Спатиологийн ба патологийн бус интерфейсүүдийг ялгаварлан гадуурхах нь хорт хавдар үүсгэх шинж чанарыг (2018)

. 2018; 9: 291.

Нийтэлсэн онлайн байна 2018 сарын 29. doi:  10.3389 / fpsyt.2018.00291

PMCID: PMC6033968

PMID: 30008681

Товч

Интернет тоглоомын эмгэг (IGD) нь сэтгэцийн эмгэгийн оношлогоо ба статистикийн гарын авлагын хамгийн сүүлийн хувилбар (DSM-5) -ээс гаргасан есөн үндсэн шалгуурын үндсэн дээр оношлогддог. Ийм шинж тэмдгүүдэд суурилсан ангиллыг тооцоололд суурилсан ангилал руу хөрвүүлж болох эсэхийг бид судлав. Бүтцийн MRI (sMRI) ба тархалтын жинтэй MRI (dMRI) өгөгдлийг IGD, 38-ийн оношлогдсон IGD, 68-ийн эрүүл бус тоглоомчид гэж оношлогдсон 37 тоглоомчдын дунд олж авсан. Бид MRI өгөгдлөөс саарал өнгийн (GM) ба цагаан бодисын (WM) бүтцийн 108 онцлог шинж чанаруудыг гаргав. Тогтмол логистик регрессийг бүлгүүдийн хоорондын ялгааг тодорхойлоход чухал ач холбогдлыг сонгохын тулд 108 мэдрэлийн анатомийн шинж чанаруудыг ашиглах үед эрүүл, тоглоомчдын хувьд 43 ба 21-ийн онцлог шинж чанаруудыг тус тусад нь харуулсан болно. хэвийн бус тоглоомчдын хувьд ердийн тоглоомчдын хувьд 11 онцлог шинж чанартай байв. Сийрэг мэдрэлийн анатомийн шинж чанаруудыг урьдчилан таамаглагч болгон ашигладаг вектор машинуудад (SVM) эмх цэгцгүй, хэвийн тоглоомчдын эрүүл мэндийг сайжруулаагүй тоглоомчдын дунд 98% -иас илүү нарийвчлалтайгаар ялгаж байсан боловч эмх цэгцгүй, хэвийн тоглоомчдын ангилал харьцангуй хэцүү байв. Эдгээр олдворууд нь DSM-5-ийн шалгуураар ангилагдсан эмгэг судлал ба эмгэггүй тоглоомуудыг сийрэг мэдрэлийн анатомийн шинж чанартай, ялангуяа тоглоомгүй эрүүл хүмүүсээс ялгаварлан гадуурхах нөхцлийг бүрдүүлдэг болохыг харуулж байна.

Түлхүүр үг: интернет тоглоомын эмгэг, оношлогооны ангилал, бүтцийн MRI, тархалтын жинтэй MRI, тогтмол регресс

Оршил

Хэдэн арван жилийн турш эмгэгийн донтолт гэж санал болгож байсан ч (), саяхан интернэт тоглоомын эмгэг (IGD) -ийг Сэтгэцийн эмгэгийн оношлогоо, статистикийн гарын авлагад оруулсан болно. DSM-ийн тав дахь хэвлэл (DSM-5) () IGD-ийг цаашдын судлах нөхцөл гэж тодорхойлж, оношлох есөн шалгуур үзүүлэв. DSM-5-т санал болгож буй есөн зүйлийн IGD масштаб (IGDS) -ийг ашиглан шинж тэмдгүүдэд суурилсан ангилалд IGD-ийн оношлогоонд таван ба түүнээс дээш шалгуурыг давсан босго хэмжээг хэрэглэв. Хэдийгээр энэхүү цэг нь эмнэлзүйн хувьд ихээхэн бэрхшээлтэй байгаа тоглогчдыг ялгаж ялгаж чаддаг.), IGDS-ийн эдүүдийн хоёрдогч шинж чанар нь оношлогооны хэт томролт эсвэл тодорхойгүй байдлыг хамардаг.

Шинж тэмдгүүдээс гадна IGD-тэй холбоотой олон янзын эмгэгүүд ихэвчлэн ажиглагддаг бөгөөд үүнээс гадна мэдрэлийн анатомийн өөрчлөлтүүд ажиглагддаг. Тиймээ, ихээхэн хэмжээний ажлын хэсэг нь IGD нь тархины бүтцийн өөрчлөлттэй холбоотой болохыг харуулсан: саарал бодисын хэмжээ багасч (GM) эзлэхүүн (-), кортикал зузаан буурах (), мөн цагаан бодисын (WM) бүрэн бүтэн байдал алдагдах (, ) ердийн байдлаар үзүүлсэн. IGD-тэй холбоотой эдгээр нейроанатомийн өөрчлөлтүүд нь тархины дүрслэлийн ийм параметрүүд нь IGD-тэй хүмүүсийг бусад хүмүүсээс ялгахын тулд биомаркер болж чаддаг гэж үздэг. Өөрөөр хэлбэл IGD-ийн оношлогоо нь DSM-5 дээр суурилсан шинж тэмдгээр ангилах замаар бус харин нейроанатомийн биомаркерын тооцооллын аргаар хийх боломжтой юм. Эдгээр оролдлогууд нь сэтгэлзүйд тооцоолох тооцоолох аргыг ашиглан тодорхойлсон оношлогоонд шилжих хүчин чармайлттай тохирч болно (), ялангуяа сэтгэцийн өвчний оношлогоог шийдвэрлэхэд машин сургалтанд суурилсан өгөгдөл дээр суурилсан хандлага (ML)).

Энэхүү судалгаагаар IGDS-ийн оношлогоонд нейроанатомийн биомаркеруудыг ашиглан шинж тэмдгүүдэд суурилсан ангилал ба тооцооллын суурилсан ангиллын хоорондын холбоог хайлаа. Тархины зарим GM ба WM бүрэлдэхүүн хэсгүүд нь оношлогооны ангилалд ихээхэн ач холбогдолгүй, хамааралгүй мэдээлэл агуулж болзошгүй тул тогтмол регрессийг ашиглан сийрэг мэдрэлийн анатомийн шинж чанарыг сонгохыг хичээсэн. Шинж тэмдгүүдэд суурилсан ангиллыг IGD-ийн оношлогоонд хамрагдах ангиллын загварыг бий болгодог сийрэг мэдрэлийн анатомийн шинж чанараар илэрхийлж болно гэж таамаглаж байсан. IGD-тай оношлогдсон эмгэг судлаачдын тоглоом нь IGD байхгүй гэж оношлогдсон тоглоомчдын дунд, өөрөөр хэлбэл эмгэггүй тоглоомчдынхтой харьцуулахад тоглоомын бус эрүүл хүмүүсээс илүү ялгаатай байдаг гэж үздэг; иймээс эмгэггүй тоглоомчдын эрүүл бус хүмүүстэй харьцуулахад эмгэг биш тоглоомчдынхтой харьцуулахад илүү олон тооны онцлог шинж чанартай байдаг. Нэмж дурдахад, бид эмгэг бус тоглоомчдын эмгэгийг тоглоомоноос эсвэл эрүүл бус хүмүүсээс ялгахгүй байх эсэхийг шийдэхийг хүссэн. Эмнэлзүйн бус тоглоомчид дүрслэх шинж тэмдгүүдийн хувьд тоглоомын бус эрүүл хүмүүстэй ойрхон байдаг гэж таамаглаж болох боловч ийм ойлголтыг тооцоололд суурилсан ангилалаар баталгаажуулах шаардлагатай гэж бид үзсэн.

Материал ба арга

оролцогчид

Интернетэд суурилсан тоглоом тоглодог 237 оролцогчдын дунд 106 хувь хүмүүсийг IGDS-ийн оношлогоонд хийсэн клиник сэтгэл судлаачтай хийсэн, эсвэл тархины зураглуурын өгөгдлийг алдсан эсвэл ноцтой гажуудуулсан өөрийгөө мэдээлсэн IGDS-ийн хоорондын зөрүү, эмнэлзүйн сэтгэл судлаачтай хийсэн харилцан ярилцлагыг хассан хүмүүсээс сонгов. IGDS-ийн үндсэн дээр дор хаяж таван IGDS зүйлийг хангаж чадсан 38 хувь хүмүүс (27.66 ± 5.61 жил; 13 эмэгтэйчүүд) -ийг хамгийн ихдээ IGDS зүйлээр хангаж байсан эмх цэгцгүй тоглоомчид ба 68 хувь хүмүүс (27.96 ± 6.41 жил; 21 эмэгтэйчүүд) гэсэн шошготой байв. жирийн тоглогчид. Хоёр ба 4-ийн хооронд IGDS зүйлүүдийг хангаж байсан хүмүүсийг хассан болно, учир нь эдгээр нь эмх цэгцгүй, энгийн тоглоомчдын хоорондох өөр ангиллаар илэрч болно (). Нэмж дурдахад интернетэд суурилсан тоглоом тоглодоггүй 37 хүнийг (25.86 ± 4.10 жил; 13 эмэгтэй) тус тусад нь элсүүлж, тэднийг эрүүл тоглодоггүй гэж тэмдэглэсэн байна. Бүх оролцогчид хавсарсан өвчин байхгүй болохыг батлав. Бүх оролцогчдоос Хельсинкийн Тунхаглал, түүний дараа оруулсан нэмэлт өөрчлөлтийн дагуу бичгээр мэдэгдсэн зөвшөөрөл авсан бөгөөд судалгааг БНСУ-ын Сөүл хотын Сөүл Гэгээн Мариагийн эмнэлэг дэх Байгууллагын Хяналтын Зөвлөлөөр батлав.

MRI мэдээллийг олж авах

Бүтцийн MRI (sMRI) ба сарнисан жинтэй MRI (dMRI) өгөгдлийг 3 T MAGNETOM Verio систем ашиглан (Siemens AG, Erlangen, Герман) цуглуулсан. SMRI өгөгдлийг олж авах нь соронзон хальс дээр суурилсан хурдан градиент цууралтын дарааллыг ашиглан хийгдсэн: sagittal хавтгайд байгаа зүсмийн тоо = 176, зүсмэлийн зузаан = 1 мм, матрицын хэмжээ = 256 × 256, хавтгай нягтрал = 1 × 1 мм. Байна. DMRI өгөгдлийг олж авахын тулд 30 чиглэлд диффузын градиент кодчилолыг хийсэн b = 1,000 с / мм байна2 нэг удаагийн цуурайтуулсан зураглалын дарааллыг ашигласан: тэнхлэгийн хавтгай дахь зүсмийн тоо = 75, зүсмэлийн зузаан = 2 мм, матрицын хэмжээ = 114 × 114, хавтгайд нарийвчлал = 2 × 2 мм.

MRI мэдээллийг боловсруулах

CAT12 (багажууд)http://www.neuro.uni-jena.de/cat/) sMRI өгөгдлийг боловсруулахад ашигладаг байсан. Тархины эзэлхүүний зургийг өөр өөр эд эсүүдэд хувааж, GM, WM, кортикоспинал шингэнийг стандарт орон зайд байрлуулсан лавлагаа тархи руу орон зайгаар бүртгэсэн. Воксел дээр суурилсан морфометрийн (VBM) хувьд воксель-мэргэн GM эзлэхүүнийг GM байх магадлалыг вокселийн эзлэхүүнээр үржүүлсэн бөгөөд дараа нь эдгээр хэмжээ нь толгойн эзлэхүүний хувь хүний ​​ялгааг тохируулахын тулд эдгээр судсыг нийт интракраниаль эзэлхүүнтэй хуваасан болно. Гадаргуу дээр суурилсан морфометрид (SBM) проекц дээр суурилсан зузааныг ашиглан кортикал зузааныг тооцоолсон ().

DMRI өгөгдлийг боловсруулах

FSL 5.0-д багтсан багажууд (http://fsl.fmrib.ox.ac.uk/fsl/) dMRI өгөгдлийг боловсруулахад ашигладаг байсан. Бүх зургийг олж авсан нүцгэн зурган дээр байрлуулсан b = 0 с / мм байна2 өдөөгдсөн гүйдлийн гажуудлыг арилгах, толгойн хөдөлгөөнийг засах. Тархалтын доторх воксел бүрт сарниулах тензорыг загварчилсан бөгөөд тархалтын тензороор үүсгэгдсэн параметрүүдийг, үүнд фракцийн анизотропи (FA), дундаж сарниулах (MD), тэнхлэгийн ялгаа (AD), радиаль диффузив (RD) зэргийг тооцоолсон болно; Нисэх тензорын өөр өөр тэнхлэгийн дагуу гурван зөрүүг авч үзвэл FA нь гурван тэнхлэг хоорондын зөрүүтэй квадратын нийлбэрийн квадрат язгуураар тооцогддог, MD нь гурван тэнхлэгт дунджаар тархсан, AD нь үндсэн тэнхлэгийн дагуу хамгийн их ялгаатай байв. , ба RD нь хоёр бага тэнхлэгийн дагуу тархах дундаж үзүүлэлт юм. Трактод суурилсан орон зайн статистикийг ашиглах (TBSS) () FSL 5.0-д хэрэгжсэн бөгөөд диффузын тензороор үүсгэгдсэн параметрүүдийн газрын зургийг стандарт орон зайд байрлуулсан лавлагааны тархинд орон зайн байдлаар бүртгэж, WM тракторын араг ясан дээр байрлуулсан болно.

Онцлог үе

Ангиллын загвар зохион бүтээх хоёр том алхам бол онцлог шинж чанар ба сонголт юм. Бид нейроанатомийн шинж чанаруудыг, ялангуяа GM-ийн бүсийн хэмжээ, зузаан, WM тракторын багцын бүрэн бүтэн байдал, сарниулах чадварыг бий болгосон. VBM ба SBM-ээс олж авсан воксель цэцгийн газрын зураг болгон GM-ийн хэмжээ ба кортикал зузааныг тооцоолсны дараа параметрүүдийг 60 GM бүс тус бүрээр үнэлэв. S1), Hammers atlas-тай адил тэмдэглэгдсэн (), доторх бүх воксын дундаж үзүүлэлт. TBSS-ээс олж авсан WM тракторын араг ясны оношилгооны газрын зураг дээр FA, MD, AD, RD зэрэг тархалтын цензурийн параметрүүдийг тооцож үзээд параметрүүдийг 48 WM тракт тус бүрээр тооцоолов. S2), ICBM DTI-81 атластай адил тэмдэглэгдсэн (), доторх бүх воксын дундаж үзүүлэлт. Эцэст нь хэлэхэд GM-ийн хоёр параметр ба WM-ийн дөрвөн параметрийг авч үзсэн бөгөөд эдгээр нь GM ба WM-ийн найман хослолыг гаргаж ирэв. GM ба WM параметрүүдийн хослол бүрийн хувьд 60 GM мужууд ба 48 WM тракторын параметрийн утгууд нь нийт 108 нейроанатомийн шинж чанарыг агуулсан болно.

Тогтмол регрессийн онцлог шинж

Онцлог шинж чанаруудын тоог багасгах нь нэн чухал бөгөөд ялангуяа олон тооны онцлог шинж чанартай, цөөн тооны ажиглалт хийх шаардлагатай байдаг. Онцлог шинж чанарын талаархи цөөн тооны ажиглалтууд нь дуу чимээг хэт их хэтрүүлэхэд хүргэж болзошгүй бөгөөд тогтмолжуулалт нь загвар дээр нэмэлт мэдээлэл, хязгаарлалт оруулах замаар хэт халалтыг багасгах, урьдчилан сэргийлэх арга юм. 108-ийн бүх шинж чанарууд нь ангилахад хэрэгтэй, шаардлагатай мэдээллийг агуулаагүй байх тул тогтмол регрессийг ашиглан сийрэг функцийг сонгосон. Тодруулбал lasso () ба уян харимхай тор () тогтмол логистик регресс хийхэд ашигладаг байсан. Лассо нь торгуулийн хугацааг эсвэл зохицуулалтын параметрийг λ агуулдаг бөгөөд энэ нь логистик регрессийн загварт коэффициентийн тооцооны хэмжээг хязгаарладаг. Λ-ийн өсөлт нь илүү тэг утгатай коэффициентийг бий болгодог тул lasso нь цөөн тооны урьдчилан таамаглагчтай логистик регрессийн бууруулсан загварыг өгдөг. Мөн уян харимхай тор нь коэффициентийг тэг болгож, логос регрессийн эрлийзжүүлэлтийн параметрийг оруулаад, өндөр хамааралтай урьдчилан таамаглагчдыг эмчлэхдээ лассогийн хязгаарлалтыг даван туулах замаар логистик регрессийн загварыг бий болгодог.).

Гурван бүлгийн хос бүрийн ангилалд зориулж логистик регрессийн загварт 108 нейроанатомийн шинж чанаруудын дунд чухал таамаглагчдыг тодорхойлохын тулд lasso ба уян харимхай торыг ашигласан. Гурван бүлгийн хос бүрийн бүх хүмүүсийн 108 шинж чанарууд нь өгөгдлийн матрицыг зохиох стандартчилагдсан, A, мөр тус бүр нэг ажиглалтыг, багана бүр нэг урьдчилан таамаглагчийг илэрхийлсэн. Хувь хүний ​​нас, хүйсийн GM ба WM параметрүүдэд үзүүлэх нөлөөллийг арилгах, үлдэгдэл үүсгэх матриц, Rүүсгэгдсэн: R = I-C(CTC)-1C хаана I таних матриц байсан ба C нь нас, хүйсийн ковровидыг будлиулдаг матриц кодлогч байсан. Дараа нь хэрэглэсэн A будлиантай ковариарыг арилгасны дараа үлдэгдэл олж авах: X = RA.

Тохируулсан мэдээллийн матрицыг харгалзан үзвэл X, хариу нь Y, хоёр ангилсан хувь хүний ​​10 давхар хөндлөн баталгаажуулалтыг (CV) тогтмолжуулалтын параметрийг хайж олоход ашигладаг,MinErr, туршилтын загвар дээр сөрөг лог-магадлал гэж тодорхойлсон, хазайлтын хувьд хамгийн бага алдааг үзүүлсэн. Эсвэл CV муруй нь λ шалгалт тус бүрт алдаа гардаг тул тогтмолчлолын параметр,1SE, энэ нь regular-ээс тогтмол нэмэгдэх чиглэлд CV-ийн хамгийн бага алдааны нэг стандарт алдааны дотор олдсонMinErr мөн авч үзсэн. Энэ нь сийрэгжүүлэгч функцийг were дээр сонгосон1SE, харин сийрэг шинж чанарыг λ-д тодорхойлжээMinErrБайна. Цөөн тооны урьдчилсан таамаглал бүхий логистик регрессийн загварыг тогтмол хайж олох энэ журам нь 108 нейроанатомийн шинж чанаруудаас бүрдсэн GM ба WM параметрүүдийн хослол бүрт давтагдсан болно.

Сонгосон шинж чанаруудын гүйцэтгэл

Сийрэг ба сийрэг шинж чанаруудын ашиг тустай байдлыг үнэлэхийн тулд гүйцэтгэлийг цөөн тооны шинж чанар бүхий загвар болон 108-ийн бүх функц бүхий загварыг хүлээн авагчийн үйл ажиллагааны шинж чанарыг (ROC) хэмжих замаар дэмжих вектор машинуудад (SVMs) харьцуулсан. Таван удаа CV-ээр оновчтой болгосон цөмийн функц ба гиперпараметеруудын хувьд шугаман цөмийн тусламжтайгаар гурван бүлгийн хос бүрт бүх хүмүүст SVM сургагдсан. ROC муруй (AUC) дор байрлах талбайг загвар бүрийн хувьд түүний гүйцэтгэлийн тоон хэмжүүрээр тооцов. DeLong тестүүд () хос загвар бүрийн хоорондох AUC-ийг харьцуулахын тулд ашигласан. AUC нь ялгаатай үед p-0.05-ийн үнэлгээ, гүйцэтгэлийг хоёр загварт харьцуулах боломжгүй гэж үзсэн.

Ангиллын нарийвчлал

Онцлог шинж чанарыг бий болгох, сонгон шалгаруулахаас эхлээд ангиллын загварыг барих хүртэлх бүдүүвч горимыг Зураг дээр үзүүлэв Зураг1.1Байна. Гурван бүлгийн хос бүрийн хувьд сонгосон шинж чанаруудыг урьдчилан таамаглагч болгон ашиглан SVM ангиллын загварыг гаргав. Үл хамаарах CV схемийг ашигласнаар ангиллын загваруудын нарийвчлалыг үл харгалзан ангилсан нарийвчлалыг үлдсэн хувь хүн бүрт тооцож, бүх хүмүүсийн дунд харьцуулсан болно. Нарийвчлалын статистикийн ач холбогдлыг permution туршилтыг ашиглах замаар тооцоолсон болно. Гурван бүлгийн хос тус бүрийг ангилах эмпирик тэг тархалтыг хувь хүмүүсийн шошгыг дахин давтаж, мөн тухайн шошготой холбоотой нарийвчлалыг хэмжих замаар бий болгосон. Зөвшөөрөөгүй шошгын хувьд нарийвчлал нь null түгэлтээс их эсвэл тэнцүү байсан бол p-0.05-ийн утга нь боломжийн түвшингээс эрс ялгаатай (нарийвчлал = 50%) байсан. Нэмж дурдахад, гурван бүлгийн хос бүрийн ялгааг мэдрэх мэдрэмж, өвөрмөц байдлыг тодорхойлохын тулд будлиантай матрицыг дүрсэлсэн болно.

 

Объект, зургийг агуулсан гадаад файл байна. Object нэр нь fpsyt-09-00291-g0001.jpg

Эвдэрсэн тоглоомчдын (DG) ба эрүүл бус тоглоомчдын (HN), ердийн тоглоомчдын (NG) ба HN-ийн хооронд, DG ба NG-ийн хооронд ангилах загварыг бий болгох хүртэлх схемийн процедурууд. GM, саарал бодис; WM, цагаан бодис.

үр дүн

Онцлог сонголт

Зураг Зураг22 108-ийн сонгосон шинж чанаруудыг коэффициентийн тооцоо, Хүснэгтээр харуулна Хүснэгт11 Гурван бүлэг бүрийн хослолын ангилалд зориулагдсан логистик регрессийн тогтмол загварыг холбогдох мэдээллийг тайлбарласан болно. Үүнээс гадна Зураг S1 аль нь CV-ийн хамгийн бага алдааг гаргаж, features-ээс хичнээн шинж сонгогдсон болохыг харуулна1SE мөн at дээрMinErrБайна. Эрүүл бус тоглоомчид ба ердийн тоглоомчдын хоорондох ангилалд lasso (lasso жин = 1) болон бусад ангиллын хувьд уян харимхай тор (lasso жин = 0.5) -аар CV-ийн хамгийн бага алдааг олж авсан болно.

 

Объект, зургийг агуулсан гадаад файл байна. Object нэр нь fpsyt-09-00291-g0002.jpg

Гурван бүлэг тус бүрийн ангиллын хувьд логистик регрессийн тогтмолжуулсан мэдрэлийн-анатомийн шинж чанаруудыг сонгосон. Эмх замбараагүй тоглогчдыг (DG) эрүүл тоглодоггүй хүмүүс (HN) ба DG, хэвийн тоглогчид (NG) -ийг HN ба NG ангилалд 1, DG нь NG ба DG гэсэн ангилалд 1 гэж ангилсан. Баарны хэмжээ нь тухайн шинж чанарын коэффициентийн хэмжээг илэрхийлдэг бөгөөд тэг тэг биш коэффициентийн шинж чанарыг сонгосон байх ёстой. Үзүүлсэн тархи нь сонгосон онцлог шинж чанаруудтай тохирох саарал болон цагаан бодисын бүрэлдэхүүн хэсгүүдийг дээд зэргээр харуулдаг. Улаан эсвэл цэнхэр өнгө нь sp-д тодорхойлогдсон сийрэг шинж чанаруудад багтсан болохыг илэрхийлнэ1SE түүнчлэн λ-д тодорхойлогдсон сийрэг шинж чанаруудадMinErr, шар эсвэл улаан ягаан өнгөтэй хүмүүс зөвхөн сийрэг онцлог шинж чанарыг агуулдаг. Тархины бүрэлдэхүүн хэсгүүдийн шошгыг Хүснэгтэд заасны дагуу хийдэг S1 болон S2Байна. L, зүүн; R, зөв.

Хүснэгт 1

Гурван бүлгийн хос бүрийн ангилалд зориулж тогтмол логистик регрессийн мэдээллийг нэгтгэх.

 HN vs. DGHN vs. NGNG ба DG
ҮзүүлэлтGMзузаанзузаанЭзлэхүүн
 WMFARDMD
Лассогийн жин0.510.5
Ar дээр сонгосон сийрэг шинж чанаруудMinErrCV алдаа37.368141.7876133.3857
 Онцлог шинж чанаруудын тоо432111
Ars дээр сонгосон Sparser онцлог1SECV алдаа46.568150.0435141.2622
 Онцлог шинж чанаруудын тоо34121
 

Лассогийн жин нь lasso (lasso жин = 1) эсвэл уян тор (lasso жин = 0.5) ашиглан логистик регресс хийгдсэн эсэхийг заана..

HN, эрүүл бус тоглоомчид; DG, гажигтай тоглоомчид; NG, энгийн тоглоомчид; GM, саарал бодис; WM, цагаан бодис; FA, бутархай анизотропи; RD, радиаль ялгаа; MD, дундаж ялгаа; CV, хөндлөн баталгаажуулалт.

Эрүүл бус тоглоомчдын тоглоомыг ялгаварлан гадуурхахад 43-ийн онцлог шинж чанаруудыг λ-д сонгосонMinErr 24 GM-ийн бүсийн зузаан ба 19 WM тракторын FA-ийг багтаасан бөгөөд 34-ийн онцлог шинж чанаруудыг at-д сонгосон.1SE 15 GM бүсийн зузаан ба 19 WM тракторын FA-ээс бүрдсэн. Ердийн тоглоомчдын эрүүл бус тоглоомуудаас ялгахад 21 шинж чанарууд нь λ дээр сонгогддогMinErr 12 GM бүсийн зузаан ба 9 WM тракторын RD-ээс бүрдсэн ба 12 функцийг λ-д сонгосон1SE 6 GM бүсийн зузаан ба 6 WM тракторын RD-ээс бүрдэнэ. Эвдрэлтэй болон хэвийн тоглоомчдын хоорондох ангилалд 11 онцлог шинж чанарууд нь at дээр сонгогддогMinErr 7 GM мужуудын эзлэхүүн болон 4 WM тракторын MD-ийн хэмжээ, at дээр сонгогдсон нэг онцлог шинж чанарыг агуулсан болно.1SE нэг GM мужийн эзлэхүүнтэй тохирч байсан.

Сонгосон шинж чанаруудын гүйцэтгэл

Цөөн тооны функц бүхий загвар ба бүх 108 онцлог шинж чанар бүхий загваруудын хооронд гүйцэтгэлийг SVM-ийн төрлүүд ба эрүүл бус тоглоомчдын хооронд ялгаварлан гадуурх байдлыг харьцуулж AUC-ийн хувьд харьцуулж үзсэн. (Зураг3) .3). Эвдрэлтэй болон жирийн тоглоомчдын хоорондох ангилалд at-ийн аль алинд нь сонгогдсон онцлог шинжтэй загварууд орноMinErr (AUC = 0.83, бас p = 0.006) эсвэл λ дээр байх1SE (AUC = 0.72, бас p <0.001) нь бүх 108 шинж чанар бүхий загвараас муу гүйцэтгэлийг харуулсан (AUC = 0.90).

 

Объект, зургийг агуулсан гадаад файл байна. Object нэр нь fpsyt-09-00291-g0003.jpg

Дэмжлэгийн вектор машинаар гурван бүлэг тус бүрээр ангилах онцлог шинж чанаргүй загваруудын хооронд хүлээн авагчийн үйл ажиллагааны шинж чанарын муруй (AUC) хэсгийн талбайн гүйцэтгэлийг харьцуулах. 108-ийн онцлог шинж чанаруудын загвар (хатуу шугамаар тодорхойлогдсон) нь онцлог шинж чанаргүйгээр, харин багасгасан тооны загваруудын загвар нь at-д сонгогдсон сийрэг, сийрэг шинж чанаруудтай нийцдэг.MinErr (тасархай шугамаар заагдсан) ба λ1SE (зураас цэгээр дүрсэлсэн). HN, эрүүл бус тоглоомчид; DG, гажигтай тоглоомчид; NG, энгийн тоглоомчдын асуудал.

Ангиллын нарийвчлал

SVM-ийн ангиллаар selected-д сонгосон шинж чанаруудыг ашигланMinErrнарийвчлал нь 98% -аас их байсан нь боломжийн түвшнээс их байсан юм.p Тоглогчдын төрөл тус бүрийг эрүүл тоглодоггүй тоглогчдоос ялгахад <0.001) (Зураг4A) .4A). Нарийвчлал нь боломжийн түвшингээс хавьгүй өндөр байсан (p = 0.002) гэхдээ эмх цэгц муутай тоглоомчдын зөв ангилалд бага мэдрэмтгий байдлыг (69.8%) харуулсан, эмх цэгцгүй, хэвийн тоглоомчдын хоорондох ангилалд 47.4% -иас бага байна Сперерийн шинж чанар нь λ-д тодорхойлогддог1SE ижил төстэй үзүүлэлтийг үзүүлэв (Зураг (Зураг4B) 4B) гэхдээ эвдэрсэн тоглоомчдын хэвийн тоглоомуудаас ялгаа нь бага байсан (2.6%).

 

Объект, зургийг агуулсан гадаад файл байна. Object нэр нь fpsyt-09-00291-g0004.jpg

Ашиглахдаа гурван бүлгийн хос тус бүрийн ангиллын матрицууд (А) сийрэг ба (B) ars дээр тодорхойлогдсон спарер шинж чанаруудMinErr ба дээр1SEтус тусын дэмжлэг вектор машинд. Баруун доод нүд нь ангиллын нарийвчлал (ACC), зүүн доод нүдний жинхэнэ сөрөг түвшин (TNR) эсвэл өвөрмөц байдал, доод-доод нүдний жинхэнэ эерэг түвшин (TNR) эсвэл мэдрэмж, баруун дээд нүдний сөрөг таамаглах утга (NPV) ), мөн баруун баруун нүд нь эерэг таамаглах утгыг (PPV). TP, жинхэнэ эерэг; TN, жинхэнэ сөрөг; FP, хуурамч эерэг; FN, хуурамч сөрөг.

хэлэлцүүлэг

Энэхүү судалгаанд бид DSM-5-т санал болгосон IGDS ангилалд багтсан эмгэг болон эмгэггүй тоглоомчдын сийрэг мэдрэлийн анатомийн шинж чанаруудаар илэрхийлэгдэх боломжтой эсэхийг шалгахыг хичээсэн. Эвгүй, хэвийн тоглоомчдын эрүүл мэндийг эрүүл бус тоглоомчдын хувьд 43 ба 21-ийн үзүүлэлтүүдээр харуулсан болно. Үүнээс гадна, эвдэрсэн тоглоомчдын дүр төрхийг ердийн тоглоомчдынхтой харьцуулахад 11 онцлог шинж чанартай байв. Сийрэг мэдрэлийн анатомийн шинж чанаруудыг ашиглан эмгэггүй, хэвийн тоглоомуудыг эрүүл бус тоглоомуудаас амжилттай ялгаж авч болох боловч эмгэг, хэвийн тоглоомчдын ангилал харьцангуй хэцүү байв.

DSM-5-д санал болгосон IGDS-тай IGD-ийн тайлбарласан ангиллын ангиллыг өргөнөөр нэвтрүүлж байна. IGDS-ийн эмпирик хүчинтэй байдал олон улсад батлагдсан боловч (, , ), тав ба түүнээс дээш IGDS зүйлийг мэдрэх босго нь тодорхой сонголт биш байж болох бөгөөд Интернетэд суурилсан тоглоом тоглох хүмүүсийг ангилах бусад аргыг санал болгож болно (). Тархины зураглал, хүн ам зүй, зан үйлийн шинж тэмдэг, шинж тэмдгийн мэдээлэл гэх мэт олон төрлийн эмнэлзүйн мэдээллүүд олширч байгаа тул сэтгэцийн өвчний оношлогоонд нэмэлт мэдээллийг ашиглах боломжтой болно. Ялангуяа тоон мэдээллийн асар их хэмжээтэй учраас тархины зураглалыг өгөгдөл нь тооцооллын аргад ашиглахад тохиромжтой бөгөөд урьдчилан таамаглахад хэрэгтэй болно. Үнэн хэрэгтээ тархины дүрслэлийн өгөгдөл нь эмнэлзүйн хувьд хамааралтай асуудлыг шийдэх урьдчилсан таамаглалаар бусад эмнэлзүйн өгөгдөлтэй харьцуулахад илүү өндөр таамаглах утгатай болохыг тогтоосон болно ().

ML-д суурилсан оношлогооны ангиллыг сүүлийн үед бусад донтуулдаг зан байдал, эмгэгүүдэд хэрэглэж ирсэн (-), IGD-ийн шинж тэмдгүүдэд суурилсан ангилал нь тооцоололд суурилсан ангилал хийхэд бэрхшээлтэй тулгарч байна. Учир нь IGD-ийн дараах тархины анатомийн эмгэгүүд өмнөх судалгаанд олон удаа гарч байсан (-, ), бид ийм төрлийн нейроанатомийн мэдээллийг IGD оношлох тархины дүрслэл мэдээллийн биомаркеруудаас авч үзсэн. Энэхүү судалгаанд бидний зорилго бол хүмүүсийн ангилал хоорондын нейроанатомийн ялгааг тайлбарлахаас гадна хангалттай өндөр ангиллын гүйцэтгэлийг хангахуйц чухал мэдрэлийн анатомийн шинж чанаруудыг олж тогтоох явдал байв.

Бид 108-ийн мэдрэлийн анатомийн шинж чанаруудын дунд чухал ач холбогдолтой, нарийн зохицуулсан регрессийг сонгов. GM ба WM параметрүүдийн найман хослолыг авч үзэхдээ гурван бүлгийн хос бүрийг ялгахын тулд өөр өөр параметрийн хослолыг сонгосон. GM бүсийн зузаан ба WM тракторын бүрэн бүтэн байдлыг хослуулсан нь эмгэг төрүүлэгчдийг эрүүл бус тоглоомчдын хооронд ялгахад илүү дээр байсан бол GM бүсийн эзлэхүүн ба WM тракторын тархалтын байдлыг хослуулсан нь эмгэг төрүүлэгчдийг ялгахад илүү дээр байв. эмгэг биш тоглоомчдын тоглоомуудаас. Цаашилбал, тархины олон бүрэлдэхүүн хэсэг нь эрүүл бус тоглоомчдын хоорондох эмгэг, эмгэггүй тоглоомыг ялгахад чухал ач холбогдолтой нейроанатомын шинж чанарууд байсан боловч зарим GM бүс нутаг, WM трактууд нь эмгэг биш тоглоомчдын шинж чанарыг тодорхойлдог боловч Байна. Эдгээр олдворууд нь GM ба WM-ийн параметрүүдийг нейроанатомийн биомаркер болгон ашиглахад хамгийн тохиромжтой, хосгүй байж болох тул GM ба WM параметрүүдийг тодорхой ангилах бүлгийн дагуу сонгох шаардлагатайг харуулж байна.

Эрүүл бус тоглоомчдын хоорондох эмгэгийн бус тоглоомчдын ялгааг харьцуулах нь сийрэг шинж чанаруудын тоо бага байгаа нь эмгэг бус тоглоомчдын эрүүл мэнд, эрүүл мэндийн хоорондын шилжилтийн үе шатанд байгааг харуулж байна. тоглоомонд бус хүмүүс. Нэмж дурдахад тоглоомчдын төрөл тус бүрийг ялгаварлан гадуурх, хоёр төрлийн тоглоомчдын хоорондох ангиллын ялимгүй шинж чанарууд нь патологийн болон патологийн бус тоглоомчдын хоорондоо ижил төстэй байдаггүй болохыг харуулж байна. эрүүл бус тоглоомчдын адил төстэй харьцаатай байдаг. Иймээс сийрэг шинж чанартайгаар бий болсон ангиллын загварууд нь тоглоомчдын төрөл ба эрүүл бус тоглоомчдын хооронд ялгаа хийхэд 98% -аас илүү нарийвчлалтай байсан боловч хоёр төрлийн тоглоомчдын хоорондох ангилалд 70% -аас бага нарийвчлалтай байсан. Өөрөөр хэлбэл эмгэггүй тоглоомчдын эрүүл бус тоглоомчдын дунд төдийгүй эмгэг судлаачдын өвөрмөц байдлаас ялгарах байсан боловч эмгэг, эмгэггүй тоглоомчдын хооронд ялгаа хязгаарлагдаж байв.

Хоёр төрлийн тоглоомчдын харьцангуй бага ялгаа нь цөөн хэдэн санааг дэвшүүлж байгаа юм. Нэгдүгээрт, шинж тэмдгүүдэд суурилсан ангилал ба тооцоолол дээр суурилсан ангиллын хоорондох зөрүүг санал болгож болно. IGDS-ийн тав ба түүнээс дээш шалгуурыг мэдрэх оношилгооны босго хэмжээг IGD-ийн хэт оношлогоос урьдчилан сэргийлэхийн тулд консерватив аргаар сонгосон (), нейроанатомийн эмгэг өөрчлөлтөд ихээхэн хохирол учруулдаг боловч IGD-ийн босгыг хангаж чадахгүй байгаа тоглоомчдын тоог үл тоомсорлож болохгүй. Ялангуяа бид IGDS-ийн зүйлсийг IGD-ийн босгоос ердийн тоглоомчдынхаас хамаагүй бага түвшинд хүргэдэг тоглоомчдын тоог оруулсан бөгөөд ингэснээр IGD байхгүй гэж оношлогдсон тоглоомчид тоглоомын судалгаанд хамрагдаагүй эрүүл хүмүүсээс ерөнхийдөө хол байх болно. Хоёрдугаарт, зөвхөн нейроанатомийн биомаркеруудад тулгуурласан ангиллын хувьд бэрхшээлийг тэмдэглэж болно. Ангиллын гүйцэтгэлийг бусад биомаркеруудыг оруулснаар сайжруулж болно. Ялангуяа тархинд үйл ажиллагааны өөрчлөлтийг IGD-д үзүүлдэг (-), үйл ажиллагаа, тархины анатомийг тархины биомаркер гэж үзэж болно. Нэмж дурдахад, тархинд гарсан өөрчлөлт нь зөвхөн интернет тоглоомын донтолтын олон талт талуудын нэг хэсэг болдог гэдгийг тэмдэглэхийг хүсч байна. Ингэснээр бусад хүчин зүйлс, Интернет тоглоомын донтолтын янз бүрийн дотоод болон гадаад эрсдэлт хүчин зүйлс биш (), патологийн бус ба тоглоомчдын ангиллыг илүү бүрэн гүйцэд загвар болгон оруулах, мөн тоглоомын бус эрүүл хүмүүсээс тоглоомчдын ялгааг тодорхойлох хэрэгтэй.

Энд бид ангилсан загваруудад чухал шинж чанаруудыг тодорхойлохын тулд lasso болон уян харимхай тор гэх мэт сийрэгжүүлэлтийг өдөөдөг тооцооллыг ашиглан тогтмол тохируулагдсан регрессийг ажиллуулдаг. Онцлог шинж чанар, хэмжээсийг бууруулах чиглэлээр арга зүйн өөрчлөлтүүд байдаг бөгөөд загвар зохион бүтээхэд сонгосон шинж чанаруудыг ашиглахад янз бүрийн хандлагыг ашиглаж болно (). Тогтмол регрессийг ашиглах бидний хандлага нь нейроанатомийн шинж чанар дахь сийрэгжилттэй холбоотой априори таамаглалыг бий болгодог. Энэхүү таамаглалыг хүлээн зөвшөөрсөн тохиолдолд энэхүү регресс нь цэгцтэй хандлага байж болох бөгөөд сонгогдсон сийрэг шинж чанарууд нь хангалттай өндөр гүйцэтгэлийн ангиллын загваруудыг бий болгоно гэж үзэж байна. Илүү наран тал дээр суурилсан энгийн ангиллын загварууд нь үргэлж харьцуулж эсвэл сайжруулж чаддаггүйг тэмдэглэх нь зүйтэй. Үнэн хэрэгтээ, тохируулгын параметрийн дагуу сийрэгжилтийн түвшний өөр өөр сонголтуудын дунд илүү сийрэг байдал нь илүү төвөгтэй ангиллын асуудалд, тухайлбал эмгэг болон эмгэггүй тоглоомчдын хоорондох ангилал зэрэгт илүү сайн гүйцэтгэлтэй загварыг гаргаж өгөх магадлал багатай байсан.

Нэмж дурдахад, бид SVM-ийг ангиллын загваруудыг бүтээхэд зориулж ML техник болгон ашиглаж ирсэн. Ангилалын гүйцэтгэлийг сайжруулахын тулд бусад дэвшилтэт аргуудыг ашиглаж болно, гэхдээ туршилтын хувилбараас гүйцэтгэлээс хамаарч өөр өөр аргуудын харьцуулсан гүйцэтгэлийг хийж чадахгүй байна (). Нөгөө талаар, сонгодог статистик арга болон ML техникийн харьцуулсан гүйцэтгэлийн хувьд бид логистик регрессийн дагуу ангиллыг явуулсан бөгөөд логистик регресс ба SVM гэсэн хоёр аргыг ангиллын гүйцэтгэлд харьцуулж болохыг харуулав. S2). Сонгодог статистик аргачлал нь ангиллын гүйцэтгэлд ML техникээс ямагт доогуур байдаггүй гэдгийг баталж байна ().

Одоогийн судалгаагаар IGD-ийн шинж тэмдгүүдэд суурилсан ангилал нь ангиллын загварыг бүрдүүлсэн сийрэг мэдрэлийн анатомийн биомаркеруудын хувьд илэрхийлэгдэж болохыг олж мэдсэн. Цаашилбал, эмгэг бус тоглоомчдын тоглоомыг нейроанатоми талаас нь харахад эрүүл бус хүмүүсээс тоглоомын эмгэгээс ялгах чадваргүй болохыг бид харууллаа. Тиймээс одоогийн оношлогооны систем нь DSM-5 гэх мэт тайлбар ангилалд алтны стандарт гэж хамаардаг боловч эмгэггүй тоглоомчид нейроанатомийн өөрчлөлттэй холбоотой объектив биомаркераторуудыг ашиглан илүү нарийн оношлох шаардлагатай болж байгааг бид зөвлөж байна. Тооцооллын аргыг хэрэглэх нь сэтгэцийн эргэлт буцалтгүй хандлага мэт харагдаж байгаа боловч эдгээрийг эмнэлзүйн орчинд практик байдлаар хэрэгжүүлэхэд холын урт зам байж магадгүй юм. Тархины зураглал болон бусад эмнэлзүйн мэдээллээс сийрэг шинж чанарыг оновчтой сонгох ажлыг дараагийн судалгаанд хийх шаардлагатай бөгөөд урт хугацааны туршид эдгээр хүчин чармайлтууд нь IGD-ийн тооцоолол дээр суурилсан оношлогоо хийхэд тусална.

Зохиогчийн хувь нэмэр

D-JK ба J-WC нь судалгааны үзэл баримтлал, дизайныг хариуцдаг байв. HC нь клиник шинж чанар, оролцогчдын сонгон шалгаруулалтыг явуулсан. CP нь өгөгдлийг шинжилж, гар бичмэлийн загварыг боловсруулав. Бүх зохиогчид агуулгыг шүүмжлэн хянан үзэж, эцсийн хувилбарыг нийтлэхийг зөвшөөрсөн.

Сонирхлын зөрчлийн тухай мэдэгдэл

Судлаачид судалгааг сонирхлын зөрчилдөөн гэж ойлгож болох арилжааны болон санхүүгийн харилцааг байхгүй үед явуулсан гэж мэдэгдэж байсан.

Хөл тэмдэглэл

 

Санхүүжилт. Энэхүү судалгааг БНСУ-ын Шинжлэх ухаан, мэдээллийн технологийн яам (NRF-2014M3C7A1062893) -ээс санхүүжүүлсэн Солонгосын Үндэсний Судалгааны Сан (NRF) -аар тархи судлалын судалгааны хөтөлбөрийг дэмжиж ажилласан.

 

 

Нэмэлт материал

Энэ нийтлэлийн нэмэлт материалыг онлайн хэлбэрээр олж авч болно: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material

Ашигласан материал

1 дугаартай. Залуу KS. Интернетийн донтолт: шинэ клиник эмгэгийн үүсэл. CyberPsychol Behav. (1998) 1: 237 – 44. 10.1089 / cpb.1998.1.237 [Хөндлөнгийн Ref]
2 дугаартай. Америкийн Сэтгэцийн Холбооны Сэтгэцийн эмгэгийн оношлогоо, статистикийн гарын авлага, 5th хувилбар. Вашингтон, ДС: Америкийн сэтгэл мэдрэлийн нийгэмлэгийн хэвлэлийн газар; (2013).
3 дугаартай. Ko CH, Yen JY, Chen SH, Wang PW, Chen CS, Yen CF. Тайванийн залуу насанд хүрэгчдийн дунд DSM-5-ийн интернэт тоглоомын эмгэгийн оношлогооны шалгуур үзүүлэлт. J Сэтгэцийн эмч Res. (2014) 53: 103 – 10. 10.1016 / j.jpsychires.2014.02.008 [PubMed[]Хөндлөнгийн Ref]
4 дугаартай. Ko CH, Hsieh TJ, Wang PW, Lin WC, Yen CF, Chen CS, нар. Байна. Саарал бодисын нягтрал өөрчлөгдөж, интернет тоглоомын эмгэг бүхий насанд хүрэгчдэд amigdala-ийн функциональ холболтыг тасалдуулав. Прог нейропсихофармакол Биол Сэтгэл зүй (2015) 57: 185 - 92. 10.1016 / j.pnpbp.2014.11.003 [PubMed[]Хөндлөнгийн Ref]
5 дугаартай. Lin X, Dong G, Wang Q, Du X. 'Интернет тоглоомын донтогчид' дахь хэвийн бус саарал, цагаан өнгийн хэмжээ. Донтуулагч зан. (2015) 40: 137 – 143. 10.1016 / j.addbeh.2014.09.010 [PubMed[]Хөндлөнгийн Ref]
6 дугаартай. Ван Х, Жин С, Юань К, Шакир ТМ, Мао С, Ниу Х, нар. Байна. Интернет тоглоомын эмгэг бүхий өсвөр насныханд саарал өнгийн хэмжээ, танин мэдэхүйн хяналтыг өөрчлөх. Урд талын Behav Neurosci. (2015) 9: 64. 10.3389 / fnbeh.2015.00064 [PMC үнэгүй нийтлэл[]PubMed[]Хөндлөнгийн Ref]
7 дугаартай. Юань К, Ченг П, Донг Т, Би Ю, Синг Л, Ю Д, нар. Байна. Онлайн тоглоомын донтолт бүхий хожуу өсвөр насныханд кортикал зузаан хэвийн бус байдал. PloS ONE (2013) 8: e53055. 10.1371 / jurnal.pone.0053055 [PMC үнэгүй нийтлэл[]PubMed[]Хөндлөнгийн Ref]
8 дугаартай. Dong G, Devito E, Huang J, Du X. Диффузын тензор дүрслэл нь интернет тоглоомын донтогчдод thalamus болон posterior cingulate cortulate cortex-ийн хэвийн бус байдлыг илтгэдэг. J Сэтгэцийн эмч Res. (2012) 46: 1212 – 6. 10.1016 / j.jpsychires.2012.05.015 [PMC үнэгүй нийтлэл[]PubMed[]Хөндлөнгийн Ref]
9 дугаартай. Xing L, Yuan K, Bi Y, Yin J, Cai C, Feng D нар, бусад. Байна. Интернет тоглоомын эмгэгтэй өсвөр насныханд шилэн нэгдмэл байдал, танин мэдэхүйн хяналтыг бууруулсан. Тархины амралтын газар. (2014) 1586: 109 – 17. 10.1016 / j.brainres.2014.08.044 [PubMed[]Хөндлөнгийн Ref]
10 дугаартай. Besson P, Dinkelacker V, Valabregue R, Tivard L, Leclerc X, Baulac M нар гэх мэт. Байна. Зүүн ба баруун түр зуурын хавирганы эпилепсийн бүтцийн холболтын ялгаа. Neuroimage (2014) 100: 135 – 44. 10.1016 / j.neuroimage.2014.04.071 [PubMed[]Хөндлөнгийн Ref]
11 дугаартай. Huys QJ, Maia TV, Фрэнк МЖ. Мэдрэл судлалаас клиник хэрэглээ хүртэл гүүр болох тооцооллын сэтгэл судлал. Nat Neurosci. (2016) 19: 404 – 13. 10.1038 / nn.4238 [PMC үнэгүй нийтлэл[]PubMed[]Хөндлөнгийн Ref]
12 дугаартай. Лемменс Ж.С., Валкенбург хотын Ерөнхий сайд, харийнхан Д.А. Интернет тоглоомын эмгэгийн цар хүрээ. Сэтгэлзүйн үнэлгээ. (2015) 27: 567 – 82. 10.1037 / pas0000062 [PubMed[]Хөндлөнгийн Ref]
13 дугаартай. Dahnke R, Yotter RA, Gaser C. Кортикаль зузаан ба төв гадаргуугийн тооцоо. Neuroimage (2013) 65: 336 – 48. 10.1016 / j.neuroimage.2012.09.050 [PubMed[]Хөндлөнгийн Ref]
14 дугаартай. Smith SM, Jenkinson M, Johansen-Berg H, Rueckert D, Nichols TE, Mackay CE гэх мэт. Байна. Трактад суурилсан орон зайн статистик: олон сэдэвчилсэн тархалтын өгөгдлийг онолын чиглэлээр дүн шинжилгээ хийх. Neuroimage (2006) 31: 1487 – 505. 10.1016 / j.neuroimage.2006.02.024 [PubMed[]Хөндлөнгийн Ref]
15 дугаартай. Hammers A, Allom R, Koepp MJ, Free SL, Myers R, Lemieux L нар, бусад. Байна. Хүний тархины түр зуурын магадлалын гурван хэмжээст атласыг түр зуурын хөндийд тусгасан болно. Хумх тархины газрын зураг. (2003) 19: 224 – 47. 10.1002 / цаг тутам.10123 [PubMed[]Хөндлөнгийн Ref]
16 дугаартай. Mori S, Oishi K, Jiang H, Jiang L, Li X, Akhter K нар гэх мэт. Байна. Стереотаксик цагаан бодисын атлас нь ICBM загвар дахь диффузын тензорын дүрслэлд суурилсан. Neuroimage (2008) 40: 570 – 82. 10.1016 / j.neuroimage.2007.12.035 [PMC үнэгүй нийтлэл[]PubMed[]Хөндлөнгийн Ref]
17 дугаартай. Tibshirani R. Регрессийн агшилт ба сонгон шалгаруулалт. J Roy Stat Soc Ser B (1996) 58: 267 – 88.
18 дугаартай. Zou H, Hastie T. Уян хатан тороор дамжуулан тогтмолжуулалт ба хувьсах сонголтууд. J Roy Stat Soc Ser B (2005) 67: 301 – 20. 10.1111 / j.1467-9868.2005.00503.x [Хөндлөнгийн Ref]
19 дугаартай. Theodoridis S. Machine суралцах: Байесян ба оновчлолын хэтийн төлөв. Лондон: Эрдмийн хэвлэл; (2015).
20 дугаартай. Delong ER, Delong DM, Clarke-Pearson DL. Хоёр ба түүнээс дээш хамааралтай хүлээн авагчийн үйл ажиллагааны шинж чанарын муруй дор байрлах хэсгийг харьцуулах: параметрийн бус арга. Биометрийн (1988) 44: 837 – 45. 10.2307 / 2531595 [PubMed[]Хөндлөнгийн Ref]
21 дугаартай. Чо Ш, Квон Ж. Интернетийн Тоглоомын эмгэгийн хэмжүүр (K-IGDS) -ийн Солонгос хувилбарын баталгаажуулалт: насанд хүрэгчдийн олон нийтийн дээжээс олсон олдворууд. Солонгосын J Clin Psychol. (2017) 36: 104 – 17. 10.15842 / kjcp.2017.36.1.010 [Хөндлөнгийн Ref]
22 дугаартай. Sigerson L, Li AYL, Cheung MWL, Luk JW, Cheng C. Хятад интернэт тоглоомын эмгэгийн цар хүрээний психометрийн шинж чанарууд. Донтуулагч зан. (2017) 74: 20 – 6. 10.1016 / j.addbeh.2017.05.031 [PubMed[]Хөндлөнгийн Ref]
23 дугаартай. Burke Quinlan E, Dodakian L, See J, Mckenzie A, Le V, Wojnowicz M, нар. Байна. Мэдрэлийн үйл ажиллагаа, гэмтэл, цус харвалтын дэд төрөл нь цус харвалтын дараа эмчилгээний үр дүнг урьдчилан тооцдог. Анн Нейрол. (2015) 77: 132 – 45. 10.1002 / ana.24309 [PMC үнэгүй нийтлэл[]PubMed[]Хөндлөнгийн Ref]
24 дугаартай. Pariyadath V, Stein EA, Ross TJ. Амрах төлөв байдлын функциональ холболтын машин сургалтын ангилал нь тамхи татах байдлыг урьдчилан таамаглаж байна. Урд Hum Neurosci. (2014) 8: 425. 10.3389 / fnhum.2014.00425 [PMC үнэгүй нийтлэл[]PubMed[]Хөндлөнгийн Ref]
25 дугаартай. Fedota JR, Stein EA. Амралтын төлөв байдал ба никотин донтолт: биомаркерын хөгжлийн хэтийн төлөв. Анн NY Acad Sci. (2015) 1349: 64 – 82. 10.1111 / жил.12882 [PMC үнэгүй нийтлэл[]PubMed[]Хөндлөнгийн Ref]
26 дугаартай. Ahn WY, Ramesh D, Moeller FG, Vassileva J. Бодисын солилцооны эмгэгийн зан үйлийн маркерыг тодорхойлох машин техникийн арга хэрэгслийн хэрэглээ: импульсийн хэмжээ нь одоогийн кокаины хамаарлыг урьдчилан таамаглагч болно. Урд талын сэтгэл судлал (2016) 7: 34. 10.3389 / fpsyt.2016.00034 [PMC үнэгүй нийтлэл[]PubMed[]Хөндлөнгийн Ref]
27 дугаартай. Ahn WY, Vassileva J. Machine суралцах нь хар тамхины болон өдөөгч бодисын хараат байдлыг тодорхойлох бодисын онцлог шинж чанарыг тодорхойлдог. Мансууруулах бодисын архинаас хамааралтай байх. (2016) 161: 247 – 57. 10.1016 / j.drugalcdep.2016.02.008 [PMC үнэгүй нийтлэл[]PubMed[]Хөндлөнгийн Ref]
28. Percy C, França M, Dragičević S, D'avila Garcez A. Онлайн мөрийтэй тоглоомоос өөрийгөө хасахыг урьдчилан таамаглах: хяналттай машин сурах загварын гүйцэтгэлийн дүн шинжилгээ. Int Gambl үржлийн газар. (2016) 16: 193–210. 10.1080 / 14459795.2016.1151913 [Хөндлөнгийн Ref]
29 дугаартай. Ding WN, Sun JH, Sun YW, Zhou Y, Li L, Xu JR гэх мэт. Байна. Интернет тоглоомын донтолттой өсвөр насныхны сүлжээнд тавигдах стандарт горимыг өөрчилсөн. PloS ONE (2013) 8: e59902. 10.1371 / jurnal.pone.0059902 [PMC үнэгүй нийтлэл[]PubMed[]Хөндлөнгийн Ref]
30. Meng Y, Deng W, Ван H, Гуо В, Ли Т. Интернэтийн тоглоомын эмгэгтэй хүмүүс дэх урьдчилан функциональ алдагдал: функциональ соронзон резонансын дүрслэлийг судлах мета-анализ. Addict Biol. (2015) 20: 799-808. 10.1111 / adb.12154 [PubMed[]Хөндлөнгийн Ref]
31 дугаартай. Жан JT, Yao YW, Li CSR, Zang YF, Shen ZJ, Liu L нар гэх мэт. Байна. Интернет тоглоомын эмгэг бүхий насанд хүрэгчдэд зориулсан тусгаарлагчийн амрах төлөв байдлыг өөрчилсөн. Донтогч Биол. (2015) 21: 743 – 51. 10.1111 / adb.12247 [PMC үнэгүй нийтлэл[]PubMed[]Хөндлөнгийн Ref]
32 дугаартай. Cai C, Yuan K, Y J, Feng D, Bi Y, Li Y нар гэх мэт. Байна. Striatum-ийн морфометр нь танин мэдэхүйн хяналтын хомсдол, интернет тоглоомын эмгэгийн шинж тэмдгийн ноцтой холбоотой байдаг. Тархины зураг төсөөлөл. (2016) 10: 12 – 20. 10.1007 / s11682-015-9358-8 [PubMed[]Хөндлөнгийн Ref]
33 дугаартай. Park C, Chun JW, Cho H, Jung YC, Choi J, Kim DJ нар байна. Интернет тоглоомын донтсон тархи нь эмгэг судлалын байдалд ойрхон байна уу? Донтогч Биол. (2017) 22: 196 – 205. 10.1111 / adb.12282 [PubMed[]Хөндлөнгийн Ref]
34 дугаартай. Kuss DJ, Гриффитс MD. Интернет тоглоомын донтолт: эмпирик судалгааны системчилсэн тойм. Int J Ment Эрүүл мэндийн донтуулагч. (2012) 10: 278 – 96. 10.1007 / s11469-011-9318-5 [Хөндлөнгийн Ref]
35 дугаартай. Castellanos FX, Di Martino A, Craddock RC, Mehta AD, MP-ийн Milham. Функциональ холболтын клиник хэрэглээ. Neuroimage (2013) 80: 527 – 40. 10.1016 / j.neuroimage.2013.04.083 [PMC үнэгүй нийтлэл[]PubMed[]Хөндлөнгийн Ref]
36 дугаартай. Tollenaar N, Van Der Heijden P. Аль арга нь рецидивийг хамгийн сайн урьдчилан таамагладаг вэ?: Статистик, машин судлах, мэдээлэл боловсруулах таамаглалын загваруудын харьцуулалт. J Roy Stat Soc Ser A (2013) 176: 565 – 84. 10.1111 / j.1467-985X.2012.01056.x [Хөндлөнгийн Ref]