Diskriminējoši patoloģiskie un ne-patoloģiskie interneta spēlētāji, kas izmanto reti neuroanatomiskās īpašības (2018)

. 2018; 9: 291.

Publicēts tiešsaistē 2018 Jun 29. doi:  10.3389 / fpsyt.2018.00291

PMCID: PMC6033968

PMID: 30008681

Anotācija

Interneta spēļu traucējumi (IGD) bieži tiek diagnosticēti, balstoties uz deviņiem pamatprincipiem, kas iegūti no jaunākās diagnostikas un statistiskās rokasgrāmatas par garīgiem traucējumiem (DSM-5). Šeit mēs pārbaudījām, vai šādu simptomu klasifikāciju var pārvērst aprēķinos balstītā klasifikācijā. Strukturālie MRI (sMRI) un difūzijas svērtie MRI (dMRI) dati tika iegūti 38 spēlētājiem, kuriem diagnosticēta IGD, 68 normāli spēlētāji, kuriem diagnosticēts, ka viņiem nav IGD, un 37 veseliem ne-Gamers. No MRI datiem mēs radījām pelēkās vielas (GM) un baltās vielas (WM) struktūras 108 funkcijas. Kad 108 neuroanatomiskajām iezīmēm tika piemērota regulēta loģistiskā regresija, lai izvēlētos svarīgus, lai nošķirtu grupas, neregulārie un parastie spēlētāji bija pārstāvēti attiecīgi 43 un 21 iezīmēs attiecībā pret veseliem spēlētājiem, bet neregulārie spēlētāji bija pārstāvēti 11 funkciju ziņā attiecībā pret parastajiem spēlētājiem. Atbalsta vektoru mašīnās (SVM), kas izmanto retās neuroanatomiskās iezīmes kā prognozētājus, netraucēti un normāli spēlētāji tika diskriminēti ar veseliem ne-spēlētājiem, bet precizitāte pārsniedza 98%, bet nesakārtoto un normālo spēlētāju klasifikācija bija samērā sarežģīta. Šie atklājumi liecina, ka patoloģiskos un ne-patoloģiskos spēlētājus, kas klasificēti ar DSM-5 kritērijiem, varētu attēlot ar retām neuroanatomiskām iezīmēm, jo ​​īpaši saistībā ar diskrimināciju no veseliem veseliem cilvēkiem.

atslēgvārdi: interneta spēļu traucējumi, diagnostiskā klasifikācija, strukturālā MRI, difūzijas svērtā MRI, regulēta regresija

Ievads

Lai gan ir ierosināts kā patoloģiska atkarība gadu desmitiem (), tikai nesen, interneta spēļu traucējumi (IGD) tika uzskaitīti Garīgo traucējumu diagnostikas un statistikas rokasgrāmatā (DSM). DSM (DSM-5) piektais izdevums () identificēja IGD kā nosacījumu turpmākai izpētei un sniedza deviņus kritērijus tā diagnosticēšanai. Ar simptomiem balstītu kategorizāciju, izmantojot deviņu vienību IGD skalu (IGDS), kas ierosināta DSM-5, IGD diagnozei tika piemērots piecu vai vairāku kritēriju iegūšanas slieksnis. Lai gan šis samazinājums var pienācīgi diferencēt spēlētājus, kas cieš no būtiskiem klīniskiem traucējumiem () IGDS posteņu dichotomiskais raksturs nenovēršami ietver diagnostikas pārmērīgu vienkāršošanu vai neskaidrību.

Bez simptomiem parasti novēro dažādas IGD saistītas disfunkcijas, ne tikai neuroanatomiskas izmaiņas. Patiešām, ievērojams darbs liecina, ka IGD ir saistīta ar strukturālām izmaiņām smadzenēs: pelēkās vielas (GM) tilpuma samazināšanās (-), kortikālā biezuma samazināšana (\ t) un baltās vielas (WM) integritātes zudums (, ) parasti ir pierādīts. Šīs neiroanatomiskās izmaiņas, kas saistītas ar IGD, liecina, ka šādi smadzeņu attēlveidošanas parametri var kalpot kā biomarkeri, lai atšķirt indivīdus ar IGD no citām personām. Tas nozīmē, ka IGD diagnozi var veikt, izmantojot skaitļošanas manipulācijas ar neuroanatomiskiem biomarķieriem, nevis izmantojot ar DSM-5 balstītu klasifikāciju pēc simptomiem. Šie mēģinājumi var būt saskaņā ar centieniem pārsniegt aprakstošo diagnozi, izmantojot skaitļošanas pieejas psihiatrijai (), jo īpaši uz datiem balstītas pieejas, kas balstītas uz mašīnu mācīšanos (ML), lai risinātu garīgās slimības \ t).

Šajā pētījumā mēs meklējām saikni starp simptomiem balstītu kategorizāciju, pamatojoties uz IGDS un uz aprēķiniem balstītu klasifikāciju, izmantojot neuroanatomiskās biomarkerus IGD diagnostikā. Tā kā daži smadzeņu ģenētiski modificētie un WM komponenti varētu ietvert lieku vai neatbilstošu informāciju diagnostikas klasifikācijai, mēs centāmies izvēlēties retas neiroanatomiskās īpašības, izmantojot regulētu regresiju. Mēs pieņēmām, ka ar simptomiem balstītu kategorizāciju var attēlot ar retām neiroanatomiskām iezīmēm, kas varētu veidot klasifikācijas modeļus IGD diagnosticēšanai. Tiek uzskatīts, ka patoloģiskie spēlētāji, kuriem ir diagnosticēta IGD, ir atšķirīgi no veseliem veseliem cilvēkiem, nevis no spēlētājiem, kuriem diagnosticēts, ka viņiem nav IGD, ti, nav patoloģiski spēlētāji; tādējādi patoloģiskos spēlētājus varētu raksturot ar lielāku skaitu iezīmju, salīdzinot ar ne-patoloģiskiem spēlētājiem, attiecībā uz veseliem cilvēkiem, kas nav spēļu spēles. Turklāt mēs vēlējāmies izlemt, vai ne-patoloģiskie spēlētāji var būt mazāk atšķirīgi no patoloģiskiem spēlētājiem vai veseliem cilvēkiem, kas nav spēļu spēles. Ne-patoloģiskie spēlētāji varētu būt neskaidri pieņemti, ka tie ir tuvu veseliem veseliem cilvēkiem, kas raksturo aprakstošus simptomus, bet mēs domājām, ka šāds jēdziens ir jāapstiprina, izmantojot skaitļošanas klasifikāciju.

materiāli un metodes

Dalībnieki

237 dalībnieku vidū, kuri spēlē interneta spēles, 106 indivīdi tika atlasīti, izslēdzot tos, kuriem bija nesakritība starp sevi ziņotajiem IGDS un strukturētu interviju ar klīnisko psihologu IGD diagnosticēšanā vai bija nokavējis vai smagi izkropļojis smadzeņu attēlveidošanas datus. Pamatojoties uz IGDS, 38 indivīdiem (27.66 ± 5.61 gadi; 13 sievietēm), kas apmierināja vismaz piecus IGDS vienumus, tika atzīmēti neregulēti spēlētāji un 68 personas (27.96 ± 6.41 gadi; 21 sievietes), kas apmierināja ne vairāk kā vienu IGDS vienību. normāliem spēlētājiem. Tika izslēgtas arī personas, kuras apmierināja IGDS posteņus no diviem līdz četriem, jo ​​tie var tikt uztverti kā citas klases starp neregulāriem un normāliem spēlētājiem (). Turklāt atsevišķi tika pieņemti darbā 37 indivīdi (25.86 ± 4.10 gadi; 13 sievietes), kas nespēlē internetā balstītas spēles, un viņiem tika piešķirts veselīgu spēlētāju, kas nav spēlētāji, etiķete. Apstiprināja visu dalībnieku blakusslimību trūkumu. Rakstiska informēta piekrišana tika iegūta no visiem dalībniekiem saskaņā ar Helsinku deklarāciju un tās vēlākajiem grozījumiem, un pētījumu apstiprināja Institūcijas pārskata padome Seulas Sv. Marijas slimnīcā, Seulā, Korejā.

MRI datu iegūšana

Strukturālie MRI (sMRI) un difūzijas svērtie MRI (dMRI) dati tika iegūti, izmantojot 3 T MAGNETOM Verio sistēmu (Siemens AG, Erlangen, Vācija). SMRI datu iegūšana tika veikta, izmantojot magnētiski sagatavotu ātras gradienta atbalss secību: sagrieztu šķēlumu skaits sagitālajā plaknē = 176, šķēles biezums = 1 mm, matricas izmērs = 256 × 256 un plaknes izšķirtspēja = 1 × 1 mm . DMRI datu iegūšanai difūzijas gradienta kodēšana tika veikta 30 virzienos ar b = 1,000 s / mm2 tika izmantota viena šāviena atbalss plaknes attēlveidošanas secība: šķēlumu skaits aksiālajā plaknē = 75, slāņa biezums = 2 mm, matricas izmērs = 114 × 114 un plaknes izšķirtspēja = 2 × 2 mm.

MRI datu apstrāde

CAT12 iekļautie rīkihttp://www.neuro.uni-jena.de/cat/) tika izmantoti sMRI datu apstrādei. Smadzeņu tilpuma attēls tika sadalīts dažādos audos, ieskaitot GM, WM un kortikosterinālo šķidrumu, kā arī telpiski reģistrēts standarta smadzenēs standarta telpā. Ar vokseļu morfometriju (VBM), vokseļu gēna GM tilpums tika novērtēts, reizinot varbūtību, ka GM ir ar vokseļa tilpumu, un tad šīs vērtības tika sadalītas ar kopējo intrakraniālo tilpumu, lai pielāgotu individuālām galvas tilpuma atšķirībām. Virsmas bāzes morfometrijā (SBM) kortikālā biezums tika novērtēts, izmantojot projekcijas balstītu biezuma metodi ().

DMRI datu apstrāde

FSL 5.0 iekļautie rīkihttp://fsl.fmrib.ox.ac.uk/fsl/) tika izmantoti, lai apstrādātu dMRI datus. Visi attēli tika pārorientēti uz nulles attēlu, kas iegūts ar b = 0 s / mm2 labot virpuļstrāvas izraisītos traucējumus un galvas kustību. Difūzijas tenzors tika modelēts katrā smadzeņu vokselī, un tika aprēķināti difūzijas tenzoru atvasinātie parametri, tostarp frakcionētā anizotropija (FA), vidējā difūzija (MD), aksiālā difūzija (AD) un radiālā difūzija (RD); trīs difūzijas gar difūzijas tenzora dažādām asīm, FA tika aprēķināts kā kvadrātsakne no difūzijas atšķirību kvadrātu summas starp trim asīm, MD kā vidējā difūzija trijās asīs, AD kā vislielākā difūzija gar galveno asi un RD kā difūziju vidējais garums starp divām nelielām asīm. Izmantojot trakta telpisko statistiku (TBSS)), kas ieviesti FSL 5.0, difūzijas tenzoru atvasināto parametru kartes tika telpiski reģistrētas standarta smadzenēs standarta telpā, un pēc tam tās tika projicētas uz WM trakta skeleta.

Iezīmes paaudze

Divi galvenie soļi klasifikācijas modeļa izstrādē ir iezīmju veidošana un izvēle. Mēs radījām neuroanatomijas iezīmes, īpaši ĢM reģionu kopas apjomu un biezumu, kā arī WM kopu komplekta integritāti un difūziju. Pēc ĢM tilpuma un kortikālā biezuma novērtēšanas, izmantojot VBM un SBM iegūtās vokseļu kartes, parametri tika novērtēti katram no 60 GM reģioniem (tabula S1), kas sadalīts kā “āmuru atlasē” (), kā vidējo rādītāju visās vokseļos tajā. Aprēķinot difūzijas tenzora atvasinātos parametrus, tostarp FA, MD, AD un RD, kā vokselizētas kartes uz TB trakta iegūto WM trakta skeleta, parametri tika aprēķināti katram 48 WM traktam (tabula S2), kas sadalīts kā ICBM DTI-81 atlantā (), kā vidējo rādītāju visās vokseļos tajā. Kopumā mēs uzskatījām divus GM parametrus un četrus WM parametrus, kas deva astoņas GM un WM parametru kombinācijas. Katrai GM un WM parametru kombinācijai 60 GM reģionu un 48 WM trases parametru vērtības kopā veidoja 108 neuroanatomiskās īpašības.

Funkciju izvēle ar regulētu regresiju

Funkciju skaita samazināšana ir svarīga, jo īpaši attiecībā uz datiem, kuriem ir liels skaits funkciju un ierobežots novērojumu skaits. Ierobežotais novērojumu skaits attiecībā uz pazīmju skaitu var izraisīt pārmērīgu trokšņa līmeni, un regulēšana ir metode, kas ļauj samazināt vai novērst pārlieku daudzveidību, ieviešot papildu informāciju vai ierobežojumus modelim. Tā kā visas 108 funkcijas neietver noderīgu un nepieciešamo informāciju klasifikācijai, mēs izvēlējāmies retu funkciju kopumu, piemērojot regulētu regresiju. Konkrēti, laso () un elastīgais tīkls () tika izmantoti regulētai loģistikas regresijai. Lazo ietver soda termiņu vai regulēšanas parametru λ, kas ierobežo koeficientu aprēķinu lielumu loģistikas regresijas modelī. Tā kā palielinājums λ noved pie vairāk nulles vērtības koeficientiem, laso nodrošina samazinātu loģistikas regresijas modeli ar mazākiem prognozētājiem. Elastīgais tīkls rada arī samazinātu loģistikas regresijas modeli, nosakot koeficientus līdz nullei, jo īpaši iekļaujot lāzera un ridge regresijas hibrīda regulēšanas parametru, pārvarot lāzera ierobežojumu, ārstējot ļoti korelētus prognozētājus ().

Klasifikācijai starp abām trim grupām mēs izmantojām laso un elastīgo tīklu, lai identificētu nozīmīgus prognozes starp 108 neuroanatomiskajām iezīmēm loģistiskās regresijas modelī. Visu trīs grupu pāru 108 iezīmes tika standartizētas, lai izveidotu datu matricu, A, kurā katra rinda apzīmēja vienu novērojumu un katra kolonna - vienu prognozētāju. Lai koriģētu indivīdu vecuma un dzimuma ietekmi uz GM un WM parametriem, jāveido atlikuma formēšanas matrica, R, tika radīts: R = I-C(CTC)-1C kur I bija identitātes matrica un C bija matricu kodējošs vecums un dzimums. Pēc tam tas tika piemērots A lai atgūtu atlikumus pēc tam, kad ir izjaukti mulsinošie kariāri: X = RA.

Ņemot vērā koriģēto datu matricu, Xun atbildi, Y, kas kodēja divas indivīdu klases, tika izmantota 10 reizes krustojuma validācija (CV), lai meklētu regulēšanas parametru, λMinErr, kas nodrošināja minimālo kļūdu novirzes izteiksmē, kas tika definēta kā negatīva log-varbūtība pārbaudītajam modelim, kura vidējais rādītājs ir validācijas krokām. Alternatīvi, jo CV līknei ir kļūdas katrā pārbaudītajā λ, regulēšanas parametrs λ1SE, tas tika konstatēts vienā standarta kļūdā minimālajai CV kļūdai pieaugošās regulēšanas virzienā no λMinErr arī tika ņemta vērā. Tas nozīmē, ka λ ir atlasītas retākas funkcijas1SE, bet reti iezīmes tika noteiktas pie λMinErr. Šī procedūra, lai meklētu regulētu loģistikas regresijas modeli ar mazākiem prognozētājiem, tika atkārtota attiecībā uz katru GM un WM parametru kombināciju, kas ietver 108 neuroanatomiskās īpašības.

Atlasīto funkciju izpilde

Lai novērtētu reto un retāko īpašību lietderību, veiktspēja tika salīdzināta starp modeli ar samazinātu funkciju skaitu un modeli ar visām 108 funkcijām atbalsta vektoru iekārtās (SVM), mērot uztvērēja darbības raksturlīkni (ROC). Ar lineāru kodolu kā kodola funkciju un hiperparametriem, kas optimizēti ar pieckārtīgu CV, SVM tika apmācīts visiem indivīdiem katrā no trim grupām. Platība zem ROC līknes (AUC) tika aprēķināta katram modelim kā tā darbības kvantitatīvs rādītājs. DeLong testi () tika izmantoti, lai salīdzinātu AUC starp katru modeļu pāri. Kad AUC atšķīrās a p0.05 vērtība tika uzskatīta par nesalīdzināmu divos modeļos.

Klasifikācijas precizitāte

Shematiskās procedūras no iezīmju radīšanas un izvēles līdz klasifikācijas modeļu izveidei ir attēlotas 7. \ Tattēlā. \ T Attēls1.1. Katram trim grupu pāriem tika izveidoti SVM klasifikācijas modeļi, izmantojot atlasītās funkcijas kā prognozētājus. Mēs novērtējām klasifikācijas modeļu precizitāti, izmantojot atvaļinājuma-vienreizējās CV shēmu, lai katram atlikušajam indivīdam aprēķinātu ārpus parauga klasifikācijas precizitāti, un tad tas tika aprēķināts vidēji visās indivīdos. Precizitātes statistiskā nozīmība tika novērtēta, izmantojot permutācijas testus. Empīrisku nulles sadalījumu, lai klasificētu katru no trim grupām, izveidoja, atkārtoti permutējot indivīdu etiķetes un mērot precizitāti, kas saistīta ar caurlaidīgajām etiķetēm. Ja precizitāte, kas izmērīta neatļautajām etiķetēm, bija augstāka vai vienāda ar nulles sadalījumu pie a p0.05 vērtība, kas tika atzīta par ievērojami atšķirīgu no varbūtības līmeņa (precizitāte = 50%). Bez tam, tika attēlota sajaukšanas matrica, lai aprakstītu jutīgumu un specifiskumu attiecībā uz atšķirību starp katru no trim grupām.

 

Ārējs fails, kurā ir attēls, ilustrācija utt. Objekta nosaukums ir fpsyt-09-00291-g0001.jpg

Shematiskas procedūras no neuroanatomisko iezīmju radīšanas un atlases līdz paraugu klasifikācijai starp neregulāriem spēlētājiem (ĢD) un veseliem ne-Gamers (HN), starp parastiem spēlētājiem (NG) un HN, kā arī starp ĢD un NG. ĢM, pelēka viela; WM, balta viela.

rezultāti

Funkcijas izvēle

skaitlis Attēls22 parāda 108 iezīmju atlasītās funkcijas ar koeficientu aprēķiniem un tabulu Table11 apraksta saistīto informāciju par regulēto loģistisko regresijas modeli klasifikācijai starp katru no trim grupām. Turklāt attēlā S1 rāda, kura λ sniedza minimālo CV kļūdu un cik iezīmes tika atlasītas pie λ1SE kā arī pie λMinErr. Minimālā CV kļūda tika iegūta lāzera (lasso svars = 1) iezīmju atlasē, lai klasificētu veselos ne-spēlētājus un parastos spēlētājus, un ar elastīgo tīklu (lasso svars = 0.5) citai klasifikācijai.

 

Ārējs fails, kurā ir attēls, ilustrācija utt. Objekta nosaukums ir fpsyt-09-00291-g0002.jpg

Atlasītās neiroanatomiskās pazīmes regulētā loģistiskā regresijā klasifikācijai starp katru trīs grupu pāri. Traucētie spēlētāji (ĢD) tika klasificēti kā 1 klasifikācijā starp veseliem bezspēlētājiem (HN) un ĢD, normāli spēlētāji (NG) kā 1 klasifikācijā starp HN un NG, bet ĢD kā klasifikācijā starp NG un ĢD. Joslas lielums atspoguļo attiecīgās pazīmes koeficienta lielumu tā, ka tiek izvēlēti koeficienti, kas nav nulles koeficienti. Atveidotās smadzenes no augstāka skata attēlo pelēkās vielas un baltās vielas komponentus, kas atbilst izvēlētajām īpašībām. Sarkanā vai zilā krāsā iezīmes norāda tās, kas iekļautas retākos elementos, kas noteikti pie λ1SE kā arī retās iezīmes, kas noteiktas pie λMinErr, bet tie, kas ir dzeltenā vai fuksīna krāsā, norāda tos, kas iekļauti tikai retās iezīmes. Smadzeņu komponentu marķējums ir norādīts tabulās S1 un S2. L, pa kreisi; R, labi.

Tabula 1

Informācija par regulēto loģistisko regresiju katrai trīs grupu pāris klasifikācijai.

 HN pret ĢDHN pret NGNG pret ĢD
ParametrsGMBiezumsBiezumstilpums
 WMFARDMD
Lasso svars0.510.5
Nelielas funkcijas, kas izvēlētas pie λMinErrCV kļūda37.368141.7876133.3857
 Funkciju skaits432111
Spāres funkcijas, kas izvēlētas pie λ1SECV kļūda46.568150.0435141.2622
 Funkciju skaits34121
 

Lasi svars norāda, vai regulētā loģistiskā regresija tika veikta, izmantojot laso (lasso svars = 1) vai elastīgo tīklu (lasso svars = 0.5).

HN, veselīgi ne Gamers; ĢD, nesakārtoti spēlētāji; NG, parastie spēlētāji; ĢM, pelēka viela; WM, balta viela; FA, frakcionēta anizotropija; RD, radiālā difūzija; MD, vidējā difūzija; CV, savstarpēja apstiprināšana.

Diskriminējot neregulētus spēlētājus no veselīgajiem spēlētājiem, 43 iezīmes, kas izvēlētas pie λMinErr sastāvēja no 24 GM reģionu biezuma un 19 WM traktu FA un 34 iezīmēm, kas izvēlētas pie λ1SE sastāvēja no 15 GM reģionu biezuma un 19 WM traktora FA. Atšķirībā no parastajiem spēlētājiem no veselīgajiem spēlētājiem, 21 iezīmes, kas izvēlētas pie λMinErr sastāvēja no 12 GM reģionu biezuma un 9 WM trakta RD un 12 iezīmēm, kas izvēlētas pie λ1SE sastāvēja no 6 GM reģionu biezuma un 6 WM rindu RD. Klasifikācijā starp neregulāriem un normāliem spēlētājiem, 11 iezīmes, kas izvēlētas pie λMinErr sastāvēja no 7 GM reģionu apjoma un 4 WM trakta MD, un vienu funkciju, kas izvēlēta pie λ1SE atbilst viena GM reģiona apjomam.

Atlasīto funkciju izpilde

Starp modeli ar samazinātu funkciju skaitu un modeli ar visām 108 funkcijām, AUC bija salīdzināms attiecībā uz diskrimināciju starp katra veida spēlētājiem un veseliem spēlētājiem, kuriem nav SVM (attēls) (Attēls3) .3). Klasifikācijā starp neregulāriem un normāliem spēlētājiem modelis ar iezīmēm, kas izvēlētas vai nu pie λMinErr (AUC = 0.83, p = 0.006) vai pie λ1SE (AUC = 0.72, p <0.001) parādīja sliktāku sniegumu nekā modelim ar visām 108 pazīmēm (AUC = 0.90).

 

Ārējs fails, kurā ir attēls, ilustrācija utt. Objekta nosaukums ir fpsyt-09-00291-g0003.jpg

Veiktspējas salīdzinājums attiecībā uz apgabalu zem uztvērēja darbības raksturlīknes (AUC) starp modeļiem bez un ar iezīmju izvēli klasifikācijai starp trim trīs grupu pāriem ar atbalsta vektoru mašīnām. 108 iezīmju modelis (apzīmēts ar cietu līniju) atbilst tai, kas nav iezīmju izvēle, bet pazeminātu pazīmju skaita modeļi atbilst tiem, kuriem ir reti un retākas funkcijas, kas izvēlētas pie λMinErr (norādīts ar svītru) un λ1SE (norādīts ar domuzīme-līniju). HN, veselīgi ne Gamers; ĢD, nesakārtoti spēlētāji; NG, normāli spēlētāji.

Klasifikācijas precizitāte

Klasificējot pēc SVM, izmantojot funkcijas, kas izvēlētas pie λMinErrprecizitāte bija lielāka par 98%, kas ir ievērojami augstāka par iespēju līmeni (p Katra spēlētāja veida atšķirība no veseliem, kas nav spēlētāji (0.001. Attēls) (Attēls4A) .4A). Precizitāte joprojām bija ievērojami augstāka par iespēju līmeni (p = 0.002), bet ne mazāk kā 69.8% klasifikācijā starp neregulāriem un normāliem spēlētājiem, īpaši norādot uz zemu jutību (47.4%) pareizu nepareizu spēlētāju identifikācijā. Spēcīgākas funkcijas, kas noteiktas pie λ1SE uzrādīja līdzīgu veiktspēju (Attēls4B) 4B), bet uzrādīja daudz zemāku jutību (2.6%), pareizi nošķirot neregulāros spēlētājus no normāliem spēlētājiem.

 

Ārējs fails, kurā ir attēls, ilustrācija utt. Objekta nosaukums ir fpsyt-09-00291-g0004.jpg

Sajaukšanas matricas klasifikācijā starp katru trīs grupu pāri, lietojot (A) reti un (B) retākas funkcijas, kas noteiktas pie λMinErr un pie λ1SEattiecīgi atbalsta vektoru mašīnās. Apakšējā labā šūna atspoguļo klasifikācijas precizitāti (ACC), kreisā kreisā šūnas patieso negatīvo ātrumu (TNR) vai specifiskumu, zemāko vidējo šūnu patieso pozitīvo ātrumu (TNR) vai jutību, augšējo labo šūnu negatīvo prognozējošo vērtību (NPV ) un vidējo labo šūnu pozitīvo paredzamo vērtību (PPV). TP, pozitīvs; TN, patiess negatīvs; FP, viltus pozitīvs; FN, viltus negatīvs.

diskusija

Šajā pētījumā mēs centāmies noskaidrot, vai patoloģiskos un ne-patoloģiskos spēlētājus, kas klasificēti ar DSM-5 ierosinātajiem IGDS, varētu attēlot retās neuroanatomiskās iezīmes. Neregulārie un parastie spēlētāji tika pārstāvēti attiecīgi 43 un 21 iezīmēs attiecībā pret veseliem spēlētājiem. Turklāt neregulārie spēlētāji bija pārstāvēti ar 11 funkcijām attiecībā pret parastajiem spēlētājiem. Izmantojot reti neiroanatomiskās iezīmes, nesakārtotos un normālos spēlētājus var veiksmīgi diskriminēt no veseliem ne-spēlētājiem, bet nesakārtoto un normālo spēlētāju klasifikācija bija samērā sarežģīta.

Tiek plaši izmantota IGD raksturojoša aprakstoša kategorizācija ar DSM-5 ierosinātajiem IGDS. Kaut arī IGDS empīriskais derīgums ir apstiprināts vairākās valstīs (, , ), piecu vai vairāk IGDS vienību piedziņas slieksnis var nebūt noteikta izvēle, un var ieteikt citus veidus, kā klasificēt personas, kas spēlē interneta spēles.). Tā kā vairāki klīniskie dati, piemēram, smadzeņu attēlveidošanas dati, kā arī demogrāfiskie, uzvedības un simptomātiskie dati kļūst arvien pieejamāki, garīgās slimības diagnosticēšanai varētu izmantot papildu datus. Jo īpaši kvantitatīvās informācijas masas dēļ smadzeņu attēlveidošanas dati ir piemēroti skaitļošanas metodēm un būtu noderīgi prognozēšanai. Ir pierādīts, ka smadzeņu attēlveidošanas datiem ir augstākas prognozes vērtības, salīdzinot ar citiem klīniskiem datiem, lai varētu atrisināt klīniski nozīmīgu problēmu ().

Tā kā ML balstīta diagnostiskā klasifikācija nesen tika pielietota citām atkarību izraisošām uzvedībām un traucējumiem (-), šķiet, ka IGD klasifikācija, kas balstīta uz simptomiem, ir saistīta ar skaitļošanas klasifikācijas izaicinājumu. Tā kā iepriekšējos pētījumos atkārtoti ziņots par smadzeņu anatomiskajām anomālijām pēc IGD-, ), mēs uzskatījām, ka šāda neuroanatomiskā informācija no smadzeņu attēlveidošanas datu potenciālajiem biomarkeriem IGD diagnosticēšanai. Šajā pētījumā mūsu mērķis bija noteikt svarīgu neiroanatomisko īpašību kopumu, kas varētu nodrošināt pietiekami augstu klasifikācijas veiktspēju, papildus aprakstot neuroanatomiskās atšķirības starp indivīdu klasēm.

Mēs izvēlējāmies svarīgus, no 108 neuroanatomiskās iezīmes, rūpīgi regulētu regresiju. Apsverot astoņas GM un WM parametru kombinācijas, tika izvēlētas dažādas parametru kombinācijas, lai atdalītu katru no trim grupām. Ģenētiski modificēto reģionu biezuma un WM traktu integritātes kombinācija bija labāka, lai nošķirtu patoloģiskos spēlētājus no veseliem ne-spēlētājiem, bet ģenētiski modificēto reģionu skaita un WM traktu difūzijas kombinācija bija labāka, lai atšķirtu patoloģiskos spēlētājus. no patoloģiskajiem spēlētājiem. Turklāt, lai gan daudzas smadzeņu sastāvdaļas parasti kalpoja kā neuroanatomiskas iezīmes, kas bija svarīgas, lai nošķirtu patoloģiskos un ne-patoloģiskos spēlētājus no veseliem ne-spēlētājiem, daži ģenētiski modificēti reģioni un WM trakti raksturoja ne-patoloģiskos spēlētājus, bet ne patoloģiskos spēlētājus . Šie atklājumi liecina, ka var nebūt vispārēji vislabāk veiktu GM un WM parametru kombināciju kā neuroanatomisku biomarkeru kombinācija, lai atbilstoši klasificējamajām grupām būtu jāizvēlas specifiska GM un WM parametru kombinācija.

Mazāks skaits reto pazīmju, lai atšķirtu patoloģiskos spēlētājus, salīdzinot ar patoloģisko spēlētāju atšķirību no veseliem spēlētājiem, kas liecina par to, ka ne-patoloģiskie spēlētāji ir pārejas posmā starp patoloģiskajiem spēlētājiem un veseliem ne Gamers. Turklāt mazāk reto iezīmju klasifikācijai starp diviem spēlētāju veidiem, nevis diskrimināciju starp katra veida spēlētājiem un veseliem spēlētājiem, kas nav spēlētāji, norāda, ka patoloģiskie un ne-patoloģiskie spēlētāji ir mazāk atšķirīgi viens ar otru neiroanatomija, nekā tiem, kas ir atšķirīgi no veseliem ne-spēlētājiem. Attiecīgi klasifikācijas modeļi, kas radīti ar retajām iezīmēm, radīja precizitāti, kas pārsniedza 98% diskriminācijā starp katru spēlētāju un veselīgo ne-spēlētāju, bet precizitāti zem 70% klasifikācijā starp diviem spēlētāju veidiem. Tas nozīmē, ka ne-patoloģiskie spēlētāji bija atšķirīgi no veselīgajiem spēlētājiem, kā arī patoloģiskajiem spēlētājiem, bet bija ierobežojumi atšķirt patoloģiskos un patoloģiskos spēlētājus.

Šķiet, ka šī salīdzinoši zema atšķirība starp diviem spēlētāju veidiem liecina par dažiem jēdzieniem. Pirmkārt, var ierosināt neatbilstību starp klasifikāciju, kas balstīta uz simptomiem, un klasifikāciju, kas balstīta uz aprēķiniem. Lai gan ierosinātais diagnostiskais slieksnis piecu vai vairāku kritēriju iegūšanai IGDS tika konservatīvi izvēlēts, lai novērstu IGD pārmērīgu diagnozi () var neņemt vērā to spēlētāju klātbūtni, kuriem ir ievērojamas patoloģiskas izmaiņas neuroanatomijā, bet kas neatbilst IGD robežvērtībai. Jo īpaši mēs iekļāvām tikai tos spēlētājus, kuri apmierināja IGDS posteņus, kas bija daudz zemāki par IGD slieksni, kā parastie spēlētāji, lai spēlētāji, kuriem diagnosticēts, ka viņiem nav IGD, parasti varētu būt tālāk no veseliem veseliem indivīdiem, nekā norādīts šajā pētījumā. Otrkārt, var atzīmēt, ka klasifikācija, kas balstās tikai uz neiroanatomiskiem biomarkeriem, ir izaicinājums. Klasifikācijas veiktspēju varētu uzlabot, iekļaujot citus biomarkerus, kas var aptvert lielāku atšķirību starp patoloģiskajiem un ne-patoloģiskajiem spēlētājiem. Jo īpaši, jo funkcionālās izmaiņas smadzenēs ir pierādītas arī IGD (-) smadzeņu biomarķieri varētu būt arī smadzeņu funkcijas un anatomija. Turklāt mēs vēlamies atzīmēt, ka pārmaiņas smadzenēs ir tikai daļa no interneta spēļu atkarības daudzdimensiju aspektiem, lai citi faktori, ne tikai dažādi iekšējie un ārējie riska faktori interneta spēļu atkarībai (), būtu jāiekļauj pilnīgākos modeļos, lai klasificētu patoloģiskos un ne-patoloģiskos spēlētājus, kā arī atšķirību starp spēlētājiem no veseliem veseliem indivīdiem.

Šeit mēs esam izmantojuši regulētu regresiju, izmantojot reti veicinošus novērtējumus, piemēram, laso un elastīgo tīklu, lai identificētu svarīgas klasifikācijas modeļu iezīmes. Faktiski ir iespējamas metodoloģiskas atšķirības funkciju izvēlei vai dimensiju samazināšanai, un var izmantot dažādas pieejas izvēlēto funkciju izmantošanai modeļa konstruēšanā (). Mūsu pieeja, izmantojot regulētu regresiju, ietver a priori pieņēmumu par neuroanatomisko īpatnību reti. Ar nosacījumu, ka šāds pieņēmums ir pieņemams, kā mēs ticējām šajā pētījumā, regulēta regresija varētu būt ticama pieeja, un izredzētajām retajām iezīmēm būtu jāsagatavo atbilstošas ​​augstas veiktspējas klasifikācijas modeļi. Tomēr jāatzīmē, ka vienkāršāki klasifikācijas modeļi, kuru pamatā ir lielāks sparsums, ne vienmēr var būt salīdzināmi vai uzlaboti. Patiešām, starp dažādiem sparsitātes pakāpes izvēli saskaņā ar regulēšanas parametru, lielāka sparsība, visticamāk, nesniegs labākus rezultātus, jo īpaši sarežģītākās klasifikācijas problēmas, piemēram, patoloģisko un ne-patoloģisko spēlētāju klasifikācija.

Turklāt mēs esam izmantojuši SVM kā ML tehniku ​​klasifikācijas modeļu konstruēšanai, jo tie ir populārākie. Lai uzlabotu klasifikācijas veiktspēju, var izmantot citas uzlabotas metodes, lai gan dažādu metožu salīdzinošo veiktspēju nevar izdarīt, jo veiktspēja ir atkarīga no eksperimentāliem scenārijiem (). No otras puses, lai salīdzinātu klasisko statistisko metožu un ML metožu rezultātus, mēs veicām klasifikāciju arī ar loģistikas regresiju un parādījām, ka abas metodes, proti, loģistiskā regresija un SVM, bija salīdzināmas, veicot klasifikāciju. S2). Var secināt, ka klasiskās statistikas metodes ne vienmēr ir zemākas par ML metodēm, veicot klasifikāciju.).

Šajā pētījumā mēs esam atklājuši, ka IGD klasifikāciju pēc simptomiem var attēlot ar retiem neiroanatomiskiem biomarķieriem, kas sastāvēja no klasifikācijas modeļiem. Turklāt mēs esam pierādījuši, ka ne-patoloģiskie spēlētāji var būt mazāk atšķirīgi no patoloģiskiem spēlētājiem, nekā no ne-spēļu veseliem indivīdiem neuroanatomijas ziņā. Tādējādi mēs iesakām, ka, lai gan pašreizējās diagnostikas sistēmas balstās uz aprakstošu kategorizēšanu, piemēram, DSM-5 kā zelta standartiem, ne-patoloģiskiem spēlētājiem var būt nepieciešama lielāka uzmanība, izmantojot objektīvus biomarkerus, piemēram, tādus, kas saistīti ar neuroanatomiskām izmaiņām. Šķiet, ka skaitļošanas metožu pieņemšana ir neatgriezeniska tendence psihiatrijā, taču var būt nepieciešams ilgs ceļš, lai tos praktiski piemērotu klīniskajai videi. Turpmākajos pētījumos jāveic smadzeņu attēlveidošanas un citu klīnisko datu optimālas atlases meklējumi, un ilgtermiņā šie centieni veicinātu IGD diagnozi.

Autora iemaksas

Par studiju koncepciju un dizainu atbildēja D-JK un J-WC. HC veica klīnisko raksturojumu un dalībnieku atlasi. CP analizēja datus un sagatavoja manuskriptu. Visi autori kritiski izskatīja saturu un apstiprināja galīgo versiju publicēšanai.

Interešu konflikta paziņojums

Autori paziņo, ka pētījums tika veikts bez jebkādām komerciālām vai finansiālām attiecībām, kuras varētu uzskatīt par iespējamu interešu konfliktu.

Zemsvītras piezīmes

 

Finansējums. Šo pētījumu atbalstīja Brain Science pētniecības programma, izmantojot Korejas Nacionālo pētniecības fondu (NRF), ko finansēja Zinātnes un IKT ministrija Korejā (NRF-2014M3C7A1062893).

 

Atsauces

1. Young KS. Interneta atkarība: jauna klīniska traucējuma rašanās. CyberPsychol Behav. (1998) 1: 237 – 44. 10.1089 / cpb.1998.1.237 [Cross Ref]
2. Amerikas Psihiatriskās asociācijas diagnostikas un statistikas garīgās attīstības traucējumu rokasgrāmata, 5th Edition. Vašingtona: American Psychiatric Association Publishing; (2013).
3. Ko CH, Yen JY, Chen SH, Wang PW, Chen CS, Yen CF. Interneta spēļu traucējumu diagnostikas kritēriju novērtēšana DSM-5 jauniešu vidū Taivānā. J Psychiatr Res. (2014) 53: 103 – 10. 10.1016 / j.jpsychires.2014.02.008 [PubMed] [Cross Ref]
4. Ko CH, Hsieh TJ, Wang PW, Lin WC, Yen CF, Chen CS, et al. . Mainīts pelēkās vielas blīvums un traucēta amygdala funkcionālā savienojamība pieaugušajiem ar interneta spēļu traucējumiem. Prog Neuropsychopharmacol Biol psihiatrija (2015) 57: 185 – 92. 10.1016 / j.pnpbp.2014.11.003 [PubMed] [Cross Ref]
5. Lin X, Dong G, Wang Q, Du X. Nenormāla pelēkās vielas un balto vielu tilpums “interneta spēļu narkomānos”. Addict Behav. (2015) 40: 137 – 143. 10.1016 / j.addbeh.2014.09.010 [PubMed] [Cross Ref]
6. Wang H, Jin C, Yuan K, Shakir TM, Mao C, Niu X, et al. . Pelēkās vielas tilpuma un izziņas kontroles izmaiņas pusaudžiem ar interneta spēļu traucējumiem. Front Behav Neurosci. (2015) 9: 64. 10.3389 / fnbeh.2015.00064 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
7. Yuan K, Cheng P, Dong T, Bi Y, Xing L, Yu D, et al. . Kortikālā biezuma anomālijas vēlu pusaudža vecumā ar tiešsaistes spēļu atkarību. PloS ONE (2013) 8: e53055. 10.1371 / journal.pone.0053055 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
8. Dong G, Devito E, Huang J, Du X. Difūzijas tenzora attēlojums atklāj talamus un aizmugures cingulāras garozas novirzes interneta spēļu narkomānos. J Psychiatr Res. (2012) 46: 1212 – 6. 10.1016 / j.jpsychires.2012.05.015 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
9. Xing L, Yuan K, Bi Y, Yin J, Cai C, Feng D, et al. . Samazināta šķiedru integritāte un kognitīvā kontrole pusaudžiem ar interneta spēļu traucējumiem. Brain Res. (2014) 1586: 109 – 17. 10.1016 / j.brainres.2014.08.044 [PubMed] [Cross Ref]
10. Besson P, Dinkelacker V, Valabregue R, Thivard L, Leclerc X, Baulac M, et al. . Strukturālās savienojamības atšķirības kreisajā un labajā pusloka epilepsijā. Neiroimage (2014) 100: 135 – 44. 10.1016 / j.neuroimage.2014.04.071 [PubMed] [Cross Ref]
11. Huys QJ, Maia TV, Frank MJ. Skaitļojošā psihiatrija kā tilts no neirozinātnes līdz klīniskiem pielietojumiem. Nat Neurosci. (2016) 19: 404 – 13. 10.1038 / nn.4238 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
12. Lemmens JS, Valkenburg PM, Gentile DA. Interneta spēļu traucējumu skala. Psihols Novērtēt. (2015) 27: 567 – 82. 10.1037 / pas0000062 [PubMed] [Cross Ref]
13. Dahnke R, Yotter RA, Gaser C. Cortical biezums un centrālās virsmas novērtējums. Neiroimage (2013) 65: 336 – 48. 10.1016 / j.neuroimage.2012.09.050 [PubMed] [Cross Ref]
14. Smith SM, Jenkinson M, Johansen-Berg H, Rueckert D, Nichols TE, Mackay CE, et al. . Teritorijas statistika, kas balstīta uz traktu: daudzfunkciju difūzijas datu vokseļu analīze. Neiroimage (2006) 31: 1487 – 505. 10.1016 / j.neuroimage.2006.02.024 [PubMed] [Cross Ref]
15. Āmuri A, Allom R, Koepp MJ, Free SL, Myers R, Lemieux L, et al. . Cilvēka smadzeņu trīsdimensiju maksimālais varbūtības atlants, īpaši ņemot vērā īslaicīgo daiviņu. Hum Brain Mapp. (2003) 19: 224 – 47. 10.1002 / hbm.10123 [PubMed] [Cross Ref]
16. Mori S, Oishi K, Jiang H, Jiang L, Li X, Akhter K, et al. . Stereotaxic balto vielu atlants, kas balstīts uz difūzijas tenzora attēlu ICBM veidnē. Neiroimage (2008) 40: 570 – 82. 10.1016 / j.neuroimage.2007.12.035 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
17. Tibshirani R. Regresijas saraušanās un atlase caur laso. J Roy Stat Soc Ser B (1996) 58: 267 – 88.
18. Zou H, Hastie T. Regularizācija un mainīgā izvēle caur elastīgo tīklu. J Roy Stat Soc Ser B (2005) 67: 301 – 20. 10.1111 / j.1467-9868.2005.00503.x [Cross Ref]
19. Theodoridis S. Mašīnas apguve: Bayes un optimizācijas perspektīva. London: Academic Press; (2015).
20. Delong ER, Delong DM, Clarke-Pearson DL. Salīdzinot teritorijas zem diviem vai vairākiem korelētiem uztvērēja darbības raksturlīknēm: neparametriska pieeja. Biometrija (1988) 44: 837 – 45. 10.2307 / 2531595 [PubMed] [Cross Ref]
21. Cho SH, Kwon JH. Interneta spēļu traucējumu skalas (K-IGDS) korejiešu valodas versijas apstiprināšana: kopienas pieaugušo izlases rezultāti. Korejas J Clin Psychol. (2017) 36: 104 – 17. 10.15842 / kjcp.2017.36.1.010 [Cross Ref]
22. Sigerson L, Li AYL, Cheung MWL, Luk JW, Cheng C. Ķīniešu interneta spēļu traucējumu skalas psihometriskās īpašības. Addict Behav. (2017) 74: 20 – 6. 10.1016 / j.addbeh.2017.05.031 [PubMed] [Cross Ref]
23. Burke Quinlan E, Dodakian L, Skat. J, Mckenzie A, Le V, Wojnowicz M, et al. . Neironu funkcija, traumas un insulta apakštips paredz ārstēšanas pieaugumu pēc insulta. Ann Neurol. (2015) 77: 132 – 45. 10.1002 / ana.24309 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
24. Pariyadath V, Stein EA, Ross TJ. Atpūtas stāvokļa funkcionālā savienojuma mašīnmācīšanās klasifikācija paredz smēķēšanas statusu. Priekšējais Hum Neurosci. (2014) 8: 425. 10.3389 / fnhum.2014.00425 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
25. Fedota JR, Stein EA. Atpūtas stāvokļa funkcionālā savienojamība un atkarība no nikotīna: biomarkera attīstības perspektīvas. Ann NY Acad Sci. (2015) 1349: 64 – 82. 10.1111 / nyas.12882 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
26. Ahn WY, Ramesh D, Moeller FG, Vassileva J. Mašīnmācības pieeju lietderība, lai identificētu vielu lietošanas traucējumu uzvedības marķierus: impulsiju dimensijas kā pašreizējās kokaīna atkarības prognozes. Front Psychiatry (2016) 7: 34. 10.3389 / fpsyt.2016.00034 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
27. Ahn WY, Vassileva J. Machine-learning identificē vielas raksturīgās uzvedības marķierus opiātu un stimulantu atkarībai. Narkotiku atkarība no alkohola. (2016) 161: 247 – 57. 10.1016 / j.drugalcdep.2016.02.008 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
28. Percy C, França M, Dragičević S, D'avila Garcez A. Tiešsaistes azartspēļu izslēgšanas prognozēšana: uzraudzītu mašīnmācīšanās modeļu veiktspējas analīze. Int Gambl Stud. (2016) 16: 193–210. 10.1080 / 14459795.2016.1151913 [Cross Ref]
29. Ding WN, Sun JH, Sun YW, Zhou Y, Li L, Xu JR, et al. . Mainīts noklusējuma tīkla atpūtas stāvokļa funkcionālais savienojums pusaudžiem ar interneta spēļu atkarību. PloS ONE (2013) 8: e59902. 10.1371 / journal.pone.0059902 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
30. Meng Y, Deng W, Wang H, Guo W, Li T. Prefrontālās disfunkcijas indivīdiem ar interneta spēļu traucējumiem: funkcionālo magnētiskās rezonanses izpētes meta-analīze. Addict Biol. (2015) 20: 799 – 808. 10.1111 / adb.12154 [PubMed] [Cross Ref]
31. Zhang JT, Yao YW, Li CSR, Zang YF, Shen ZJ, Liu L, et al. . Insulas atpūtas režīma funkcionālais savienojums jauniešiem ar interneta spēļu traucējumiem. Addict Biol. (2015) 21: 743 – 51. 10.1111 / adb.12247 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
32. Cai C, Yuan K, Yin J, Feng D, Bi Y, Li Y, et al. . Striatum morfometrija ir saistīta ar kognitīvās kontroles deficītu un simptomu smagumu interneta spēļu traucējumos. Smadzeņu attēlojums Behav. (2016) 10: 12 – 20. 10.1007 / s11682-015-9358-8 [PubMed] [Cross Ref]
33. Park C, Chun JW, Cho H, Jung YC, Choi J, Kim DJ. Vai interneta spēļu atkarīgās smadzenes ir tuvu patoloģiskajam stāvoklim? Addict Biol. (2017) 22: 196 – 205. 10.1111 / adb.12282 [PubMed] [Cross Ref]
34. Kuss DJ, Griffiths MD. Interneta spēļu atkarība: sistemātisks empīrisko pētījumu pārskats. Int J Ment veselības atkarīgais. (2012) 10: 278 – 96. 10.1007 / s11469-011-9318-5 [Cross Ref]
35. Castellanos FX, Di Martino A, Craddock RC, Mehta AD, Milham MP. Funkcionālā savienojuma klīniskie pielietojumi. Neiroimage (2013) 80: 527 – 40. 10.1016 / j.neuroimage.2013.04.083 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
36. Tollenaar N, Van Der Heijden P. Kura metode paredz vislabāko recidīvismu: statistisko, mašīnu mācīšanās un datu ieguves prognozēšanas modeļu salīdzinājums. J Roy Stat Soc Ser (2013) 176: 565 – 84. 10.1111 / j.1467-985X.2012.01056.x [Cross Ref]