တပ်ဦးစိတ်ရောဂါကုသမှု။ 2018; 9: 291 ။
2018 ဇွန် 29 အွန်လိုင်းထုတ်ဝေသည်။ Doi: 10.3389 / fpsyt.2018.00291
PMCID: PMC6033968
PMID: 30008681
Chang-hyun ပန်းခြံ,1 Ji-Won က Chun,1 ဟွန်ချို,1,2 နှင့် ဒိုင်-Jin ကကင်မ်1,*
ြဒပ်မဲ့သော
အင်တာနက်ကဂိမ်းရောဂါ (IGD) မကြာခဏအဆိုပါ Diagnostic ၏နောက်ဆုံးဗားရှင်းများနှင့်စိတ်ပိုင်းဆိုင်ရာ Disorders (DSM-5) ၏စာရင်းအင်းလက်စွဲစာအုပ်ထံမှကိုးအခြေခံစံနှုန်းများ၏အခြေခံပေါ်မှာရောဂါဖြစ်ပါတယ်။ ဤတွင်ကျနော်တို့ထိုကဲ့သို့သောလက္ခဏာ-based အမျိုးအစားကွန်ပျူတာ-based ခွဲခြားသို့ဘာသာပြန်ထားသောနိုင်ရှိမရှိဆန်းစစ်ခဲ့သည်။ ဖွဲ့စည်းတည်ဆောက်ပုံ MRI (sMRI) နှင့်ပျံ့နှံ့မာန်တင်း MRI (dMRI) ဒေတာ IGD နှင့် 38 ကျန်းမာ Non-ဂိမ်းကစားရှိခြင်းမရောဂါ IGD, 68 သာမန်ဂိမ်းကစားရောဂါ 37 ဂိမ်းကစားအတွက်ဝယ်ယူခဲ့ကြသည်။ ကျနော်တို့ MRI ဒေတာကနေမီးခိုးရောင်ကိစ္စ (GM က) ၏ 108 features နဲ့အဖြူကိစ္စ (WM) ဖွဲ့စည်းပုံ generated ။ ပုံမှန် Logistic ဆုတ်ယုတ်သည့်အုပ်စုများအကြားခြားနားများအတွက်အရေးကြီးသောသူမြားကိုရှေးခယျြပါရန် 108 neuroanatomical features တွေရန်လျှောက်ထားခဲ့ပါသည်အခါသော်လည်း, ထို disorders နှင့်သာမန်ဂိမ်းကစား, ကျန်းမာ Non-ဂိမ်းကစား ဆက်စပ်. အတွက်အသီးသီး 43 နှင့် 21 features တွေ၏စည်းကမ်းချက်များ၌ကိုယ်စားပြုခဲ့သည် disorders ဂိမ်းကစားပုံမှန်ဂိမ်းကစားစပ်လျဉ်း 11 features တွေ၏စည်းကမ်းချက်များ၌ကိုယ်စားပြုခဲ့သည်။ ခန့်မှန်းအဖြစ်ကျဲ neuroanatomical features တွေသုံးပြီးထောက်ခံမှုအားနည်းချက်ကိုစက်တွေ (SVM) ခုနှစ်, disorders နှင့်သာမန်ဂိမ်းကစားတိကျမှန်ကန်မှုကိုကျန်းမာ Non-ဂိမ်းကစားရာမှ, 98% ကျော်လွန်အတူအောင်မြင်စွာလူမျိုးအတန်းအစားခွဲခြားမှုပေမယ် disorders နှင့်သာမန်ဂိမ်းကစားအကြားခွဲခြားအတော်လေးစိန်ခေါ်မှုဖြစ်ခဲ့သည်ခဲ့ကြသည်။ ဤရွေ့ကားတွေ့ရှိချက် DSM-5 ထံမှသတ်မှတ်ချက်နှင့်အတူခွဲခြားအဖြစ်ရောဂါဗေဒနှင့် Non-ရောဂါဗေဒဂိမ်းကစားအထူးသဖြင့် Non-ဂိမ်းကျန်းမာတစ်ဦးချင်းစီအနေဖြင့်သူတို့အားခွဲခြားဆက်ဆံမှုများဆက်စပ်အတွက်ကျဲ neuroanatomical features တွေကကိုယ်စားပြုနိုင်အကြံပြုအပ်ပါသည်။
နိဒါန္း
ဆယ်စုနှစ်ပေါင်းများစွာရောဂါဗေဒစွဲအဖြစ်အကြံပြုခံတော်မူပြီးမှပေမယ့် (1), ဒါကြောင့်အင်တာနက်ကိုဂိမ်းရောဂါ (IGD) ကို Diagnostic နှင့်စိတ်ပိုင်းဆိုင်ရာ Disorders (DSM) ၏စာရင်းအင်းလက်စွဲထဲမှာစာရင်းဝင်ခဲ့သည်သာမကြာသေးမီကဖြစ်ပါတယ်။ အဆိုပါ DSM (DSM-5) ၏ပဉ္စမထုတ်ဝေ (2) နောက်ထပ်လေ့လာမှုတစ်ခုအခွအေနေအဖြစ် IGD ဖော်ထုတ်ကြောင့်ဖော်ထုတ်ဘို့ကိုးစံဖြစ်သည်။ အဆိုပါ DSM-5 အတွက်အဆိုပြုထားသောကိုး-ကို item IGD စကေး (IGDS) ကို အသုံးပြု. လက္ခဏာ-based အမျိုးအစားများတွင်ငါးသို့မဟုတ်ထိုထက်ပိုစံကြုံနေရတစ်ခုံ IGD ၏ရောဂါမှလျှောက်ထားခဲ့သည်။ ဒီဖြတ်-အမှတ်လုံလောက်စွာသိသိသာသာလက်တွေ့ချို့ယွင်းခံစားနေရပြီးဂိမ်းကစားခွဲခြားနိုင်ပေမဲ့ (3), IGDS ပစ္စည်းများကို၏ dichotomous သဘာဝမလွှဲမရှောင်အဖြေရှာတဲ့ oversimplification သို့မဟုတ်မရေရာမှုများပါဝင်သည်။
ရောဂါလက္ခဏာတွေအပြင် IGD-related အလုပ်မဖြစ်အမျိုးမျိုးလေ့မဟုတ်ဘဲအနည်းဆုံး neuroanatomical ပြောင်းလဲမှုများကိုကြည့်ရှုလေ့လာကြသည်။ အမှန်စင်စစ်, အလုပ်တစ်သိသိသာသာခန္ဓာကိုယ် IGD ဦးနှောက်အတွက်ဖွဲ့စည်းတည်ဆောက်ပုံကိုပြောင်းလဲနှင့်ဆက်စပ်ကြောင်းပြသထားပါတယ်: မီးခိုးရောင်ကိစ္စ၏ကျုံ့ (GM က) အသံအတိုးအကျယ် (4-6cortical ထူများတွင်), လျော့ချရေး (7), နှင့်အဖြူရောင်အမှုဆုံးရှုံးခြင်း (WM) သမာဓိရှိ (8, 9) ပုံမှန်အားသရုပ်ပြပါပြီ။ IGD နှင့်ဆက်စပ်သောဒါတွေက neuroanatomical အပြောင်းအလဲများကဲ့သို့သောဦးနှောက်ပုံရိပ် parameters များကိုအခြားအတစ်ဦးချင်းစီကနေ IGD နှင့်အတူတစ်ဦးချင်းစီခွဲခြားရန် biomarkers အဖြစ်ဆောင်ရွက်နိုင်သည်ကိုအကြံပြုအပ်ပါသည်။ အကြောင်း, IGD ၏ရောဂါမဟုတ်ဘဲအဆိုပါ DSM-5 အပေါ်အခြေခံပြီးလက္ခဏာ-based အမျိုးအစားမှတဆင့်ထက် neuroanatomical biomarkers ၏ကွန်ပျူတာကိုင်တွယ်မှတဆင့်လုပ်စေခြင်းငှါဖြစ်ပါသည်။ ဤရွေ့ကားကြိုးစားမှု (Psychiatry မှကွန်ပျူတာချဉ်းကပ်အလုပ်သမားအားဖြင့်ဖော်ပြရန်ရောဂါလက္ခဏာတွေကိုကျော်လွန်ရွှေ့ဖို့အားထုတ်မှုနဲ့အညီဖြစ်စေခြင်းငှါ10စိတ်ရောဂါ၏ရောဂါကိုင်တွယ်ရန်စက်သင်ယူမှု (ML) အပေါ်အခြေခံပြီး), အထူးသဒေတာ-မောင်းနှင်ချဉ်းကပ်မှု (11).
ဒီလေ့လာမှုမှာကျနော်တို့ IGD ၏ရောဂါအတွက် neuroanatomical biomarkers သုံးပြီးအားဖြင့် IGDS နှင့်ကွန်ပျူတာ-based ခွဲခြားများ၏အခြေခံပေါ်မှာလက္ခဏာ-based အမျိုးအစားအကြားတစ်ဦး link ကိုရှာဖွေနေကြပါတယ်။ ဦးနှောက်၏အချို့ GM နဲ့ WM အစိတ်အပိုင်းများကိုအဖြေရှာတဲ့ခွဲခြားဘို့မလိုအပ်တဲ့သို့မဟုတ်ဆီလျှော်သတင်းအချက်အလက်များပါဝင်သည်ဖွယ်ရှိပါလိမ့်မည်ဆိုသောကြောင့်ကျနော်တို့ပုံမှန်ဆုတ်ယုတ်အလုပ်သမားများကကျဲ neuroanatomical features တွေရွေးဖို့ရှာကြံလျက်နေ၏။ ကျနော်တို့ကလက္ခဏာ-based အမျိုးအစား IGD ၏ရောဂါများအတွက်ခွဲခြားမော်ဒယ်များ compose မယ်လို့ကျဲ neuroanatomical features တွေ၏စည်းကမ်းချက်များ၌ကိုယ်စားပြုနိုင်တွေးဆ။ IGD ရောဂါရောဂါဗေဒဂိမ်းကစားကြောင်း, Non-ရောဂါဗေဒဂိမ်းကစားဖြစ်ပါသည်, IGD ရှိခြင်းမရောဂါဂိမ်းကစားရာမှထက် Non-ကစားကျန်းမာတစ်ဦးချင်းစီကနေပိုပြီးထပ်တူထပ်မျှဖြစ်ထင်ကြသည် ဟူ. ၎င်း, ထို့ကြောင့်ဤရောဂါဗေဒဂိမ်းကစား Non-ဂိမ်းကျန်းမာတစ်ဦးချင်းစီမှစပ်လျဉ်း non-ရောဂါဗေဒဂိမ်းကစားနှင့်နှိုင်းယှဉ်ပါအင်္ဂါရပ်များပိုကြီးတဲ့အရေအတွက်အားဖြင့်သွင်ပြင်လက္ခဏာနိုငျသညျ။ ထို့အပြင်ကျနော်တို့ Non-ရောဂါဗေဒဂိမ်းကစားရောဂါဗေဒဂိမ်းကစားရာမှသို့မဟုတ် Non-ဂိမ်းကျန်းမာတစ်ဦးချင်းစီအနေဖြင့်ဒီထက်သိသာစွာကွဲပြားဖြစ်နိုင်ပါတယ်ရှိမရှိဆုံးဖြတ်ချင်တယ်။ non-ရောဂါဗေဒဂိမ်းကစားရေးဖော်ပြရန်လက္ခဏာတွေ၏စည်းကမ်းချက်များ၌ Non-ဂိမ်းကျန်းမာတစ်ဦးချင်းစီမှအနီးကပ်ဖြစ်ယူဆစေခြင်းငှါ, ဒါပေမယ့်ကျွန်တော်ထိုကဲ့သို့သောအယူအဆကိုတွက်ချက်မှု-based ခွဲခြားဖွငျ့အတညျပွုခံရဖို့လိုထင်ကြတယ်။
ကုန်ကြမ်းနှင့်နည်းစနစ်များ
သင်တန်းသားများကို
အင်တာနက်ကို-based ဂိမ်းကစားခြင်း 237 ပါဝင်သူများအနက် 106 တစ်ဦးချင်းစီကိုယ်ပိုင်အစီရင်ခံ IGDS အကြားတစ်ဦးမတိုက်ဆိုင်နှင့် IGD ၏ရောဂါအတွက်လက်တွေ့စိတ်ပညာရှင်တွေနဲ့စနစ်တကျအင်တာဗျူးပြသို့မဟုတ်ဦးနှောက်ပုံရိပ် data တွေကိုလွဲချော်သို့မဟုတ်ပြင်းထန်စွာပုံမှန်မဟုတ်ဘဲစူးနေတယ်ဖူးတဲ့သူတွေကိုဖယ်ထုတ်ပြီးကရွေးချယ်ခဲ့ကြသည်။ အဆိုပါ IGDS ၏အခြေခံတွင်, 38 တစ်ဦးချင်းစီ (27.66 ± 5.61 နှစ်ပေါင်း; 13 အမျိုးသမီး) အနည်းဆုံးငါး IGDS ပစ္စည်းများကျေနပ်သူကို disorders ဂိမ်းကစားခြင်းနှင့် 68 တစ်ဦးချင်းစီတံဆိပ်ကပ်ခဲ့သည် (27.96 ± 6.41 နှစ်ပေါင်း; 21 အမျိုးသမီး) အများဆုံးတဦးတည်း IGDS ကို item မှာကျေနပ်သူကိုတံဆိပ်ကပ်ခဲ့သည် သာမန်ဂိမ်းကစား။ သူတို့က disorders နှင့်သာမန်ဂိမ်းကစားအကြားအခြားလူတန်းစားအဖြစ်သိစေခြင်းငှါဖြစ်သောကြောင့်နှစ်ခုနှင့်လေးအကြား IGDS ပစ္စည်းများကျေနပ်သူကိုတစ်ဦးချင်းစီကိုလည်း (ဖယ်ထုတ်ထားခဲ့သည်12) ။ ထို့အပြင်အင်တာနက်အခြေပြုဂိမ်းများကိုမကစားသောလူ (၃၇) ယောက် (၂၅.၈၆ ± ၄.၁၀ နှစ်၊ အမျိုးသမီး ၁၃ ဦး) ကိုသီးခြားစီစုဆောင်းပြီး၊ သူတို့သည်ကျန်းမာသောကစားသမားမဟုတ်သူများဟုတံဆိပ်ကပ်ထားသည်။ သင်တန်းသားများအားလုံးအတွက်ရောဂါဖြစ်ပွားမှု၏မရှိခြင်းအတည်ပြုခဲ့သည်ခဲ့သည်။ ပါ ၀ င်သူအားလုံးထံမှဟယ်လ်စင်ကီကြေငြာချက်နှင့်နောက်ပိုင်းပြင်ဆင်မှုများနှင့်အညီရေးသားထားသောအသိပေးအကြောင်းကြားစာကိုရရှိခဲ့ပြီးလေ့လာမှုကိုတောင်ကိုရီးယား၊ ဆိုးလ်၊ စိန့်မေရီဆေးရုံရှိအင်စတီကျူးရှင်းပြန်လည်သုံးသပ်ရေးဘုတ်အဖွဲ့မှအတည်ပြုခဲ့သည်။
MRI အချက်အလက်များ၏သိမ်းယူမှု
ဖွဲ့စည်းတည်ဆောက်ပုံ MRI (sMRI) နှင့်ပျံ့နှံ့မာန်တင်း MRI (dMRI) ဒေတာတစ်ဦး 3 T က MAGNETOM Verio စနစ် (Siemens AG က, Erlangen, ဂျာမနီ) ကို အသုံးပြု. စုဆောင်းခဲ့ကြသည်။ အဆိုပါ sagittal လေယာဉ်ထဲမှာချပ်အရေအတွက် = 176, အချပ်အထူ = 1 မီလီမီတာ, matrix ကိုအရွယ်အစား = 256 × 256 နှင့် In-လေယာဉ် resolution ကို = 1 × 1 မီလီမီတာ: sMRI အချက်အလက်များ၏ဝယ်ယူတဲ့သံလိုက်-ပြင်ဆင်ထားလျင်မြန်စွာ gradient ကိုပဲ့တင်သံ sequence ကို အသုံးပြု. ကောက်ယူခဲ့သည် ။ dMRI အချက်အလက်များ၏ဝယ်ယူဘို့, ပျံ့နှံ့ gradient ကို encoding ကအတူ 30 လမ်းညွန်အတွက်ဖျော်ဖြေခဲ့သည် b = 1,000 ့ / မီလီမီတာ2 နှင့် single-shot ပဲ့တင်သံ-ပြိုပုံရိပ် sequence ကိုအသုံးပြုခဲ့သည်: အ axial လေယာဉ် = 75, အချပ်အထူ = 2 မီလီမီတာ, matrix ကိုအရွယ်အစား = 114 × 114 နှင့် In-လေယာဉ် resolution ကို = 2 × 2 မီလီမီတာအတွက်ချပ်အရေအတွက်။
MRI အချက်အလက်များ၏ processing
CAT12 တွင်ထည့်သွင်း Tools များ (http://www.neuro.uni-jena.de/cat/) sMRI ဒေတာကို process မှအသုံးပြုခဲ့ကြသည်။ ဦးနှောက်ကိုအသံအတိုးအကျယ် image ကို GM က, WM နှင့် corticospinal အရည်အဖြစ်စံအာကာသအတွင်းတစ်ဦးကိုကိုးကားဦးနှောက်မှ Spatial မှတ်ပုံတင်အပါအဝင်ကွဲပြားခြားနားသောတစ်ရှူးစ segmented ခဲ့သည်။ voxel-based morphometry (VBM) ခုနှစ်, voxel ပညာရှိ GM ကအသံအတိုးအကျယ်တစ် voxel ၏အသံအတိုးအကျယ်အားဖြင့် GM ကဖြစ်ခြင်း၏ဖြစ်နိုင်ခြေပွားနေဖြင့်ခန့်မှန်းခဲ့ပါတယ်, ပြီးတော့သူတို့အတန်ဖိုးများကိုဦးခေါင်း volume ထဲမှာတစ်ဦးချင်းကွဲပြားမှုအဘို့ကိုထိန်းညှိဖို့စုစုပေါင်း intracranial အသံအတိုးအကျယ်အားဖြင့်ဝေဖန်လျက်နေကြသည်ခဲ့ကြသည်။ မျက်နှာပြင်-based morphometry (SBM) ခုနှစ်, cortical အထူကို (Project-based ထူနည်းလမ်းကိုသုံးပြီးခန့်မှန်းခဲ့သည်13).
dMRI အချက်အလက်များ၏ processing
FSL 5.0 တွင်ထည့်သွင်း Tools များ (http://fsl.fmrib.ox.ac.uk/fsl/) dMRI ဒေတာကို process မှအလုပ်ခံခဲ့ရသည်။ အားလုံးပုံရိပ်တွေနှင့်အတူဝယ်ယူသည့်တရားမဝင်သောပုံရိပ်မှ realigned ခဲ့ကြသည် b = 0 ့ / မီလီမီတာ2 Eddy လက်ရှိ-သွေးဆောင်ပျက်ယွင်းခြင်းနှင့်ဦးခေါင်းလှုပ်ရှားမှုကိုအဘို့ပြင်ပေးရန်။ တစ်ဦးကပျံ့နှံ့ tensor ဦးနှောက်အတွင်းတစ်ဦးချင်းစီ voxel မှာလုပ်ပါတယ်နှင့်ဒဿမကိန်း anisotropy (အက်ဖ်အေ) အပါအဝင်ပျံ့နှံ့ tensor-ဆင်းသက်လာ parameters တွေကို, ပျံ့ (MD), axial ပျံ့ (အေဒီ) နှင့် radial ပျံ့ (RD) တကိုဆိုလိုတာ, တွက်ချက်ခဲ့ကြသည်ခဲ့သည်; တစ်ဦးပျံ့နှံ့ tensor ၏ကွဲပြားခြားနားသောပုဆိန်တလျှောက်သုံးပျံ့ပေးထား, အက်ဖ်အေသုံးခုပုဆိန်ကိုဖြတ်ပြီးပျမ်းမျှပျံ့အဖြစ် MD သုံးခုပုဆိန်, ကျောင်းအုပ်ကြီးဝင်ရိုးတလျှောက်တွင်အကြီးမြတ်ဆုံးပျံ့နှံ့အဖြစ်အေဒီများအကြားပျံ့နှံ့ကွဲပြားခြားနားမှု၏ရင်ပြင်၏ပေါင်းလဒ်၏စတုရန်းအမြစ်အဖြစ်တွက်ချက်ခဲ့သည် နှင့်နှစ်ဦးကိုအသေးအဖှဲပုဆိန်တလျှောက်ပျံ့၏ပျမ်းမျှအဖြစ် RD ။ (ကျေးရွာအုပ်စု-based Spatial စာရင်းဇယား (TBSS) အသုံးပြုခြင်း14) FSL 5.0 အကောင်အထည်ဖော်, ပျံ့နှံ့ tensor-ဆင်းသက်လာ parameters တွေကိုများ၏မြေပုံများအား Spatial စံအာကာသအတွင်းတစ်ဦးကိုကိုးကားဦးနှောက်မှမှတ်ပုံတင်ခဲ့ကြသည်, သူတို့ထို့နောက် WM ကျေးရွာအုပ်စုအရိုးစုပေါ်သို့ projected ခဲ့ကြသည်။
အင်္ဂါရပ်မျိုးဆက်
တစ်ဦးခွဲခြားမော်ဒယ်ဒီဇိုင်းနှစ်ခုကအဓိကခြေလှမ်းများအင်္ဂါရပ်မျိုးဆက်နှင့်ရွေးချယ်ရေးဖြစ်ကြသည်။ ကျွန်တော်တို့သည် neuroanatomy ကနေ GM ကဒေသများတွင်အစုတခုနှင့် WM ဝစောအစုတခု၏သမာဓိနှင့်ပျံ့၏အထူးပမာဏနှင့်အထူ features တွေထုတ်လုပ်ပြီး။ VBM နှင့် SBM ထံမှဝယ်ယူ voxel ပညာရှိမြေပုံအဖြစ် GM ကအသံအတိုးအကျယ်နှင့် cortical အထူခန့်မှန်းပြီးနောက်အသီးသီးသတ်မှတ်ချက် 60 GM ကဒေသအသီးအသီးအဘို့အအကဲဖြတ်ခဲ့ကြသည် (ဇယား S1), (သံတူ Atlas ၌ရှိသကဲ့သို့ parcellated15), ဒါကြောင့်အတွင်းအားလုံး voxels ဖြတ်ပြီးပျမ်းမျှအဖြစ်။ TBSS ထံမှဝယ်ယူသည့် WM ကျေးရွာအုပ်စုအရိုးစုအပေါ် voxel ပညာရှိမြေပုံအဖြစ်အက်ဖ်အေ, MD အေဒီနှင့် RD အပါအဝင်ပျံ့နှံ့ tensor-ဆင်းသက်လာ parameters တွေကို, ခန့်မှန်းလျက်, parameters တွေကို 48 WM ဝစော၏အသီးအသီးအဘို့တွက်ချက်ခဲ့ကြသည် (ဇယား S2), (ပုတိုက်ချင်းပစ်ဒုံးပျံ DTI-81 Atlas ၌ရှိသကဲ့သို့ parcellated16), ဒါကြောင့်အတွင်းအားလုံး voxels ဖြတ်ပြီးပျမ်းမျှအဖြစ်။ ပေါင်းလဒ်တှငျကြှနျုပျတို့ GM ကနှစ်ခု parameters တွေကိုနှင့် GM နဲ့ WM parameters တွေကိုရှစ်ပေါင်းစပ်လြှော့ပေးသော WM, လေးခု parameters တွေကိုထည့်သွင်းစဉ်းစား။ GM ကနှင့် WM parameters တွေကိုတစ်ခုချင်းစီပေါင်းစပ်ဘို့, 60 GM ကတိုင်းဒေသကြီးနှင့် 48 WM ဝစော၏ parameter သည်တန်ဖိုးများ 108 neuroanatomical features တွေစုစုပေါင်းရေးစပ်။
ပုံမှန်ဆုတ်ယုတ်ခြင်းဖြင့် Feature ကိုရွေးချယ်ရေး
အင်္ဂါရပ်များအရေအတွက်ကိုလျှော့ချအထူးသဖြင့် features တွေ၏ကြီးမားသောနံပါတ်နှင့်လေ့လာတွေ့ရှိချက်များကန့်သတ်အရေအတွက်သည်နှင့်အတူဒေတာအဘို့, အရေးကြီးပါသည်။ အင်္ဂါရပ်များအရေအတွက်နှင့် ပတ်သက်. လေ့လာတွေ့ရှိချက်များ၏ကန့်သတ်အရေအတွက်ဆူညံသံမှ overfitting ဖို့ဦးဆောင်လမ်းပြစေခြင်းငှါ, ပုံမှန်အစည်းအဝေးစံပြအပေါ်နောက်ထပ်သတင်းအချက်အလက်သို့မဟုတ်သတ်မိတ်ဆက်ခြင်းဖြင့် overfitting လျှော့ချသို့မဟုတ်ကာကွယ်တားဆီးဖို့ဖွတဲ့ technique ကိုဖြစ်ပါတယ်။ အဆိုပါ 108 အင်္ဂါရပ်များအားလုံးခွဲခြားများအတွက်အသုံးဝင်သောနှင့်လိုအပ်သောသတင်းအချက်အလက်မပါဝင်စေခြင်းငှါသောကြောင့်, ကျနော်တို့ပုံမှန်ဆုတ်ယုတ်လျှောက်ထားခြင်းအားဖြင့် features တွေတစ်ကျဲ set ကိုရွေးချယ်ထားကြသည်။ (အထူးသဖြင့် Lasso17) နှင့် elastic အသားတင် (18) ပုံမှန် Logistic ဆုတ်ယုတ်များအတွက်အသုံးပြုခဲ့ကြသည်။ အဆိုပါ Lasso တစ် Logistic ဆုတ်ယုတ်မော်ဒယ်အတွက်ကိန်းခန့်မှန်းချက်၏အရွယ်အစားဖိအားတစ်ခုပြစ်ဒဏ်သက်တမ်း, ဒါမှမဟုတ်ပုံမှန် parameter သည်, λ, ပါဝင်သည်။ λတစ်ခုတိုးပိုပြီးသုည-တန်ဖိုးကိန်းမှဦးဆောင်သောကြောင့်, Lasso နည်းပါးလာခန့်မှန်းအတူလျှော့ Logistic ဆုတ်ယုတ်မော်ဒယ်ပေးပါသည်။ အဆိုပါ elastic အသားတင်လည်း (အလွန်အမင်းဆက်စပ်ခန့်မှန်းကုသအတွက် Lasso ၏န့်အသတ်ကျော်လွှား, အထူးသဖြင့် Lasso နှင့်ခေါင်ဆုတ်ယုတ်တစ်စပ်ပုံမှန်အစည်းအဝေး parameter သည်အပါအဝင်အသုံးပြုပုံသုညမှကိန်း setting ကလျှော့ Logistic ဆုတ်ယုတ်မော်ဒယ်ကိုထုတ်လုပ်19).
အဆိုပါအုပ်စုသုံးစုတစျခုစီ pair တစုံအကြားခွဲခြားဘို့, ကျွန်တော်တစ်ဦး Logistic ဆုတ်ယုတ်မော်ဒယ်အတွက် 108 neuroanatomic features တွေအကြားအရေးကြီးသောခန့်မှန်းသိရှိနိုင်ဖို့ Lasso နှင့် elastic အသားတင်လျှောက်ထားခဲ့သည်။ အဆိုပါအုပ်စုသုံးစုတစျခုစီ pair တစုံအားလုံးကိုတစ်ဦးချင်းစီ၏ 108 features တွေဒေတာ matrix ကို compose ဖို့စံခဲ့ကြသည်, A, အသီးအသီးအတန်းတ ဦး တည်းလေ့လာရေးကိုယ်စားပြုနှင့်ကော်လံတစ်ခုချင်းစီတ ဦး တည်းခန့်မှန်းကိုယ်စားပြုသော။ တစ် ဦး ချင်းစီ၏အသက်နှင့်လိင်မှုအပေါ်သက်ရောက်မှုများနှင့် GM နှင့် WM သတ်မှတ်ချက်များအပေါ် မူတည်၍ ကျန်ရှိသောပုံသဏ္matrixာန်ကိုပြုပြင်ရန်၊ Rထုတ်လုပ်ပြီးခဲ့သည်: R = I-C(CTC)-1C ဘယ်မှာ I တစ်ဦးရဲ့အထောက်အထား matrix ကိုကြီး C အသက်အရွယ်နှင့်လိင်၏သဖွငျ့ covariates coding တစ် matrix ကိုဖြစ်ခဲ့သည်။ ထို့နောက်မှလျှောက်ထားခဲ့သည် A အဆိုပါသဖွငျ့ covariates ထွက် regressing ပြီးနောက်အကြွင်းအကျန်ရရှိရန်: X = RA.
ညှိပြီးဒေတာ matrix ကိုပေးသော, X, ထိုတုံ့ပြန်မှု, Y, တစ်ဦးချင်းစီ၏နှစ်ခုအတန်း coded အကြောင်း, 10-ခြံ Cross-validation ကို (CV ကို) ပုံမှန် parameter သည်, λရှာဖွေရန်အသုံးပြုခဲ့သည်MinErr, deviance ၏စည်းကမ်းချက်များ၌နိမ့်ဆုံးအမှားထောက်ပံ့ပေးကြောင်း, အစမျးသပျမော်ဒယ်သတ်မှတ်အဖြစ်အပျက်သဘော log-ဖြစ်နိုင်ခြေကိုက validation ခြံကျော်ပျမ်းမျှ။ တနည်းအားဖြင့်တစ် CV ကိုကွေးတစ်ခုချင်းစီကိုစမ်းသပ်ပြီးλ, ပုံမှန် parameter သည်, λမှာအမှားအယွင်းများရှိပါတယ်ဘာဖြစ်လို့လဲဆိုတော့1SE, ထိုλကနေတိုးပွားလာပုံမှန်အစည်းအဝေး၏ညှနျကွားထဲမှာနိမ့်ဆုံး CV ကိုအမှားများထဲမှစံအမှားအတွင်းရှာတွေ့ခဲ့သည်MinErr လည်းထည့်သွင်းစဉ်းစားခဲ့ပါတယ်။ ဆိုလိုသည်ကား sparser features တွေλမှာရှေးခယျြခဲ့သညျ1SE, ကျဲ features တွေλမှာဆုံးဖြတ်ထားခဲ့ကြသည်သော်လည်းMinErr။ နည်းပါးလာခန့်မှန်းအတူပုံမှန် Logistic ဆုတ်ယုတ်မော်ဒယ်ရှာကြံဘို့ဤလုပ်ထုံးလုပ်နည်းအဆိုပါ 108 neuroanatomical features တွေပါဝင် GM နဲ့ WM parameters တွေကိုအမှုအမျိုးမျိုးရှိသမျှကိုပေါင်းစပ်ဘို့အကြိမ်ကြိမ်ခံခဲ့ရသည်။
ရွေးချယ်ထားသည့်အင်္ဂါရပ်များ performance
အဆိုပါကျဲနှင့် sparser features တွေ၏အသုံးဝင်မှုအကဲဖြတ်ရန်, စွမ်းဆောင်ရည် features တွေတစ်လျှော့ချနံပါတ်နှင့်ဝိသေသ (အာအိုစီ) ကွေး operating ကို receiver တိုင်းတာခြင်းအားဖြင့်ထောက်ခံမှုအားနည်းချက်ကိုစက်တွေ (SVMs) တွင်အပေါငျးတို့သ 108 features တွေနှင့်အတူမော်ဒယ်နှင့်အတူမော်ဒယ်အကြားနှိုင်းယှဉ်ခဲ့သည်။ ငါးခွံ CV ကိုအားဖြင့် optimized Kernel အား function ကိုနှင့် hyperparameters အဖြစ် linear kernel ကိုအတူတစ်ဦး SVM သုံးခုအုပ်စုများ၏တစ်ဦးချင်းစီ pair တစုံအားလုံးကိုတစ်ဦးချင်းစီအဘို့လေ့ကျင့်သင်ကြားခဲ့သည်။ အာအိုစီကွေး (AUC) အရအဆိုပါဧရိယာသည်၎င်း၏စွမ်းဆောင်ရည်တစ်အရေအတွက်အတိုင်းအတာအဖြစ်တစ်ဦးချင်းစီမော်ဒယ်တွက်ချက်ခဲ့သည်။ DeLong စမ်းသပ်မှု (20) မော်ဒယ်တစ်ခုချင်းစီ pair တစုံအကြား AUC နှိုင်းယှဉ်ဖို့အလုပ်ခန့်ခဲ့သည်။ အဆိုပါ AUC တစ်ဦးမှာကွဲပြားလာတဲ့အခါ p0.05 ၏ -value, စွမ်းဆောင်ရည်နှစ်ခုမော်ဒယ်များအတွက်နှိုင်းယှဉ်ဖြစ်ဖို့မစဉ်းစားခဲ့ပါတယ်။
ခွဲခြားတိကျမှန်ကန်မှု
features တွေ၏မျိုးဆက်နှင့်ရွေးချယ်ရေးထံမှခွဲခြားမော်ဒယ်များ၏ဆောက်လုပ်ရေးမှသိထားလုပ်ထုံးလုပ်နည်းများပုံထဲမှာတင်ပြထားပါသည် Figure1.1။ အဆိုပါအုပ်စုသုံးစုတစျခုစီ pair တစုံသည်, SVM ခွဲခြားမော်ဒယ်များခန့်မှန်းအဖြစ်ရွေးချယ်ထား features တွေကိုအသုံးပြုပြီးထုတ်လုပ်ခဲ့ကြသည်။ ကျနော်တို့ Out-of-နမူနာခွဲခြားတိကျမှန်ကန်မှုကိုတစ်ခုချင်းစီကို left-ထွက်တစ်ဦးချင်းစီအဘို့တွက်ချက်ခဲ့ပါတယ်, ပြီးတော့အားလုံးတစ်ဦးချင်းစီကိုဖြတ်ပြီးပျမ်းမျှခဲ့ထိုကဲ့သို့သောခွင့်-one-ထွက် CV ကိုအစီအစဉ်, အလုပ်သမားအားဖြင့်ခွဲခြားမော်ဒယ်များ၏တိကျမှန်ကန်မှုကိုအကဲဖြတ်။ တိကျမှန်ကန်မှု၏စာရင်းအင်းအရေးပါမှု permutation စမ်းသပ်မှုအလုပ်သမားများကခန့်မှန်းခဲ့သည်။ အဆိုပါအုပ်စုသုံးစုတစျခုစီ pair တစုံအကြားခွဲခြားတစ်ခုပင်ကိုယ်မူလတရားမဝင်သောဖြန့်ဖြူးထပ်တလဲလဲတစ်ဦးချင်းစီ၏တံဆိပ်များ permuting နှင့် permutation တံဆိပ်များနှင့်ဆက်စပ်တိကျမှန်ကန်မှုကိုတိုင်းတာခြင်းအားဖြင့်ထုတ်ပေးခဲ့ခြင်းဖြစ်သည်။ အဆိုပါ unpermitted တံဆိပ်များများအတွက်တိုင်းတာတိကျမှန်ကန်မှုထက်ပိုမိုမြင့်မားသို့မဟုတ်တစ်မှာတရားမဝင်သောဖြန့်ဖြူးဖို့ညီမျှခဲ့သည့်အခါ p0.05 ၏ -value, ထိုအခွင့်အလမ်းအဆင့်ကို (တိကျမှု = 50%) ကနေသိသိသာသာကွဲပြားခြားနားဖြစ်စိတ်ပိုင်းဖြတ်ခဲ့သည်။ ထို့အပြင်တစ်ဦးရှုပ်ထွေးမှုများ matrix ကိုသုံးယောက်အုပ်စုများ၏တစ်ဦးချင်းစီ pair တစုံအကြားခြားနားနှင့် ပတ်သက်. sensitivity ကိုနှင့်သတ်သတ်မှတ်မှတ်ဖော်ပြရန်မြင်ခဲ့သည်။
neuroanatomical features တွေ၏မျိုးဆက်နှင့်ရွေးချယ်ရေးထံမှ disorders ဂိမ်းကစား (DG) နှင့်ကျန်းမာ Non-ဂိမ်းကစား (HN) အကြား, သာမန်ဂိမ်းကစား (Ng) နှင့် HN အကြားနှင့် DG နှင့် Ng အကြားခွဲခြားများအတွက်မော်ဒယ်များ၏ဆောက်လုပ်ရေးမှသိထားလုပ်ထုံးလုပ်နည်းများ။ GM ကမီးခိုးရောင်ကိစ္စ; WM, အဖြူရောင်ကိစ္စ။
ရလဒ်များ
feature ကိုရွေးချယ်ရေး
ဂဏန်း Figure22 အဆိုပါ 108 သူတို့ရဲ့ကိန်းခန့်မှန်းချက်နှင့်အတူအင်္ဂါရပ်များနှင့်စားပွဲတင်အကြား display ကိုရွေးချယ်ထားသည့်အင်္ဂါရပ်များ Table11 အဆိုပါအုပ်စုသုံးစုတစျခုစီ pair တစုံအကြားခွဲခြားများအတွက်ပုံမှန် Logistic ဆုတ်ယုတ်မော်ဒယ်၏ related လျောက်ပတ်သတင်းအချက်အလက်ဖော်ပြသည်။ ထို့အပြင်ခုနှစ်, ပုံ S1 နိမ့်ဆုံး CV ကိုအမှားလြှော့နှင့်λမှာမည်မျှအင်္ဂါရပ်တွေကိုရွေးချယ်ခဲ့ပြီးသောλပြပွဲ1SE အဖြစ်λမှာMinErr။ နိမ့်ဆုံး CV ကိုအမှားအခြားခွဲခြားများအတွက်ကျန်းမာ Non-ဂိမ်းကစားခြင်းနှင့်သာမန်ဂိမ်းကစားအကြားနှင့် elastic အသားတင် (Lasso အလေးချိန် = 1) အားဖြင့်ခွဲခြားများအတွက် Lasso (Lasso အလေးချိန် = 0.5) ကအင်္ဂါရပ်ရွေးချယ်ရေးအတွက်ရရှိသောခဲ့သည်။
အုပ်စုသုံးစု၏တစ် ဦး ချင်းစီ pair တစုံအကြားခွဲခြားများအတွက်ပုံမှန်ထောက်ပံ့ပို့ဆောင်ရေးဆုတ်ယုတ်အတွက် neuroanatomical features တွေရွေးချယ်ခဲ့သည်။ စနစ်တကျမရှိသောဂိမ်းကစားသူများ (DG) ကိုကျန်းမာသန်စွမ်းသောမဟုတ်သည့်ကစားသမားများ (HN) နှင့် DG တို့အကြားခွဲခြားသတ်မှတ်ထားသည်။ ပုံမှန်ဂိမ်းကစားသူများ (NG) သည် HN နှင့် NG အကြားခွဲခြားသတ်မှတ်ခြင်းတွင် ၁ နှင့် DG နှင့် NG နှင့် DG တို့အကြားခွဲခြားထားသည်။ ဘားတစ်ခု၏အရွယ်အစားသည်သက်ဆိုင်ရာအင်္ဂါရပ်၏မြှောက်ဖော်ကိန်း၏အရွယ်အစားကိုကိုယ်စားပြုသည်။ ဥပမာသုညမဟုတ်သည့်ကိန်း၏လက္ခဏာများကိုရွေးချယ်သည်။ ပြန်ဆိုထားသော ဦး နှောက်သည်မီးခိုးနှင့်အဖြူရောင်အစိတ်အပိုင်းများကိုသာလွန်မြင်ကွင်းမှရွေးချယ်ထားသောအင်္ဂါရပ်များနှင့်သက်ဆိုင်သည်။ အနီရောင် (သို့) အပြာရောင်စုံရှိအင်္ဂါရပ်များသည်λတွင်သတ်မှတ်ထားသောပိုစတာများပါ ၀ င်သောအရာများကိုဖော်ပြသည်1SE အဖြစ်λမှာစိတ်ပိုင်းဖြတ်ကျဲ features တွေအတွက်MinErrအဝါရောင်သို့မဟုတ်ပန်းခရမ်းရောင်သူများအတွက်သော်လည်းသာကျဲ features တွေအတွက်ထည့်သွင်းသူတွေကိုညွှန်ပြ။ ဇယားအတွက်ထောက်ပံ့ပေးအဖြစ်ဦးနှောက်အစိတ်အပိုင်းတံဆိပ်များဖြစ်ကြောင်း S1 နှင့် S2။ L ကို, left; ညာဘက် R ကို။
စားပွဲတင် 1
သုံးအုပ်စုတစ်ခုချင်းစီကို pair တစုံအကြားခွဲခြားများအတွက်ပုံမှန် Logistic ဆုတ်ယုတ်၏လျောက်ပတ်သတင်းအချက်အလက်။
| DG vs. HN | Ng vs. HN | DG vs. Ng | ||
|---|---|---|---|---|
| parameter | GM | အထူ | အထူ | Volume ကို |
| WM | FA | RD | MD | |
| Lasso မှာအလေးချိန် | 0.5 | 1 | 0.5 | |
| λမှာရှေးခယျြကျဲ features တွေMinErr | CV ကိုအမှား | 37.3681 | 41.7876 | 133.3857 |
| အင်္ဂါရပ်များအမှတ် | 43 | 21 | 11 | |
| λမှာရှေးခယျြထား Sparser features တွေ1SE | CV ကိုအမှား | 46.5681 | 50.0435 | 141.2622 |
| အင်္ဂါရပ်များအမှတ် | 34 | 12 | 1 | |
အဆိုပါ Lasso အလေးချိန်ပုံမှန် Logistic ဆုတ်ယုတ်သည့် Lasso (Lasso အလေးချိန် = 1) သို့မဟုတ် elastic အသားတင် (Lasso အလေးချိန် = 0.5) ကို အသုံးပြု. ကောက်ယူခဲ့သည်ရှိမရှိဆိုတာကိုပြသ.
HN ကျန်းမာ Non-ဂိမ်းကစား; DG, disorders ဂိမ်းကစား; Ng, သာမန်ဂိမ်းကစား; GM ကမီးခိုးရောင်ကိစ္စ; WM, အဖြူရောင်ကိစ္စ; အက်ဖ်အေ, ဒဿမကိန်း anisotropy; RD, radial ပျံ့; MD, ပျံ့ဆိုလို; CV ကို Cross-validation ကို.
ကျန်းမာ Non-ဂိမ်းကစားထံမှ disorders ဂိမ်းကစား၏ခွဲခြားဆက်ဆံမှုများတွင် 43 λမှာရှေးခယျြထား Features,MinErr 24 GM ကတိုင်းဒေသကြီးနှင့် 19 WM ဝစော၏အက်ဖ်အေ၏အထူဖွဲ့စည်းနှင့် 34 λမှာရှေးခယျြထား Features,1SE 15 GM ကတိုင်းဒေသကြီးနှင့် 19 WM ဝစော၏အက်ဖ်အေ၏အထူဖွဲ့စည်း။ ကျန်းမာ Non-ဂိမ်းကစားရာမှပုံမှန်ဂိမ်းကစား၏ဂုဏ်ထူးခုနှစ်, 21 λမှာရှေးခယျြထား Features,MinErr 12 GM ကတိုင်းဒေသကြီးနှင့် 9 WM ဝစော၏ RD ၏အထူဖွဲ့စည်းနှင့် 12 λမှာရှေးခယျြထား Features,1SE 6 GM ကတိုင်းဒေသကြီးနှင့် 6 WM ဝစော၏ RD ၏အထူဖွဲ့စည်း။ အဆိုပါရောဂါနှင့်သာမန်ဂိမ်းကစားအကြားခွဲခြားခုနှစ်, 11 λမှာရှေးခယျြထား Features,MinErr 7 GM ကတိုင်းဒေသကြီးနှင့် 4 WM ဝစော၏ MD ၏အသံအတိုးအကျယ်ဖွဲ့စည်းနှင့်တဦးတည်းရဲ့ feature λမှာရှေးခယျြ1SE တဦးတည်း GM ကဒေသ၏အသံအတိုးအကျယ်မှစာအဆက်အသွယ်။
ရွေးချယ်ထားသည့်အင်္ဂါရပ်များ performance
features တွေတစ်လျှော့ချနံပါတ်နှင့်အပေါငျးတို့သ 108 features တွေနှင့်အတူမော်ဒယ်နှင့်အတူမော်ဒယ်အကြား, စွမ်းဆောင်ရည် SVMs အားဖြင့်ဂိမ်းကစားခြင်းနှင့်ကျန်းမာ Non-ဂိမ်းကစား၏အသီးအသီးအမျိုးအစား (ပုံအကြားခွဲခြားဆက်ဆံမှုအတွက် AUC ၏စည်းကမ်းချက်များ၌နှိုင်းယှဉ်ခဲ့သည် (Figure3) .3) ။ အဆိုပါရောဂါနှင့်သာမန်ဂိမ်းကစားအကြားခွဲခြားခုနှစ်, အင်္ဂါရပ်တွေနှင့်အတူမော်ဒယ်ဖြစ်စေλမှာရှေးခယျြMinErr (AUC = 0.83, p = 0.006) သို့မဟုတ်λမှာ1SE (AUC = 0.72, p <0.001) အားလုံး 108 features တွေ (AUC = 0.90) နှင့်အတူမော်ဒယ်ထက်ပိုမိုဆင်းရဲတဲ့စွမ်းဆောင်ရည်ကိုပြသခဲ့သည်။
ထောက်ခံမှုအားနည်းချက်ကိုစက်တွေနေဖြင့်အုပ်စုသုံးစုတစျခုစီ pair တစုံအကြားခွဲခြားများအတွက် feature ကိုရွေးချယ်ခြင်းကိုမပါဘဲနှင့်အတူမော်ဒယ်များအကြားဝိသေသကွေး (AUC) operating ကို receiver အောက်ရှိဧရိယာ၏စည်းကမ်းချက်များ၌စွမ်းဆောင်ရည်နှိုင်းယှဉ်။ အင်္ဂါရပ်များလျှော့နံပါတ်များများ၏မော်ဒယ်များλမှာရှေးခယျြကျဲနှင့် sparser features တွေနှင့်အတူသူတို့အားကိုက်ညီသော်လည်း (အစိုင်အခဲလိုင်းအားဖြင့်ညွှန်ပြ) 108 features တွေ၏မော်ဒယ် feature ကိုရွေးချယ်ခြင်းကိုကင်းသောကိုက်ညီMinErr (Dash လိုင်းအားဖြင့်ညွှန်ပြ) နှင့်λ1SE အသီးသီး, (dash-dot လိုင်းအားဖြင့်ညွှန်ပြ) ။ HN ကျန်းမာ Non-ဂိမ်းကစား; DG, disorders ဂိမ်းကစား; Ng, သာမန်ဂိမ်းကစား။
ခွဲခြားတိကျမှန်ကန်မှု
λမှာရွေးချယ်ထားသော features တွေသုံးပြီး SVMs အားဖြင့်ခွဲခြားအတွက်MinErr, တိကျမှန်ကန်မှုကို (အခွင့်အလမ်းအဆင့်ထက်သိသိသာသာပိုမိုမြင့်မား သာ. ကြီးမြတ်ထက် 98% ခဲ့သည်p <0.001), ကျန်းမာမဟုတ်သောကစားသမား (ပုံ။ ) မှဂိမ်းကစားသူတစ် ဦး ချင်းစီ၏ကွဲပြားမှု၌တည်၏ (Figure4A) .4A) ။ တိကျမှန်ကန်မှု (ဆဲအခွင့်အလမ်းအဆင့်ထက်သိသိသာသာပိုမိုမြင့်မားခဲ့p အဆိုပါရောဂါနှင့်သာမန်ဂိမ်းကစားအကြားခွဲခြားအတွက် 0.002% အဖြစ်အနိမ့် = 69.8) ပေမယ့်, အထူး disorders ဂိမ်းကစားများ၏မှန်ကန်သောဖော်ထုတ်ခြင်းအတွက်အနိမ့် sensitivity ကို (47.4%) ဖေါ်ပြခြင်း။ λမှာစိတ်ပိုင်းဖြတ်အဆိုပါ sparser features တွေ1SE အလားတူစွမ်းဆောင်ရည် (ပုံပြ (Figure4B) 4B) ပေမယ့်သာမန်ဂိမ်းကစားထံမှ disorders ဂိမ်းကစားများ၏မှန်ကန်သောဂုဏ်ထူးအတွက်အများကြီးနိမ့် sensitivity ကို (2.6%) ပြသခဲ့သည်။
သုံးတဲ့အခါရှုပ်ထွေးသုံးအုပ်စုများ၏တစ်ဦးချင်းစီ pair တစုံအကြားခွဲခြားအတွက် matrices (က) ကျဲနှင့် (ခ) λမှာစိတ်ပိုင်းဖြတ် sparser features တွေMinErr နှင့်λမှာ1SEအသီးသီး, ထောက်ခံမှုအားနည်းချက်ကိုစက်တွေအတွက်။ အဆိုပါအနိမ့်လက်ျာဆဲလ်ခွဲခြားတိကျမှန်ကန်မှု (ACC), အောက်ပိုင်း-လက်ဝဲဆဲလ်စစ်မှန်တဲ့အနုတ်လက္ခဏာနှုန်း (TNR) သို့မဟုတ်သတ်သတ်မှတ်မှတ်, အောက်ပိုင်း-အလယ်တန်းဆဲလ်စစ်မှန်တဲ့အပြုသဘောဆောင်မှုနှုန်း (TNR) သို့မဟုတ် sensitivity ကို, အထက်ညာဆဲလ်အနုတ်လက္ခဏာကြိုတင်ခန့်မှန်းချက်တန်ဖိုး (NPV ကိုယ်စားပြုတယ် ), နှင့်အလယ်တန်းညာဆဲလ်အပြုသဘောကြိုတင်ခန့်မှန်းချက်တန်ဖိုး (PPV အတွက်) ။ TP, စစ်မှန်တဲ့အပြုသဘော; TN, စစ်မှန်တဲ့အနုတ်လက္ခဏာ; လက်ဗွေ, မှားယွင်းသောအပြုသဘော; FN, မှားယွင်းသောအနုတ်လက္ခဏာ။
ဆွေးနွေးမှု
ဒီလေ့လာမှုမှာကျနော်တို့ DSM-5 အတွက်အဆိုပြုထားသည့် IGDS နှင့်အတူခွဲခြားအဖြစ်ရောဂါဗေဒနှင့် Non-ရောဂါဗေဒဂိမ်းကစားကျဲ neuroanatomical features တွေကကိုယ်စားပြုနိုင်ခြင်းရှိမရှိဆန်းစစ်ရန်ရှာ၏။ အဆိုပါရောဂါနှင့်သာမန်ဂိမ်းကစားကျန်းမာ Non-ဂိမ်းကစား ဆက်စပ်. အတွက်အသီးသီး 43 နှင့် 21 features တွေ၏စည်းကမ်းချက်များ၌ကိုယ်စားပြုခဲ့သည်။ ထို့အပြင် disorders ဂိမ်းကစားပုံမှန်ဂိမ်းကစားစပ်လျဉ်း 11 features တွေ၏စည်းကမ်းချက်များ၌ကိုယ်စားပြုခဲ့သည်။ အဆိုပါကျဲ neuroanatomical features တွေကိုအသုံးပြုခြင်း, အ disorders နှင့်သာမန်ဂိမ်းကစားကျန်းမာ Non-ဂိမ်းကစားရာမှအောင်မြင်စွာလူမျိုးအတန်းအစားခွဲခြားမှုနိုင်ပေမယ့် disorders နှင့်သာမန်ဂိမ်းကစားအကြားခွဲခြားအတော်လေးစိန်ခေါ်မှုဖြစ်ခဲ့သည်။
အဆိုပါ DSM-5 အတွက်အဆိုပြုထားသည့် IGDS နှင့်အတူ IGD ၏လက္ခဏာ-based ဖော်ပြရန်အမျိုးအစားကျယ်ပြန့်လက်ခံကျင့်သုံးလျက်ရှိသည်။ အဆိုပါ IGDS ၏ပင်ကိုယ်မူလတရားဝင်မှုမျိုးစုံနိုင်ငံများတွင်အတည်ပြုခဲ့သည်ထားပြီးဖြစ်သော်လည်း (3, 21, 22), ငါးသို့မဟုတ်ထိုထက်ပို IGDS ပစ္စည်းများကြုံနေရတံခါးခုံတစ်ဦးနှင့်ရှေးခယျြမှုမဖြစ်စေခြင်းငှါ, အင်တာနက်ကို-based ဂိမ်းကစားခြင်းတစ်ဦးချင်းစီ categorizing တခြားနည်းလမ်းတွေအကြံပြုစေခြင်းငှါ (12) ။ ပို. ပို. ရရှိနိုင်ဖြစ်လာထိုကဲ့သို့သောဦးနှောက်ပုံရိပ်ဒေတာအဖြစ်, လူဦးရေအချိုးအစားအမူအကျင့်များနှင့်လက်ခဏာဒေတာအဖြစ်လက်တွေ့အချက်အလက်များ၏မျိုးစုံအမျိုးအစားများ, ကတည်းကအပိုဆောင်းဒေတာပိုကောင်းစိတ်ရောဂါ၏ရောဂါအတှကျအလုပျခနျ့နိုငျသညျ။ အထူးသဖြင့်, ကြောင့်အရေအတွက်အချက်အလက်များ၏ထုထည်ကြီးမားမှုမှ, ဦးနှောက်ပုံရိပ် data တွေကိုကွန်ပျူတာချဉ်းကပ်ဘို့အကိုက်ညီနှင့်ခန့်မှန်းအသုံးဝင်ပါလိမ့်မယ်။ အမှန်မှာဦးနှောက်ပုံရိပ်ဒေတာ (ကဆေးခန်းသက်ဆိုင်ရာပြဿနာဖြေရှင်းရေးအဘို့ခန့်မှန်းအခြားလက်တွေ့အချက်အလက်များနှင့်နှိုင်းယှဉ်လျှင်သာလွန်ကြိုတင်ခန့်မှန်းချက်တန်ဖိုးများရှိသည်ဖို့ပြသပြီ23).
ML-based အဖြေရှာတဲ့ခွဲခြားမကြာသေးမီကအခြားအစွဲလမ်းအပြုအမူတွေနဲ့ပုံမမှန်ဖို့လျှောက်ထားခဲ့သကဲ့သို့ပင် (24-28), IGD ၏လက္ခဏာ-based အမျိုးအစားကိုလည်းတွက်ချက်မှု-based ခွဲခြားတဲ့စိန်ခေါ်မှုနှင့်ရင်ဆိုင်ရရန်ပုံပေါ်ပါတယ်။ IGD အောက်ပါဦးနှောက်ရဲ့ခန္ဓာဗေဒမူမမှန်ထပ်တလဲလဲယခင်လေ့လာမှုများအစီရင်ခံခဲ့ကြသောကြောင့် (5-7, 9), ကျနော်တို့ IGD များ၏ရောဂါအဘို့အဦးနှောက်ပုံရိပ်ဒေတာအလားအလာ biomarkers ထံမှထိုကဲ့သို့သော neuroanatomical သတင်းအချက်အလက်ထည့်သွင်းစဉ်းစား။ ဒီလေ့လာမှုမှာကျွန်ုပ်တို့၏ရည်မှန်းချက်တစ်ဦးချင်းစီ၏အတန်းအကြား neuroanatomical ကွဲပြားခြားနားမှုဖော်ပြတဘက်, လုံလောက်စွာမြင့်မားခွဲခြားစွမ်းဆောင်ရည်များကိုနိုင်ကြောင်းအရေးကြီးသော neuroanatomical features တွေအစုတခုခွဲခြားသိမြင်ဖို့ပဲ။
ကျွန်တော်တို့သည် 108 neuroanatomical features တွေအကြား, နှံ့နှံ့စပ်စပ်ပုံမှန်အစည်းအဝေးဆုတ်ယုတ်အရေးကြီးသောသူမြားကိုရှေးခယျြ။ ကျွန်တော် GM နဲ့ WM parameters တွေကိုရှစ်ပေါင်းစပ်ထည့်သွင်းစဉ်းစားတဲ့အခါ, parameters တွေကိုအမျိုးမျိုးပေါင်းစပ်သုံးခုအုပ်စုများ၏တစ်ဦးချင်းစီ pair တစုံကွဲပြားခြားနားသွားဘို့ကိုရှေးခယျြခဲ့သညျ။ GM ကတိုင်းဒေသကြီးများ၏ volume ၏ပေါင်းစပ်နှင့် WM ဝစော၏ပျံ့သည့်ရောဂါဗေဒဂိမ်းကစားကွဲပြားခြားနားသွားဘို့ပိုကောင်းခဲ့သော်လည်း GM ကတိုင်းဒေသကြီးနှင့် WM ဝစော၏သမာဓိ၏အထူ၏ပေါင်းစပ်, ကျန်းမာ Non-ဂိမ်းကစားခြင်းမှရောဂါဗေဒဂိမ်းကစားကွဲပြားခြားနားသွားဘို့ပိုကောင်းခဲ့ non-ရောဂါဗေဒဂိမ်းကစားရာမှ။ အများအပြားဟာဦးနှောက်အစိတ်အပိုင်းများကိုလေ့ကျန်းမာ Non-ဂိမ်းကစားခြင်းမှရောဂါဗေဒနှင့် Non-ရောဂါဗေဒဂိမ်းကစား၏ဂုဏ်ထူးများအတွက်အရေးကြီးသောခဲ့ neuroanatomic features တွေအဖြစ်တာဝန်ထမ်းဆောင်ပေမယ်ထို့အပြင်အချို့ GM ကတိုင်းဒေသကြီးနှင့် WM ဝစော non-ရောဂါဗေဒဂိမ်းကစားသွင်ပြင်လက္ခဏာ, ဒါပေမယ့်မရောဂါဗေဒဂိမ်းကစား ။ ဤရွေ့ကားတွေ့ရှိချက် GM နဲ့ WM parameters များကိုတစ်ဦးသတ်သတ်မှတ်မှတ်ပေါင်းစပ်ခွဲခြားခံရဖို့အုပ်စုများသည်နှင့်အညီရွေးချယ်ထားသည့်ရန်လိုအပ်ပါသည်နိုင်အောင်, neuroanatomical biomarkers အဖြစ် GM နဲ့ WM parameters တွေကိုတစ်တစ်ကမ္ဘာလုံးအတိုင်းအတာအကောင်းဆုံးဖျော်ဖြေပေါင်းစပ်အဲဒီမှာမကျမည်အကြောင်းဖော်ပြသည်။
အဆိုပါရောဂါဗေဒဂိမ်းကစား၏ဂုဏ်ထူးနှင့်နှိုင်းယှဉ်ပါ non-ရောဂါဗေဒဂိမ်းကစား၏ဂုဏ်ထူးများအတွက်ကျဲ features တွေ၏သေးငယ်အရေအတွက်, ကျန်းမာ Non-ဂိမ်းကစားရာမှ, non-ရောဂါဗေဒဂိမ်းကစားသည့်ရောဂါဗေဒဂိမ်းကစားခြင်းနှင့်ကျန်းမာတို့အကြား်ကူးေူပာင်းမြဆိုင်ရာအဆင့်မှာဖြစ်ကြောင်းထင်ဟပ် Non-ဂိမ်းကစား။ ထို့အပြင်ဂိမ်းကစားအမျိုးအစားတခုချင်းစီနှင့်ကျန်းမာ Non-ဂိမ်းကစားအကြားခွဲခြားဆက်ဆံမှုဟာရောဂါဗေဒနှင့် Non-ရောဂါဗေဒဂိမ်းကစားအသုံးအနှုန်းများအတွက်တစ်ဦးချင်းစီကတခြားမှလျော့နည်းထပ်တူထပ်မျှပါသောဂိမ်းကစားများ၏နှစ်မျိုးအကြားခွဲခြားများအတွက်အနည်းငယ်သာကျဲ features တွေရည်ညွှန်းသည်ထက် neuroanatomy ၏သူတို့ကိုကျန်းကျန်းမာမာ Non-ဂိမ်းကစားရာမှထပ်တူထပ်မျှဖြစ်ခြင်းထက် သာ. ကောင်း၏။ ထို့ကြောင့်အဆိုပါကျဲ features တွေနှင့်အတူနေထုတ်လုပ်လိုက်တဲ့ခွဲခြားမော်ဒယ်များကတော့ဂိမ်းကစားအမျိုးအစားတခုချင်းစီနှင့်ကျန်းမာ Non-ဂိမ်းကစားပေမယ့်ဂိမ်းကစားများ၏နှစ်မျိုးအကြားခွဲခြားအတွက် 98% အောက်တွင်ဖော်ပြထားသောတိကျမှန်ကန်မှုအကြားခွဲခြားဆက်ဆံမှုအတွက် 70% ကျော်လွန်တိကျမှန်ကန်မှုကိုလြှော့။ ဒါကဖြစ်ပါသည်, non-ရောဂါဗေဒဂိမ်းကစားကျန်းမာ Non-ဂိမ်းကစားရာမှသိသာစွာကွဲပြားခဲ့ကြသည်အဖြစ်ရောဂါဗေဒဂိမ်းကစားခဲ့ကြသည်, ဒါပေမယ့်ကန့်သတ်သည့်ရောဂါဗေဒနှင့် Non-ရောဂါဗေဒဂိမ်းကစားအကြားကွဲပြားခြားနားသွားအတွက်ရှိခဲ့သည်။
အဆိုပါဂိမ်းကစားများ၏နှစ်မျိုးအကြားဒါဟာအတော်လေးနိမ့်ခွဲခြားအနည်းငယ်အယူအဆတွေအကြံပြုပုံရသည်။ ပထမဦးစွာလက္ခဏာ-based အမျိုးအစားနှင့်ကွန်ပျူတာ-based ခွဲခြားအကြားတစ်ဦးမတိုက်ဆိုင်အဆိုပြုနိုင်ပါသည်။ အဆိုပါ IGDS ၌ငါးသို့မဟုတ်ထိုထက်ပိုစံကြုံနေရ၏အဆိုပြုအဖြေရှာတဲ့တံခါးခုံကိုထိန်းသိမ်းစောင့်ရှောက်ရေး IGD ၏ Over-ရောဂါ (ကာကွယ်တားဆီးဖို့ရှေးခယျြခဲ့ပေမယ့်12), ဂိမ်းကစား၏ရှေ့မှောက်တွင် neuroanatomy အတွက်စဉ်းစားဆင်ခြင်စရာရောဂါဗေဒအပြောင်းအလဲများကိုခံစားနေရပြီးပေမယ် IGD တံခါးခုံကိုကျေနပ်မဟုတ်မှတ်မည်မဟုတ်ပါ။ အထူးသဖြင့်, သာဂိမ်းကစား IGD ယေဘုယျအားဖြင့်ဝေးကွာ Non-ကစားကျန်းမာတစ်ဦးချင်းစီကနေဒီလေ့လာမှုမှာပြသထက်ဖြစ်နိုင်ပါတယ်ရှိခြင်းမရောဂါနိုင်အောင်, သာမန်ဂိမ်းကစားသကဲ့သို့ IGD တံခါးခုံထက်အများကြီးနိမ့် IGDS ပစ္စည်းများကျေနပ်သူကိုဂိမ်းကစားပါဝင်သည်။ ဒုတိယအချက်မှာ neuroanatomical biomarkers အပေါ်သာမှီခိုခွဲခြားအတွက်စိန်ခေါ်မှုတစ်ရပ်မှတ်သားနိုင်ပါသည်။ ခွဲခြားစွမ်းဆောင်ရည်ဟာရောဂါဗေဒနှင့် Non-ရောဂါဗေဒဂိမ်းကစားအကြား သာ. ကြီးခြားနားဖမ်းယူနိုင်သောအခြားအ biomarkers အပါအဝင်ခြင်းဖြင့်တိုးတက်နိုင်ပါတယ်။ အထူးသဖြင့်, ဦးနှောက်ထဲမှာအလုပ်လုပ်တဲ့အပြောင်းအလဲများကိုလည်း IGD (အတွင်းသရုပ်ပြကြောင့်29-33), function ကိုအဖြစ်ဦးနှောက်၏ခန္ဓာဗေဒဦးနှောက် biomarkers စဉ်းစားနိုင်ပါတယ်။ ထို့အပြင်ကျနော်တို့ကတခြားအကြောင်းရင်းများ, အင်တာနက်ဂိမ်းကစားစွဲဘို့အနည်းဆုံးအမျိုးမျိုးသောမဟုတ်ပြည်တွင်းရေးနှင့်ပြင်ပအန္တရာယ်အချက်များ (သို့မှသာဦးနှောက်အတွက်အပြောင်းအလဲသာ, အင်တာနက်ဂိမ်းကစားစွဲ၏ multidimensional ရှုထောငျ့၏အစိတ်အပိုင်းတစ်ခုဖွဲ့စည်းကြောင်းသတိပြုပါချင်34), ရောဂါဗေဒနှင့် Non-ရောဂါဗေဒဂိမ်းကစားအကြားခွဲခြားအဖြစ် Non-ဂိမ်းကျန်းမာတစ်ဦးချင်းစီအနေဖြင့်ဂိမ်းကစား၏ဂုဏ်ထူးပိုမိုပြည့်စုံမော်ဒယ်များတွင်ထည့်သွင်းရပါမည်။
ဤတွင်ကျနော်တို့ခွဲခြားမော်ဒယ်များများအတွက်အရေးကြီးသောအင်္ဂါရပ်များကိုသိရှိနိုင်ဖို့, ထိုကဲ့သို့သော Lasso နှင့် elastic အသားတင်အဖြစ် sparsity-မြှင့်တင်ခန့်မှန်းသုံးပြီးပုံမှန်ဆုတ်ယုတ်အလုပ်ပါပြီ။ အဲဒီမှာအင်္ဂါရပ်ရွေးချယ်ရေးသို့မဟုတ် Dimensional လျှော့ချရေးအတွက်အတိုင်းအတာများမူကွဲအမှန်တကယ်ဖြစ်ကြသည်ကို၎င်း, ချဉ်းကပ်မှုအမျိုးမျိုး (မော်ဒယ်ဆောက်လုပ်ရေးအတွက်ရွေးချယ်ထားသည့်အင်္ဂါရပ်များကိုအသုံးပြုခြင်းများအတွက်အလုပ်လုပ်စေခြင်းငှါ35) ။ ပုံမှန်ဆုတ်ယုတ်သုံးပြီးကျွန်ုပ်တို့၏ချဉ်းကပ် neuroanatomical features တွေအတွက် sparsity ရည်တစ်ဦးယူဆချက်ပါဝငျ။ ထိုကဲ့သို့သောယူဆချက်ကြှနျုပျတို့သညျဤလေ့လာမှုကိုယုံကြည်အဖြစ်ပုံမှန်ဆုတ်ယုတ်နေတဲ့ယုတ္တိတန်သည်ဟုဆိုရမည်ချဉ်းကပ်နည်းဖြစ်နိုင်ကြောင်းလက်ခံနိုင်ဖွယ်ဖြစ်ပြီး, ကျဲအင်္ဂါရပ်များရွေးချယ်ထားသော set ကိုလုံလောက်စွာမြင့်မားတဲ့စွမ်းဆောင်ရည်ခွဲခြားမော်ဒယ်များ compose ဖို့မျှော်လင့်ထားလိမ့်မည်ဟုဖြစ်သည်။ သို့သော်ထိုသို့ သာ. ကြီးမြတ် sparsity အပေါ်အခြေခံပြီးရိုးရှင်းတဲ့ခွဲခြားမော်ဒယ်များအမြဲနှိုင်းယှဉ်သို့မဟုတ်တိုးတက်လာသောစွမ်းဆောင်ရည်ပြမပေးစေခြင်းငှါသတိပြုဖွယ်ဖြစ်ပါသည်။ အမှန်စင်စစ်ပုံမှန် parameter သည်နှင့်အညီ sparsity ၏ဒီဂရီ၏ကွဲပြားခြားနားသောရွေးချယ်မှုများအကြား, သာ. ကြီးမြတ် sparsity ထိုကဲ့သို့သောရောဂါဗေဒနှင့် Non-ရောဂါဗေဒဂိမ်းကစားအကြားခွဲခြားအဖြစ်ပိုပြီးစိန်ခေါ်မှုခွဲခြားပြဿနာများအတွက်အထူးပိုကောင်းတဲ့စွမ်းဆောင်ရည်မော်ဒယ်ပေးဖွယ်ရှိမဟုတ်ခဲ့ပေ။
သူတို့လူကြိုက်အများဆုံးသူတွေကိုအကြားကြောင့်အပြင်, ငါတို့သည်ခွဲခြားမော်ဒယ်များဆောက်လုပ်တစ်ခု ML technique ကိုအဖြစ် SVMs အသုံးပြုခဲ့ကြသည်။ ကွဲပြားခြားနားသောနည်းလမ်းများအကြားနှိုင်းယှဉ်စွမ်းဆောင်ရည်ရှိသောကြောင့်စမ်းသပ်အခြေအနေတွေအပေါ်စွမ်းဆောင်မှုများ၏မှီခို၏ကောက်ချက်ချမရနိုင်ပေမယ့်အခြားအခေတ်မီနည်းစနစ်များ (ခွဲခြားစွမ်းဆောင်ရည်တိုးတက်ကောင်းမွန်လာရန်အသုံးပြုစေခြင်းငှါ19) ။ အခြားတစ်ဖက်တွင်, ဂန္စာရင်းအင်းနည်းလမ်းများနှင့် ML နည်းစနစ်များအကြားနှိုင်းယှဉ်စွမ်းဆောင်မှုများအတွက်, ငါတို့ကဲ့သို့ကောင်းစွာ Logistic ဆုတ်ယုတ်ခြင်းဖြင့်ခွဲခြားကောက်ယူထိုသူနှစ်ယောက်နည်းလမ်းများ, အမည်ရ Logistic ဆုတ်ယုတ်ခြင်းနှင့် SVMs, ခွဲခြားများ၏စွမ်းဆောင်ရည် (ပုံထဲမှာနှိုင်းယှဉ်ခဲ့ကြသည်ကွောငျးဖျောပွခဲ့ S2) ။ ဒါဟာ (ဂန္စာရင်းအင်းနည်းလမ်းများခွဲခြားစွမ်းဆောင်ရည်အတွက်အမြဲ ML နည်းစနစ်ယုတ်ညံ့မဟုတ်လွှတ်မည်ကိုတော့ထုတ်ဖော်ပြောကြားသွားခြင်းစေခြင်းငှါ36).
လက်ရှိလေ့လာမှုတှငျကြှနျုပျတို့ IGD ၏လက္ခဏာ-based အမျိုးအစားခွဲခြားမော်ဒယ်များရေးစပ်ကြောင်းကျဲ neuroanatomical biomarkers ၏စည်းကမ်းချက်များ၌ကိုယ်စားပြုနိုင်ဟုထုတ်ဖော်ခဲ့ကြပါသည်။ ထို့အပွငျ, ငါတို့ Non-ရောဂါဗေဒဂိမ်းကစား neuroanatomy ၏စည်းကမ်းချက်များ၌, Non-ဂိမ်းကျန်းမာတစ်ဦးချင်းစီကနေထက်ရောဂါဗေဒဂိမ်းကစားရာမှလျော့နည်းသိသာစွာကွဲပြားနိုင်သရုပ်ပြပါပြီ။ ကျနော်တို့အရှင်လက်ရှိရောဂါရှာဖွေစနစ်များကိုရွှေစံချိန်စံညွှန်းများကဲ့သို့သောအဆိုပါ DSM-5 အဖြစ်ဖော်ပြရန်အမျိုးအစားအပေါ်အားကိုးသော်လည်း non-ရောဂါဗေဒဂိမ်းကစားထိုကဲ့သို့သော neuroanatomical ပွောငျးလဲနှင့်ဆက်နွယ်သောသူတို့သည်အဖြစ်ရည်မှန်းချက် biomarkers အလုပ်သမားများကပိုပြီးစောင့်ရှောက်မှုနှင့်အတူရောဂါခံရဖို့လိုအပ်ပါတယ်စေခြင်းငှါအကြံပြုအပ်ပါသည်။ ကွန်ပျူတာချဉ်းကပ်၏မွေးစား Psychiatry အတွက်နောက်ကြောင်းပြန်မလှည်လမ်းကြောင်းသစ်ဖြစ်ဟန်, ဒါပေမယ့်လက်တွေ့မှာလက်တွေ့ပတ်ဝန်းကျင်မှာအဲဒီလျှောက်ထားရန်သွားကြဖို့ရှည်လျားသောလမ်းရှိပေမည်။ ဦးနှောက်ပုံရိပ်နှင့်အခြားလက်တွေ့ဒေတာကနေကျဲ features တွေ၏အကောင်းဆုံးရွေးချယ်ရေးရှာရန်နောက်ဆက်တွဲလေ့လာမှုများအတွက်ကောက်ယူရန်လိုအပ်ပါသည်, နှင့်ရေရှည်အတွက်ဤကြိုးပမ်းအားထုတ်မှုများကို IGD ၏တွက်ချက်မှု-based ရောဂါမြှင့်တင်ရန်လိမ့်မယ်။
စာရေးသူပံ့ပိုးမှုများကို
D-JK နှင့် J-WC လေ့လာမှုအယူအဆနှင့်ဒီဇိုင်းများအတွက်တာဝန်ရှိရှိကြ၏။ HC ပါဝင်သူများ၏လက်တွေ့စရိုက်လက္ခဏာတွေနဲ့ရွေးချယ်ရေးပြုလုပ်ခဲ့သည်။ က CP ဒေတာခွဲခြမ်းစိတ်ဖြာနှင့်လက်ရေးမူများမှာတွေ့နိုင်ပါတယ်ရေးဆွဲ။ အားလုံးစာရေးဆရာများပြင်းထန်စွာအကြောင်းအရာပြန်လည်သုံးသပ်ထုတ်ဝေရန်နောက်ဆုံး version ကိုအတည်ပြုခဲ့သည်။
အကျိုးစီးပွားကြေညာချက်၏ပဋိပက္ခ
အဆိုပါစာရေးဆရာသုတေသနအကျိုးစီးပွားအလားအလာပဋိပက္ခအဖြစ်ဖြစ်ပေါ်စေမည့်မည်ဆိုစီးပွားဖြစ်သို့မဟုတ်ဘဏ္ဍာရေးဆက်ဆံရေး၏မရှိခြင်းအတွက်ကောက်ယူခဲ့ကွောငျးကိုကွားပွော။
အောက်ခြေမှတ်ချက်များ
ရန်ပုံငွေရှာခြင်း။ ဒါဟာသုတေသနကိုရီးယားသိပ္ပံနှင့်အိုင်စီတီဝန်ကြီးဌာန (NRF-2014M3C7A1062893) ကငွေကြေးထောက်ပံ့ကိုရီးယားအမျိုးသားသုတေသနဖောင်ဒေးရှင်း (NRF) ကနေတဆင့်ဦးနှောက်သိပ္ပံသုတေသနအစီအစဉ်ကထောက်ခံခဲ့သည်။
နောက်ဆက်တွဲပစ္စည်း
ဤဆောင်းပါးတွင်များအတွက်နောက်ဆက်တွဲပစ္စည်းမှာအွန်လိုင်းတွင်တွေ့နိုင်ပါသည်: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material
ကိုးကား
;
