidurkį visuose vokseliuose. Apibendrinant, svarstėme du GM parametrus ir keturis WM parametrus, kurie davė aštuonis GM ir WM parametrų derinius. Kiekvienam GM ir WM parametrų deriniui 60 GM regionų ir 48 WM trasų parametrų reikšmės sudarė iš viso 108 neuroanatominių savybių.

Funkcijos pasirinkimas reguliariai regresuojant

Svarbu sumažinti funkcijų skaičių, ypač duomenų, turinčių daug funkcijų ir ribotą stebėjimų skaičių. Ribotas stebėjimų skaičius, susijęs su savybių skaičiumi, gali sukelti pernelyg didelį triukšmo lygį, ir reguliavimas yra metodas, leidžiantis sumažinti arba užkirsti kelią perpildymui, įvedant papildomą informaciją ar apribojimus modeliui. Kadangi visos 108 funkcijos gali neturėti naudingos ir būtinos informacijos klasifikavimui, mes pasirinkome retą funkcijų rinkinį, taikydami reguliuojamą regresiją. Konkrečiai, laso () ir elastinis tinklas () buvo naudojami reguliariai logistinei regresijai. Lazo sudėtyje yra bausmės terminas arba normalizavimo parametras λ, kuris apriboja koeficientų skaičiavimų dydį logistinės regresijos modelyje. Kadangi λ padidėjimas nulemia daugiau nulinės vertės koeficientų, lašas suteikia sumažintą logistinės regresijos modelį su mažiau prognozuotojų. Elastinis tinklas taip pat sukuria sumažintą logistinės regresijos modelį, nustačius koeficientus nuliui, ypač įtraukiant hibridinį lazerio ir kraigo regresijos parametrą, įveikdamas lazo ribojimą gydant labai koreliuojamus prognozes ().

Klasifikavimui tarp kiekvienos trijų grupių poros taikėme lazo ir elastinį tinklą, kad logistinės regresijos modelyje būtų nustatyti svarbūs 108 neuroanatominių savybių prognozatoriai. Visų trijų grupių porų visų asmenų 108 savybės buvo standartizuotos, kad sudarytų duomenų matricą, A, kurioje kiekviena eilutė reprezentuoja vieną stebėjimą, o kiekviena stulpelis - vieną numatiklį. Norint ištaisyti asmens amžiaus ir lyties poveikį GM ir WM parametrams, reikia nustatyti liekamąją formavimo matricą, R, buvo sukurta: R = I-C(CTC)-1C kur I buvo tapatybės matrica ir C buvo matrica, koduojanti amžiaus ir lyties kovariacijas. Tada jis buvo taikomas A gauti susikaupusių kovariančių: X = RA.

Atsižvelgiant į koreguotą duomenų matricą, X, ir atsakymą, Y, kad kodavo dvi asmenų grupes, 10 kartų kryžminis patvirtinimas (CV) buvo naudojamas sureguliuoti parametrą, λMinErr, kuri suteikė minimalią paklaidos klaidą, apibrėžtą kaip neigiamo tikrinimo modelio logaritminės tikimybės, apskaičiuotos pagal patvirtinimo raukšles. Arba, kadangi CV kreivė turi klaidų kiekviename λ išbandytame λ, normalizavimo parametras λ1SE, tai buvo nustatyta vienoje minimalios CV klaidos standartinėje paklaidoje didėjančio reguliavimo iš λ kryptimiMinErr taip pat buvo svarstoma. Tai reiškia, kad λ pasirinko sparsesnes funkcijas1SE, o retos savybės buvo nustatytos λMinErr. Ši procedūra, kaip ieškoti reguliuojamo logistinio regresijos modelio su mažiau prognozuotojų, buvo pakartota kiekvienam GM ir WM parametrų deriniui, apimančiam 108 neuroanatomines savybes.

Pasirinktų funkcijų vykdymas

Siekiant įvertinti retų ir mažesnių savybių naudingumą, modelis buvo lyginamas su modeliu su sumažintu funkcijų skaičiumi ir modeliu su visomis 108 funkcijomis palaikomųjų vektorių mašinose (SVM), matuojant imtuvo veikimo charakteristikos (ROC) kreivę. Linijinė branduolys kaip branduolio funkcija ir hiperparametrai, optimizuoti penkių kartų CV, kiekvienam trijų grupių poroms buvo išmokytas SVM. Plotas po ROC kreive (AUC) buvo apskaičiuotas kiekvienam modeliui kaip kiekybinis jo veikimo matas. DeLong testai () buvo panaudoti AUC lyginimui tarp kiekvienos modelių poros. Kai AUC buvo a p0.05 reikšmė, dviem modeliais buvo laikoma, kad našumas nėra palyginamas.

Klasifikavimo tikslumas

Scheminės procedūros nuo požymių kūrimo ir parinkimo iki klasifikavimo modelių konstravimo pateiktos 1 paveiksle Figure1.1. Kiekvienai trijų grupių porai SVM klasifikavimo modeliai buvo sukurti naudojant pasirinktas funkcijas kaip prognozes. Mes įvertinome klasifikavimo modelių tikslumą, panaudodami palikimo-vieno išėjimo CV schemą, kad kiekvienam išeinančiam asmeniui būtų apskaičiuotas ne mėginio klasifikavimo tikslumas, o tada jis buvo vidurkintas visiems asmenims. Statistinis tikslumo reikšmingumas įvertintas taikant permutacijos testus. Empirinis nulinis pasiskirstymas tarp kiekvienos trijų grupių poros buvo sukurtas pakartotinai permutuojant atskirų asmenų etiketes ir matuojant tikslumą, susijusį su permédinėmis etiketėmis. Kai nepatvirtintų etikečių tikslumas buvo didesnis arba lygus nuliniam paskirstymui a p0.05 reikšmė, kuri, kaip nustatyta, labai skiriasi nuo tikimybės lygio (tikslumas = 50%). Be to, buvo matoma painiavos matrica, kad būtų apibūdintas jautrumas ir specifiškumas, atsižvelgiant į kiekvieno trijų grupių porų skirtumą.

 

Išorinis failas, kuriame yra paveikslėlis, iliustracija ir tt Objekto pavadinimas yra fpsyt-09-00291-g0001.jpg

Scheminės procedūros nuo neuroanatominių požymių kūrimo ir atrankos iki netvarkingų žaidėjų (GD) ir sveikų ne žaidėjų (HN) klasifikavimo modelių, tarp įprastų žaidėjų (NG) ir HN, ir tarp GD ir NG. GM, pilka medžiaga; WM, balta medžiaga.

rezultatai

Funkcijos pasirinkimas

Pav. Figure22 rodo pasirinktas funkcijas tarp „108“ funkcijų su jų koeficientų įvertinimais ir „Table“ Table11 apibūdina susijusią reguliuojamos logistinės regresijos modelio priskyrimo informaciją kiekvienai trijų grupių porai. Be to, pav S1 rodo, kuris λ davė minimalią CV klaidą ir kiek funkcijų buvo pasirinktos λ1SE taip pat λMinErr. Minimali CV klaida buvo gauta atliekant lazerio (lasso svoris = 1) funkcijų atranką, skirtą sveikiems ne žaidėjams ir įprastiems žaidėjams bei elastiniam tinklui (lasso svoris = 0.5) kitai klasifikacijai.

 

Išorinis failas, kuriame yra paveikslėlis, iliustracija ir tt Objekto pavadinimas yra fpsyt-09-00291-g0002.jpg

Pasirinkti neuroanatominiai ypatumai reguliuojamoje logistinėje regresijoje, siekiant klasifikuoti kiekvieną porą iš trijų grupių. Sutrikę žaidėjai (DG) buvo užkoduoti kaip 1 klasifikacijoje tarp sveikų ne žaidėjų (HN) ir DG, normalių žaidėjų (NG) kaip 1 pagal klasifikaciją tarp HN ir NG, o DG - kaip 1 pagal NG ir DG klasifikaciją. Juostos dydis nurodo atitinkamo objekto koeficiento dydį, kad būtų pasirinktos nulio lygmens koeficientų savybės. Perteiktos smegenys vaizduoja pilkosios medžiagos ir baltosios medžiagos komponentus, atitinkančius pasirinktus bruožus iš geresnio vaizdo. Raudonos arba mėlynos spalvos bruožai rodo tuos, kurie įtraukti į retesnes ypatybes, nustatytas λ1SE taip pat retomis savybėmis, nustatytomis λMinErr, o geltonos arba rausvai raudonos spalvos rodo tuos, kurie buvo įtraukti tik į retas savybes. Smegenų komponentų etiketės pateiktos lentelėse S1 ir S2. L, kairėje; R, tiesa.

Lentelė 1

Informacija apie reguliuojamos logistinės regresijos nustatymą kiekvienai trijų grupių porai.

 HN - DGHN vs NGNG prieš DG
ParametrasGMStorisStorisTalpa
 WMFARDMD
Lasso svoris0.510.5
Retos funkcijos, pasirinktos λMinErrCV klaida37.368141.7876133.3857
 Funkcijų skaičius432111
„Sparser“ funkcijos, pasirinktos λ1SECV klaida46.568150.0435141.2622
 Funkcijų skaičius34121
 

Lazo svoris rodo, ar reguliuojama logistinė regresija buvo atliekama naudojant lazerį (lasso svorį = 1) arba elastinį tinklą (lasso svoris = 0.5).

HN, sveiki ne žaidėjai; GD, netvarkingi žaidėjai; NG, normalūs žaidėjai; GM, pilka medžiaga; WM, balta medžiaga; FA, dalinė anizotropija; RD, radialinė difuzija; MD, vidutinė difuzija; CV, kryžminis patvirtinimas.

Dėl netvarkingų žaidėjų diskriminacijos iš sveikų ne žaidėjų, 43 funkcijos pasirinktos λMinErr sudarytas iš 24 GM sluoksnių storio ir 19 WM trasų FA ir 34 funkcijų, pasirinktų λ1SE sudarė 15 GM regionų ir 19 WM trinkelių FA storis. Skiriant normalius žaidėjus nuo sveikų ne žaidėjų, 21 funkcijos pasirinktos λMinErr sudarė 12 GM regionų storis ir 9 WM trakto RD ir 12 savybės, pasirinktos λ1SE sudarė 6 GM regionų storis ir 6 WM trasų RD. Klasifikuojant tarp netvarkingų ir normalių žaidėjų, 11 funkcijos pasirinktos λMinErr sudarė 7 GM regionų ir 4 WM trasų MD apimtis ir viena funkcija, pasirinkta λ1SE atitiko vieno GM regiono tūrį.

Pasirinktų funkcijų vykdymas

Tarp modelio su sumažintu funkcijų skaičiumi ir modeliu su visomis 108 funkcijomis, našumas buvo palyginamas pagal AUC diskriminacijos tarp kiekvieno žaidėjo tipo ir sveikų ne žaidėjų, esančių SVM, atžvilgiu (pav. (Figure3) .3). Klasifikuojant tarp netvarkingų ir įprastų žaidėjų, modelis su funkcijomis, pasirinktomis arba λMinErr (AUC = 0.83, p = 0.006) arba λ1SE (AUC = 0.72, p <0.001) parodė prastesnį našumą nei modelis su visomis 108 savybėmis (AUC = 0.90).

 

Išorinis failas, kuriame yra paveikslėlis, iliustracija ir tt Objekto pavadinimas yra fpsyt-09-00291-g0003.jpg

Veiklos rezultatų palyginimas pagal imtuvo veikimo charakteristikos kreivę (AUC) tarp modelių be ir su savybių pasirinkimu, skirtu klasifikacijai tarp kiekvienos trijų grupių poros palaikymo vektoriaus mašinomis. 108 funkcijų modelis (pažymėtas kieta linija) atitinka tai, kad be savybių pasirinkimo, o sumažintų funkcijų modeliai atitinka tuos, kurių ypatybės yra retos ir mažesnės.MinErr (pažymėta punktyrine linija) ir λ1SE (pažymėta brūkšnelio linija). HN, sveiki ne žaidėjai; GD, netvarkingi žaidėjai; NG, normalūs žaidėjai.

Klasifikavimo tikslumas

Klasifikuojant pagal SVM, naudojant λ pasirinktas funkcijasMinErrtikslumas buvo didesnis nei 98%, gerokai didesnis nei tikimybės lygis (p Kiekvienos rūšies žaidėjus nuo sveikų ne žaidėjų (0.001 pav.) (Figure4A) .4A). Tikslumas vis dar buvo gerokai didesnis nei tikimybės lygis (p = 0.002), bet ne mažesnis kaip 69.8% klasifikacijos tarp netvarkingų ir įprastų žaidėjų, ypač rodant žemą jautrumą (47.4%) teisingai nustatant netvarkingus žaidėjus. Retesnės funkcijos, nustatytos λ1SE parodė panašius rezultatus (1 pav. \ t (Figure4B) 4B), bet parodė daug mažesnį jautrumą (2.6%) teisingai atskiriant nesusijusius žaidėjus nuo įprastų žaidėjų.

 

Išorinis failas, kuriame yra paveikslėlis, iliustracija ir tt Objekto pavadinimas yra fpsyt-09-00291-g0004.jpg

Suskaičiavimo matricos klasifikacijoje tarp kiekvienos trijų grupių poros naudojant () retas ir (B) mažesnės savybės, nustatytos λMinErr ir λ1SE, atitinkamai, pagalbinių vektorių mašinose. Apatinėje dešinėje esanti ląstelė atitinka klasifikavimo tikslumą (ACC), apatinę kairiąją ląstelių tikrąją neigiamą spartą (TNR) arba specifiškumą, mažesnį vidutinį ląstelių tikrąjį teigiamą greitį (TNR) arba jautrumą, viršutinės dešinės ląstelės neigiamą prognozinę vertę (NPV ) ir vidutinės dešinės ląstelės teigiamą nuspėjamąją vertę (PPV). TP, teigiamas teigiamas; TN, tikras neigiamas; FP, klaidingas teigiamas; FN, klaidingas neigiamas.

Diskusija

Šiame tyrime siekėme išsiaiškinti, ar patologiniai ir ne patologiniai žaidėjai, priskirti prie DSM-5 pasiūlytų IGDS, galėtų būti reprezentuojami retomis neuroanatominėmis savybėmis. Nereguliuojami ir normalūs žaidėjai buvo reprezentuoti pagal 43 ir 21 savybes, palyginti su sveikais ne žaidėjais. Be to, netvarkingi žaidėjai buvo reprezentuoti pagal 11 funkcijas, palyginti su įprastais žaidėjais. Naudojant retas neuroanatomines savybes, netvarkingi ir normalūs žaidėjai gali būti sėkmingai diskriminuojami nuo sveikų ne žaidėjų, tačiau netinkamų ir normalių žaidėjų klasifikacija buvo gana sudėtinga.

Plačiai priimamas IGD apibūdinamasis požymis, pagrįstas DSM-5 pasiūlyta IGDS. Nors empirinis IGDS galiojimas patvirtintas keliose šalyse (, , ), penkių ar daugiau IGDS elementų patyrimo riba gali būti neabejotinas pasirinkimas ir gali būti pasiūlyti kiti būdai, kaip suskirstyti asmenis, kurie žaidžia internetinius žaidimus (). Kadangi vis daugiau klinikinių duomenų, tokių kaip smegenų vaizdavimo duomenys, taip pat demografiniai, elgesio ir simptominiai duomenys, tampa vis labiau prieinami, papildomi duomenys gali būti naudojami psichikos ligų diagnozavimui. Visų pirma dėl kiekybinės informacijos masyvumo smegenų vaizdavimo duomenys tinka skaičiavimo metodams ir būtų naudingi prognozavimui. Iš tiesų, įrodyta, kad smegenų vaizdavimo duomenys turi geresnes prognozines vertes, palyginti su kitais klinikiniais duomenimis.).

Kadangi ML pagrindu diagnozuota klasifikacija neseniai buvo taikoma kitiems priklausomybės veiksniams ir sutrikimams (-), IGD klasifikacija pagal simptomus taip pat susiduria su skaičiavimo klasifikacijos iššūkiu. Kadangi ankstesnių tyrimų metu buvo pakartotinai pranešta apie anatomines smegenų anomalijas po IGD (\ t-, ), mes laikėme tokią neuroanatominę informaciją iš smegenų vaizdavimo duomenų potencialių biomarkerių IGD diagnozei. Šiame tyrime mūsų tikslas buvo nustatyti svarbių neuroanatominių savybių rinkinį, kuris galėtų suteikti pakankamai aukštą klasifikavimo charakteristiką, o ne apibūdinti neuroanatominius skirtumus tarp individų klasių.

Mes pasirinkome svarbius, tarp 108 neuroanatominių savybių, kruopščiai reguliariai regresiją. Apsvarstę aštuonius GM ir WM parametrų derinius, buvo atrinkti skirtingi parametrų deriniai kiekvienai trijų grupių porai atskirti. GM regionų storio ir WM trakto vientisumo derinys buvo geresnis, norint atskirti patologinius žaidėjus nuo sveikų ne žaidėjų, tuo tarpu GM regionų apimties ir WM trasų difuzijos derinys buvo geriau atskirti patologinius žaidėjus. iš ne patologinių žaidėjų. Be to, nors daugelis smegenų komponentų dažniausiai buvo neuroanatominės savybės, kurios buvo svarbios norint atskirti patologinius ir ne patologinius žaidėjus nuo sveikų ne žaidėjų, kai kurie GM regionai ir WM traktuoja būdingus ne patologinius žaidėjus, bet ne patologinius žaidėjus. . Šie duomenys rodo, kad gali būti, kad GM ir WM parametrų derinys gali būti visuotinai geriausias, kaip neuroanatominės biomarkeriai, todėl reikia rinktis specifinį GM ir WM parametrų derinį pagal grupes, kurios turi būti klasifikuojamos.

Mažesnis retų savybių, skirtų ne patologiniams žaidėjams, skaičius, palyginti su patologinių žaidėjų, sveikų ne žaidėjų, atskyrimu, rodo, kad ne patologiniai žaidėjai pereina tarp patologinių žaidėjų ir sveikų žaidėjų. ne žaidėjai. Be to, kuo mažiau retų savybių klasifikacijai tarp dviejų žaidėjų tipų, nei diskriminacijos tarp kiekvieno žaidėjo tipo ir sveikų ne žaidėjų, žymi, kad patologiniai ir ne patologiniai žaidėjai vienas kitam yra mažiau skirtingi neuroanatomijos, nei jiems skiriasi nuo sveikų ne žaidėjų. Atitinkamai klasifikavimo modeliai, gauti naudojant retas savybes, davė tikslumą, viršijantį 98%, diskriminuojant kiekvieno žaidėjo tipą ir sveiką ne žaidėją, bet tikslumas žemiau 70% klasifikacijos tarp dviejų žaidėjų tipų. Tai reiškia, kad ne patologiniai žaidėjai buvo atskirti nuo sveikų ne žaidėjų, taip pat patologinių žaidėjų, tačiau buvo apribojimų atskirti patologinius ir ne patologinius žaidėjus.

Atrodo, kad šis gana nedidelis dviejų žaidėjų tipų skiriamasis požymis rodo keletą sąvokų. Pirma, gali būti pasiūlytas neatitikimas tarp simptomų pagrįstos klasifikacijos ir skaičiavimo klasifikacijos. Nors siūloma penkių ar daugiau kriterijų IGDS diagnostikos riba konservatyviai parenkama siekiant išvengti pernelyg didelės IGD diagnozės (), gali būti neatsižvelgiama į tai, kad žaidėjai patiria didelių patologinių pokyčių neuroanatomijoje, bet neatitinka IGD ribos. Visų pirma mes įtraukėme tik žaidėjus, kurie patenkino IGDS elementus, daug mažesnius už IGD ribą, kaip įprasta žaidėjai, todėl žaidėjai, kuriems diagnozuota, kad jie neturi IGD, paprastai gali būti toliau nuo sveikų sveikų žmonių, nei šiame žaidime. Antra, gali būti pažymėta, kad klasifikacija, grindžiama tik neuroanatominiais biomarkeriais, yra iššūkis. Klasifikavimo efektyvumą galima pagerinti įtraukiant kitus biomarkerius, kurie gali užfiksuoti didesnį skirtumą tarp patologinių ir nepatologinių žaidėjų. Visų pirma, kadangi funkciniai pokyčiai smegenyse taip pat įrodomi IGD (-), smegenų funkciją ir anatomiją galima laikyti smegenų biomarkeriais. Be to, norime atkreipti dėmesį į tai, kad smegenų pokyčiai sudaro tik dalį daugialypių interneto žaidimų priklausomybės aspektų, todėl kiti veiksniai, tarp jų ir įvairūs vidiniai ir išoriniai interneto žaidimų priklausomybės rizikos veiksniai (), turėtų būti įtraukta į išsamesnius patologinių ir ne patologinių žaidėjų klasifikavimo modelius, taip pat žaidėjų, kurie nėra sveiki, žaidimus.

Čia mes panaudojome reguliarią regresiją, naudojant retumo skatinimo įvertinimus, tokius kaip laso ir elastinis tinklas, siekiant nustatyti svarbias klasifikavimo modelių savybes. Iš tikrųjų yra būdingi metodologiniai variantų atrankos arba matmenų mažinimo skirtumai, o pasirinktų funkcijų modelio konstrukcijoje naudojimui gali būti taikomi įvairūs metodai (). Mūsų požiūris, naudojant reguliuojamą regresiją, apima a priori prielaidą dėl neuroanatominių savybių retumo. Jei tokia prielaida yra priimtina, kaip manėme šiame tyrime, reguliuojamas regresija galėtų būti patikimas metodas, ir tikimasi, kad pasirinktas retas bruožų rinkinys sudarys pakankamai aukšto efektyvumo klasifikavimo modelius. Tačiau pažymėtina, kad paprastesni klasifikavimo modeliai, pagrįsti didesniu sparsumu, ne visada gali būti panašūs ar geresni. Iš tiesų, tarp skirtingų sparsumo laipsnio pasirinkimų pagal normalizavimo parametrą, didesnė sparsybė greičiausiai nesuteikė geresnio rezultato modelio, ypač sudėtingesnių klasifikavimo problemų, pvz., Patologinių ir ne patologinių žaidėjų klasifikavimo.

Be to, mes naudojome SVM kaip ML techniką klasifikavimo modelių konstravimui, nes jie yra tarp populiariausių. Klasifikavimo efektyvumui pagerinti gali būti naudojami kiti pažangūs metodai, nors skirtingų metodų lyginamieji rezultatai negali būti baigti dėl to, kad veikimas yra priklausomas nuo eksperimentinių scenarijų (). Kita vertus, lyginant su klasikiniais statistiniais metodais ir ML metodais, taip pat atlikome klasifikaciją pagal logistinę regresiją ir parodėme, kad šie du metodai, būtent logistinė regresija ir SVM, buvo panašūs atliekant klasifikaciją (pav. S2). Galima pasakyti, kad klasikiniai statistiniai metodai ne visuomet yra prastesni už ML metodus klasifikavimo metu ().

Dabartiniame tyrime atskleidėme, kad IGD klasifikacija pagal simptomus gali būti reprezentuojama retų neuroanatominių biomarkerių, kurie sudarė klasifikavimo modelius, atžvilgiu. Be to, mes parodėme, kad ne patologiniai žaidėjai gali būti mažiau išskiriami nuo patologinių žaidėjų nei nežaismingų sveikų asmenų, neuroanatomijos požiūriu. Todėl siūlome, kad, nors dabartinės diagnostikos sistemos remiasi aprašomuoju kategorizavimu, pvz., DSM-5 kaip aukso standartais, ne patologiniai žaidėjai gali būti diagnozuoti daugiau atsargumo, naudojant objektyvius biomarkerius, pvz., Susijusius su neuroanatominiais pokyčiais. Atrodo, kad skaičiavimo metodų taikymas yra negrįžtama psichiatrijos tendencija, tačiau gali prireikti daug nuveikti, kad praktiškai jas pritaikytų prie klinikinės aplinkos. Tolesnėse studijose turi būti ieškoma optimalaus smulkių savybių atrankos iš smegenų vaizdavimo ir kitų klinikinių duomenų, o ilgainiui šios pastangos paskatintų IGD skaičiavimais pagrįstą diagnozę.

Autoriaus įmokos

D-JK ir J-WC buvo atsakingi už studijų koncepciją ir dizainą. HC atliko klinikinį apibūdinimą ir dalyvių atranką. CP analizavo duomenis ir parengė rankraštį. Visi autoriai kritiškai peržiūrėjo turinį ir patvirtino galutinę versiją.

Interesų konflikto pareiškimas

Autoriai teigia, kad tyrimas buvo atliktas nesant jokių komercinių ar finansinių santykių, kurie galėtų būti laikomi galimu interesų konfliktu.

Išnašos

 

Finansavimas. Šis tyrimas buvo paremtas Brain Science tyrimų programa per Korėjos nacionalinį mokslinių tyrimų fondą (NRF), finansuojamą Korėjos mokslo ir IRT ministerijos (NRF-2014M3C7A1062893).

 

Nuorodos

1. Young KS. Interneto priklausomybė: naujo klinikinio sutrikimo atsiradimas. CyberPsychol Behav. (1998) 1: 237 – 44. 10.1089 / cpb.1998.1.237 [Kryžiaus nuoroda]
2. Amerikos psichiatrijos asociacijos diagnostikos ir statistinis psichikos sutrikimų vadovas, 5th Edition. Vašingtonas: American Psychiatric Association Publishing; (2013).
3. Ko CH, Yen JY, Chen SH, Wang PW, Chen CS, Yen CF. Interneto žaidimų sutrikimų diagnostikos kriterijų įvertinimas DSM-5 tarp jaunų suaugusiųjų Taivane. J Psychiatr Res. (2014) 53: 103 – 10. 10.1016 / j.jpsychires.2014.02.008 [PubMed] [Kryžiaus nuoroda]
4. Ko CH, Hsieh TJ, Wang PW, Lin WC, Yen CF, Chen CS ir kt. . Pakeistas pilkosios medžiagos tankis ir sutrikdytas funkcinis amygdalos ryšys suaugusiems su interneto žaidimų sutrikimu. Prog Neuropsychopharmacol Biol psichiatrija (2015) 57: 185 – 92. 10.1016 / j.pnpbp.2014.11.003 [PubMed] [Kryžiaus nuoroda]
5. Lin X, Dong G, Wang Q, Du X. Nenormalus pilkosios medžiagos ir baltos medžiagos kiekis „interneto žaidimų narkomanams“. Addict Behav. (2015) 40: 137 – 143. 10.1016 / j.addbeh.2014.09.010 [PubMed] [Kryžiaus nuoroda]
6. Wang H, Jin C, Yuan K, Shakir TM, Mao C, Niu X ir kt. . Pilkųjų medžiagų kiekio ir pažinimo kontrolės pokyčiai paaugliams, turintiems interneto žaidimų sutrikimą. Priekinė Behav Neurosci. (2015) 9: 64. 10.3389 / fnbeh.2015.00064 [PMC nemokamas straipsnis] [PubMed] [Kryžiaus nuoroda]
7. Yuan K, Cheng P, Dong T, Bi Y, Xing L, Yu D, et al. . Kortikos storio anomalijos vėlyvoje paauglystėje su internetinių žaidimų priklausomybe. PloS ONE (2013) 8: e53055. 10.1371 / journal.pone.0053055 [PMC nemokamas straipsnis] [PubMed] [Kryžiaus nuoroda]
8. „Dong G“, „Devito E“, „Huang J“, „Du X“. Difuzijos tenzorinis vaizdavimas atskleidžia, kad internetinis žaidimų narkomanai turi talamus ir užpakalinius cingulinius žievės sutrikimus. J Psychiatr Res. (2012) 46: 1212 – 6. 10.1016 / j.jpsychires.2012.05.015 [PMC nemokamas straipsnis] [PubMed] [Kryžiaus nuoroda]
9. Xing L, Yuan K, Bi Y, Yin J, Cai C, Feng D et al. . Sumažintas pluošto vientisumas ir pažinimo kontrolė paaugliams, turintiems interneto žaidimų sutrikimų. Brain Res. (2014) 1586: 109 – 17. 10.1016 / j.brainres.2014.08.044 [PubMed] [Kryžiaus nuoroda]
10. Besson P, Dinkelacker V, Valabregue R, Thivard L, Leclerc X, Baulac M, et al. . Struktūriniai jungiamumo skirtumai kairiajame ir dešiniajame skilties epilepsijoje. Neuroimage (2014) 100: 135 – 44. 10.1016 / j.neuroimage.2014.04.071 [PubMed] [Kryžiaus nuoroda]
11. Huys QJ, Maia TV, Frank MJ. Kompiuterinė psichiatrija kaip tiltas nuo neurologijos iki klinikinių pritaikymų. Nat Neurosci. (2016) 19: 404 – 13. 10.1038 / nn.4238 [PMC nemokamas straipsnis] [PubMed] [Kryžiaus nuoroda]
12. Lemmens JS, Valkenburg PM, Gentile DA. Interneto žaidimų sutrikimų skalė. Psicholis Įvertinkite. (2015) 27: 567 – 82. 10.1037 / pas0000062 [PubMed] [Kryžiaus nuoroda]
13. Dahnke R, Yotter RA, Gaser C. Žievės storis ir centrinis paviršiaus įvertinimas. Neuroimage (2013) 65: 336 – 48. 10.1016 / j.neuroimage.2012.09.050 [PubMed] [Kryžiaus nuoroda]
14. Smith SM, Jenkinson M, Johansen-Berg H, Rueckert D, Nichols TE, Mackay CE ir kt. . Traukiniu pagrįsta erdvinė statistika: daugialypės difuzijos duomenų vokselinė analizė. Neuroimage (2006) 31: 1487 – 505. 10.1016 / j.neuroimage.2006.02.024 [PubMed] [Kryžiaus nuoroda]
15. Hammers A, Allom R, Koepp MJ, Free SL, Myers R, Lemieux L, et al. . Žmogaus smegenų trimatis maksimalus tikimybių atlasas, ypač atsižvelgiant į laikiną skilimą. Hum Brain Mapp. (2003) 19: 224 – 47. 10.1002 / hbm.10123 [PubMed] [Kryžiaus nuoroda]
16. Mori S, Oishi K, Jiang H, Jiang L, Li X, Akhter K, et al. . Stereotaksinė balta medžiaga atlasas, pagrįstas difuzijos tenzoriaus vaizdavimu ICBM šablone. Neuroimage (2008) 40: 570 – 82. 10.1016 / j.neuroimage.2007.12.035 [PMC nemokamas straipsnis] [PubMed] [Kryžiaus nuoroda]
17. Tibshirani R. Regresijos susitraukimas ir atranka lazeriu. J Roy Stat Soc Ser B (1996) 58: 267 – 88.
18. Zou H, Hastie T. Regularizavimas ir kintamasis pasirinkimas per elastingą tinklą. J Roy Stat Soc Ser B (2005) 67: 301 – 20. 10.1111 / j.1467-9868.2005.00503.x [Kryžiaus nuoroda]
19. Theodoridis S. Mašinų mokymasis: Bayeso ir optimizavimo perspektyva. Londonas: Academic Press; (2015).
20. Delong ER, Delong DM, Clarke-Pearson DL. Lyginant dvi ar daugiau koreliuojančių imtuvo veikimo charakteristikų kreivių sritis: neparametrinį požiūrį. Biometriniai duomenys (1988) 44: 837 – 45. 10.2307 / 2531595 [PubMed] [Kryžiaus nuoroda]
21. Cho SH, Kwon JH. Korėjiečių internetinės žaidimų sutrikimų skalės (K-IGDS) versijos patvirtinimas: bendruomenės suaugusiųjų atrankos rezultatai. Korėjietis J Clin Psychol. (2017) 36: 104 – 17. 10.15842 / kjcp.2017.36.1.010 [Kryžiaus nuoroda]
22. Sigerson L, Li AYL, Cheung MWL, Luk JW, Cheng C. Kinijos interneto žaidimų sutrikimų skalės psichometrinės savybės. Addict Behav. (2017) 74: 20 – 6. 10.1016 / j.addbeh.2017.05.031 [PubMed] [Kryžiaus nuoroda]
23. Burke Quinlan E, Dodakian L, žr. J, Mckenzie A, Le V, Wojnowicz M ir kt. . Neuronų funkcija, sužalojimas ir insulto pogrupis prognozuoja gydymo padidėjimą po insulto. Ann Neurol. (2015) 77: 132 – 45. 10.1002 / ana.24309 [PMC nemokamas straipsnis] [PubMed] [Kryžiaus nuoroda]
24. Pariyadath V, Stein EA, Ross TJ. Mašinų mokymosi klasifikacija poilsinės būsenos funkciniam ryšiui numato rūkymo būklę. Priekinė Hum Neurosci. (2014) 8: 425. 10.3389 / fnhum.2014.00425 [PMC nemokamas straipsnis] [PubMed] [Kryžiaus nuoroda]
25. Fedota JR, Stein EA. Poilsinės būsenos funkcinis ryšys ir priklausomybė nuo nikotino: biomarkerio vystymosi perspektyvos. Ann NY Acad Sci. (2015) 1349: 64 – 82. 10.1111 / nyas.12882 [PMC nemokamas straipsnis] [PubMed] [Kryžiaus nuoroda]
26. Ahn WY, Ramesh D, Moeller FG, Vassileva J. Mašininio mokymosi metodų naudingumas nustatyti cheminių medžiagų naudojimo sutrikimų elgesio žymenis: impulsyvumo matmenys, kaip dabartinės priklausomybės nuo kokaino prognozės. Psichiatrija (2016) 7: 34. 10.3389 / fpsyt.2016.00034 [PMC nemokamas straipsnis] [PubMed] [Kryžiaus nuoroda]
27. Ahn WY, Vassileva J. Mašininis mokymasis identifikuoja specifinius opiatų ir stimuliatorių priklausomybės elgsenos žymenis. Priklauso nuo alkoholio. (2016) 161: 247 – 57. 10.1016 / j.drugalcdep.2016.02.008 [PMC nemokamas straipsnis] [PubMed] [Kryžiaus nuoroda]
28. Percy C, França M, Dragičević S, D'avila Garcez A. Internetinių lošimų savęs išskyrimo prognozavimas: prižiūrimų mašininio mokymosi modelių veikimo analizė. „Int Gambl Stud“. (2016) 16: 193–210. 10.1080 / 14459795.2016.1151913 [Kryžiaus nuoroda]
29. Ding WN, Sun JH, Sun YW, Zhou Y, Li L, Xu JR, et al. . Pakeistas numatytasis tinklo atsipalaidavimo būsenos funkcinis ryšys paaugliams, turintiems internetinių žaidimų priklausomybę. PloS ONE (2013) 8: e59902. 10.1371 / journal.pone.0059902 [PMC nemokamas straipsnis] [PubMed] [Kryžiaus nuoroda]
30. Meng Y, Deng W, Wang H, Guo W, Li T. Prefontalinė disfunkcija asmenims, turintiems interneto žaidimų sutrikimą: funkcinių magnetinio rezonanso vaizdavimo tyrimų metaanalizė. Addict Biol. (2015) 20: 799 – 808. 10.1111 / adb.12154 [PubMed] [Kryžiaus nuoroda]
31. Zhang JT, Yao YW, Li CSR, Zang YF, Shen ZJ, Liu L, et al. . Pakeistas jaunų suaugusiųjų su interneto žaidimų sutrikimu funkcinis prijungimo funkcionalumas. Addict Biol. (2015) 21: 743 – 51. 10.1111 / adb.12247 [PMC nemokamas straipsnis] [PubMed] [Kryžiaus nuoroda]
32. Cai C, Yuan K, Yin J, Feng D, Bi Y, Li Y, et al. . Striatum morfometrija yra susijusi su kognityvinės kontrolės trūkumais ir simptomų sunkumu interneto žaidimų sutrikimuose. Smegenų vaizdavimas Behav. (2016) 10: 12 – 20. 10.1007 / s11682-015-9358-8 [PubMed] [Kryžiaus nuoroda]
33. Parkas C, Chun JW, Cho H, Jung YC, Choi J, Kim DJ. Ar internetinis lošimas priklauso nuo patologinės būsenos? Addict Biol. (2017) 22: 196 – 205. 10.1111 / adb.12282 [PubMed] [Kryžiaus nuoroda]
34. Kuss DJ, Griffiths MD. Internetinių žaidimų priklausomybė: sisteminė empirinių tyrimų apžvalga. „Int J Ment Health Addict“. (2012) 10: 278 – 96. 10.1007 / s11469-011-9318-5 [Kryžiaus nuoroda]
35. Castellanos FX, Di Martino A, Craddock RC, Mehta AD, Milham MP. Funkcinio junginio klinikiniai pritaikymai. Neuroimage (2013) 80: 527 – 40. 10.1016 / j.neuroimage.2013.04.083 [PMC nemokamas straipsnis] [PubMed] [Kryžiaus nuoroda]
36. Tollenaar N, Van Der Heijden P. Kuris metodas numato geriausius recidyvus ?: statistinių, mašinų mokymosi ir duomenų gavybos prognozavimo modelių palyginimas. J Roy Stat Soc Ser A (2013) 176: 565 – 84. 10.1111 / j.1467-985X.2012.01056.x [Kryžiaus nuoroda]