अगाडि मनोचिकित्सक। 2018; 9: 291।
अनलाइन 2018 जून 29 प्रकाशित। doi: 10.3389 / fpsyt.2018.00291
PMCID: PMC6033968
PMID: 30008681
चांग-ह्यून पार्क,1 जी-वोन चुन,1 Hyun Cho,1,2 र दाई जिन किम1,*
सार
इन्टर्नेट गेमि disorder डिसअर्डर (आईजीडी) प्राय: नौ मानसिक अन्वेषक (DSM-5) को डायग्नोस्टिक र सांख्यिकीय म्यानुअल को नवीनतम संस्करण बाट नौ अन्तर्निहित मापदण्डको आधारमा निदान गरिन्छ। यहाँ, हामीले जाँच्यौं कि यस्तो लक्षण-आधारित वर्गीकरण गणना-आधारित वर्गीकरणमा अनुवाद गर्न सकिन्छ कि भनेर। स्ट्रक्चरल एमआरआई (एसएमआरआई) र प्रसार-भारित एमआरआई (डीएमआरआई) डाटा आईजीडी, 38 सामान्य गेमर IGD, र 68 स्वस्थ नन-गेमर नभएको रूपमा निदान गरिएको 37 गेमरमा पत्ता लगाइएको थियो। हामीले एमआरआई डाटाबाट खरानी पदार्थ (जीएम) र सेतो पदार्थ (डब्ल्यूएम) संरचना 108 सुविधाहरू उत्पन्न गरेका छौं। जब समूहमा भिन्नताका लागि महत्त्वपूर्ण व्यक्तिहरू छनौट गर्न 108 न्यूरोआनेटोमिकल सुविधाहरूमा नियमित तार्किक प्रतिगमन लागू गरिएको थियो, तब अव्यवस्थित र सामान्य गेमरहरू क्रमशः 43 र 21 सुविधाहरूमा प्रतिनिधित्व गरियो, स्वस्थ गैर-गेमरहरूको सम्बन्धमा, जबकि अव्यवस्थित गेमरहरू सामान्य गेमरहरूको सम्बन्धमा 11 सुविधाहरूको प्रतिनिधित्व गर्दछ। समर्थन भेक्टर मेसिनहरूमा (SVM) पूर्वानुमानकर्ताहरूको रूपमा स्पोर्स न्यूरोआनाटमिकल सुविधाहरू प्रयोग गर्दै, अव्यवस्थित र सामान्य गेमरहरूलाई सफलतापूर्वक भेदभाव गरिएको थियो, स्वस्थ गैर-गेमरहरूबाट 98% भन्दा अधिक शुद्धताका साथ, तर अव्यवस्थित र सामान्य गेमरहरू बीच वर्गीकरण अपेक्षाकृत चुनौतीपूर्ण थियो। यी खोजहरूले सुझाव दिन्छ कि डीएसएम-एक्सएनयूएमएक्सबाट मापदण्डको रूपमा वर्गीकृत रोगविज्ञान र गैर-पैथोलॉजिकल गेमरहरू स्पार्स न्यूरोआनाटमिकल विशेषताहरू द्वारा प्रतिनिधित्व गर्न सकिन्छ, विशेष गरी गैर-खेल स्वस्थ व्यक्तिहरूको भेदभावको सन्दर्भमा।
परिचय
दशकौंसम्म रोगवैज्ञानिक लतका रूपमा सुझाव दिइए पनि (1), यो भर्खरै मात्र हो कि इन्टर्नेट गेमि disorder डिसअर्डर (IGD) मानसिक विकारको डायग्नोस्टिक र सांख्यिकीय म्यानुअलमा सूचीबद्ध गरिएको थियो। DSM (DSM-5) को पाँचौं संस्करण (2) IGD लाई थप अध्ययनको लागि सर्तको रूपमा पहिचान गर्यो र यसलाई निदानको लागि नौ मापदण्डहरू प्रदान गर्यो। लक्षणमा आधारित वर्गीकरणमा DSM − 5 मा प्रस्तावित नौ-वस्तु IGD स्केल (IGDS) को प्रयोग गरेर, IGD को निदानको लागि पाँच वा अधिक मापदण्डको अनुभवको थ्रेसोल्ड लागू गरियो। यद्यपि यो कट-पोइन्टले पर्याप्त क्लिनिकल कमजोरीको सामना गरिरहेका खेलाडीहरूलाई पर्याप्त रूपमा भिन्नता गर्न सक्दछ (3), आईजीडीएस आईटमहरूको दोहोरो प्रकृति अपरिहार्य रूपमा नैदानिक बढी सीमित वा अस्पष्टता समावेश गर्दछ।
लक्षण बाहेक, IGD- सम्बन्धित dysfuntions को एक विभिन्न सामान्यतया अवलोकन गरिन्छ, कम्तिमा neuroanatomical परिवर्तन होईन। वास्तवमा, कामको पर्याप्त शरीरले IGD मस्तिष्कमा संरचनात्मक परिवर्तनहरूसँग सम्बन्धित छ भनेर देखाउँदछ: खैरो पदार्थ (जीएम) भोल्युमको स्राव (4-6), cortical मोटाई मा कमी (7), र सेतो पदार्थ (WM) अखंडता को घाटा (8, 9) सामान्यतया प्रदर्शन गरिएको छ। आईजीडीसँग सम्बन्धित यी न्यूरोआनाटमिकल परिवर्तनहरूले सुझाव दिन्छ कि त्यस्ता दिमाग इमेजिंग प्यारामिटरहरूले बायोमार्कर्सको रूपमा काम गर्न सक्दछ IGD भएका व्यक्तिहरूलाई अन्य व्यक्तिहरू भन्दा भिन्न पार्न। त्यो हो, आईजीडीको निदान डीएसएम-एक्सएनयूएमएक्समा आधारित लक्षण आधारित वर्गीकरणको माध्यमबाट भन्दा न्यूरोआनाटमिकल बायोमार्कर्सको कम्प्युटेसनल हेरफेरको माध्यमबाट गर्न सकिन्छ। यी प्रयासहरू मनोचिकित्त्वमा कम्प्यूटेशनल दृष्टिकोणहरू प्रयोग गरेर वर्णनात्मक निदान भन्दा पर जानका प्रयासहरूको अनुरूप हुन सक्छन् (10), मानसिक रोगको निदानको सामना गर्न मेशिन लर्निंग (ML) मा आधारित डाटा आधारित चालित दृष्टिकोण (11).
यस अध्ययनमा, हामीले आईजीडीएसको आधारमा लक्षण आधारित वर्गीकरण र गणना-आधारित वर्गीकरण बीच आईजीडीको निदानमा न्यूरोआनेटोमिकल बायोमार्कर्स प्रयोग गरेर लिंक खोज्यौं। किनभने मस्तिष्कका केहि जीएम र डब्ल्यूएम घटकहरूले निदान वर्गीकरणको लागि अनावश्यक वा अप्रासंगिक जानकारी समावेश गर्न सक्ने सम्भावना छ, हामीले नियमित रेग्रेसन प्रयोग गरेर विरल न्युरोआनेटोमिकल सुविधाहरू चयन गर्न खोज्यौं। हामीले अनुमान गर्यौं कि लक्षण-आधारित वर्गीकरण स्पार्स न्यूरोआनाटमिकल सुविधाहरूको रूपमा प्रतिनिधित्व गर्न सकिन्छ जसले आईजीडीको निदानको लागि वर्गीकरण मोडेलहरू रचना गर्दछ। आईजीडीको साथ निदान गरिएको प्याथोलॉजिकल गेमरहरू गैर-खेल स्वस्थ व्यक्तिहरू भन्दा आईजीडी नभएको रूपमा निदान गरिएको गेमरहरू भन्दा बढी भिन्न मानिन्छ; यसैले, पैथोलॉजिकल गेमरहरू गैर-गेमिंग स्वस्थ व्यक्तिहरूको सम्बन्धमा गैर-पैथोलॉजिकल गेमरहरूको तुलनामा ठूलो संख्यामा सुविधाहरूद्वारा विशेषता गर्न सकिन्छ। थप रूपमा, हामी यो निर्णय गर्न चाहन्थ्यौं कि गैर-पैथोलॉजिकल गेमरहरू पैथोलॉजिकल गेमरहरू वा गैर-खेल स्वस्थ व्यक्तिहरूबाट कम भिन्न हुन सक्छ। गैर-पैथोलॉजिकल गेमरहरूलाई अस्पष्ट रूपमा वर्णनात्मक लक्षणहरूको हिसाबले गैर-खेल स्वस्थ व्यक्तिहरूको नजिक हुन सक्छ, तर हामीले सोचेका थियौं कि यस्तो धारणा गणना-आधारित वर्गीकरणको माध्यमबाट मान्य गर्न आवश्यक छ।
सामग्री र विधिहरू
सहभागीहरू
इन्टर्नेटमा आधारित खेलहरू खेल्ने 237 सहभागीहरू मध्ये, 106 व्यक्तिहरू आफैंले रिपोर्ट गरिएको आईजीडीएस र आईजीडीको निदानमा क्लिनिकल मनोविज्ञानीको साथ एक संरचित अन्तर्वार्ताको बिचमा बेमेल राख्ने व्यक्तिलाई छनौट गरेर छानिएको थियो वा मिस वा गम्भीर विकृत मस्तिष्क इमेजिंग डाटा। आईजीडीएसको आधारमा, 38 व्यक्तिहरू (27.66 ± 5.61 वर्षहरू; 13 महिलाहरू) जसले कम्तिमा पाँच IGDS आईटमहरू सन्तुष्ट गरियो लेबल गरिएको थियो डिसअर्डर्ड गेमरहरू र 68 व्यक्तिहरू (27.96 ± 6.41 वर्षहरू; 21 महिलाहरू) जसले अधिकतम एक IGDS आईटममा सन्तुष्ट थिए सामान्य गेमरहरू। दुई र between बीच बिचका आईजीडीएस आईटमहरू सन्तुष्ट गर्ने व्यक्तिहरूलाई पनि समावेश गरिएको थिएन किनकि तिनीहरूलाई अव्यवस्थित र सामान्य गेमरहरू बीच अर्को वर्गको रूपमा चिनिन्छ।12)। थप रूपमा, individuals 37 व्यक्तिको (२.25.86..4.10 ± 13.१० वर्ष; १ fe महिला) इन्टरनेटमा आधारित खेलहरू नखानी अलग भर्ती भर्ती गरिएको थियो, र उनीहरूलाई स्वस्थ गैर-गेमर लेबल लगाइएको थियो। सबै सहभागीहरूमा comorbidities को अनुपस्थिति पुष्टि भयो। लिखित सूचित सहमति हेलसिंकीको घोषणापत्र र यसपछिका संशोधनहरु अनुरुप सबै सहभागीहरुबाट प्राप्त गरीएको थियो, र सोल कोरियाको सियोल सेन्ट मेरी अस्पतालमा संस्थागत समीक्षा बोर्ड द्वारा अध्ययनलाई अनुमोदन गरिएको थियो।
एमआरआई डाटा को अधिग्रहण
स्ट्रक्चरल एमआरआई (एसएमआरआई) र प्रसार-भारित एमआरआई (डीएमआरआई) डाटा एक एक्सएनयूएमएक्स टी म्याग्नेटोम भेरियो प्रणाली (सीमेन्स एजी, एरलान्जेन, जर्मनी) प्रयोग गरेर संकलन गरियो। एसएमआरआई डाटाको अधिग्रहण एक म्याग्नेटाइजेशन-तैयार द्रुत ग्रेडियन्ट इको अनुक्रमको प्रयोग गरी सञ्चालन गरिएको थियो: सगीटल विमान = 3, स्लाइस मोटाई = 176 मिमी, म्याट्रिक्स आकार = 1 × 256, र इन-प्लेन रेजोलुसन = 256 × 1 मिमीमा स्लाइस संख्या। । DMRI डाटा को अधिग्रहणको लागि, 1 दिशाहरूको साथ प्रसार ग्रेडियन्ट एन्कोडिंग गरिएको थियो b = 1,000 s / mm2 र एकल शट इको-प्लानर इमेजि sequ अनुक्रम प्रयोग भएको थियो: अक्षीय प्लेनमा = स्लाइस संख्या = 75, टुक्रा मोटाई = 2 मिमी, मैट्रिक्स आकार = 114 × 114, र इन-प्लेन रेजोलुसन = 2 × 2 मिमी।
एमआरआई डाटाको प्रशोधन गर्दै
उपकरणहरू CAT12 मा समावेश (http://www.neuro.uni-jena.de/cat/) sMRI डाटा प्रक्रिया गर्न प्रयोग गरियो। मस्तिष्कको मात्रा छवि जीएम, डब्ल्यूएम, र कोर्टिकोस्पिनल फ्लुइडको साथसाथै स्थानिक स्पेसमा सन्दर्भ मस्तिष्कमा स्थानिय रूपमा दर्ता गरिएको सहित विभिन्न टिशूहरूमा विभाजन गरिएको थियो। भॉक्सेल-आधारित मोर्फोमेट्री (VBM) मा, भक्सल-अनुसार जीएम भोल्युम एक भोक्सलको भोल्युम द्वारा जीएम हुने सम्भावना गुणा गरेर अनुमान गरिएको थियो, र त्यसपछि ती मानहरू कुल भित्तामा विभाजन गरी टाउकोको भोल्युममा व्यक्तिगत भिन्नताहरू समायोजन गर्न। सतह-आधारित मोर्फोमेट्री (SBM) मा, प्रक्षेपण-आधारित मोटाई विधि प्रयोग गरेर कर्टिकल मोटाई अनुमान गरिएको थियो (13).
डीएमआरआई डाटाको प्रशोधन गर्दै
FSL 5.0 मा समावेश उपकरणहरू (http://fsl.fmrib.ox.ac.uk/fsl/) dMRI डाटा प्रसोधन गर्नका लागि कार्यरत थिए। सबै छविहरू शून्यको साथ नल छविमा हस्ताक्षर गरियो b = 0 s / mm2 एडी वर्तमान-प्रेरित विकृति र हेड मोशनका लागि सहि गर्न। मस्तिष्क भित्र प्रत्येक voxel मा एक प्रसार टेन्सर मोडेल गरिएको थियो, र विच्छेदन anisotropy (एफए), मतलब विसार (MD), axial diffusivity (AD), र रेडियल डिफ्यूसिविटी (आरडी) सहित फैलाव टेन्सर-व्युत्पन्न प्यारामिटर, गणना गरिएको थियो; एक प्रसार टेन्सर को विभिन्न अक्ष संग तीन भेदभाव दिइएको, एफए तीन अक्षहरु बीच औसत भिन्नता को रूप मा, MD को प्रमुख अक्षको साथ ठूलो भिन्नता को रूपमा, तीन अक्षहरु बीच भिन्न भिन्नता को वर्गफल को वर्गमूल को गणना गरियो। , र आरडी दुई सानो अक्षको साथ भिन्नता को औसत को रूप मा। ट्र्याक्ट-आधारित स्थानिक तथ्या (्क (TBSS) प्रयोग गर्दै (14) FSL 5.0 मा लागू गरिएको, प्रसार टेन्सर-व्युत्पन्न प्यारामिटरहरूको मानचित्र स्थानिक स्पेसको सन्दर्भ दिमागमा स्थानिय रूपमा दर्ता गरिएको थियो, र त्यसपछि तिनीहरू डब्ल्यूएम ट्र्याक कंकालमा अनुमान गरिएको थियो।
फिचर जेनेरेसन
वर्गीकरण मोडेल डिजाइन गर्नका लागि दुई प्रमुख चरणहरू सुविधा उत्पादन र चयन हुन्। हामीले न्यूरोआनाटमीबाट सुविधाहरू उत्पन्न गरेका छौं, विशेष रूपमा जीएम क्षेत्रहरूको सेटको भोल्यूम र मोटाई र डब्ल्यूएम ट्र्याक्टहरूको सेटको अखण्डता र भिन्नता। क्रमशः VBM र SBM बाट प्राप्त भक्सेल-वार नक्शाको रूपमा GM भोल्युम र कर्टिकल मोटाई अनुमान गरेपछि, प्रत्येक 60 GM क्षेत्रहरूका लागि प्यारामिटरहरू मूल्या as्कन गरिएको थियो (तालिका S1), ह्यामर्स एटलसमा जस्तै पार्सल (15), यसको भित्र सबै भोकेलहरूमा औसत रूपमा। एफबी, एमडी, एडी, र आरडी सहित टीबीएसएस बाट प्राप्त WM ट्र्याक कंकाल मा voxel-वार नक्शा को रूप मा फैलाव टेन्सर-व्युत्पन्न प्यारामिटर, अनुमानित प्रत्येक 48 WM tracts को लागि मापदण्डहरु गणना गरीएको थियो (तालिका S2), ICBM DTI-81 एटलासको रूपमा पार्सल गरिएको (16), यसको भित्र सबै भोकेलहरूमा औसत रूपमा। संक्षेपमा, हामीले GM को दुई प्यारामिटरहरू र WM को चार प्यारामिटरहरू विचार गर्यौं, जसले GM र WM प्यारामिटरको आठ संयोजनहरू प्राप्त गर्यो। GM र WM प्यारामिटरको प्रत्येक संयोजनको लागि, 60 GM क्षेत्रहरूका XCUMX र 48 WM tract को मान 108 न्यूरोआनाटमिकल कूल समावेश गर्दछ।
नियमित रिग्रेसनद्वारा फिचर चयन
सुविधाहरूको स Red्ख्या कम गर्नु महत्त्वपूर्ण छ, विशेष गरी डाटा र ठूलो संख्याका सुविधाहरू र सीमित संख्याका अवलोकनहरूको लागि। सुविधाहरूको स to्ख्याको सम्बन्धमा सीमित संख्याको अवलोकनले आवाजलाई बढि उपयुक्त बनाउँदछ, र नियमितिकरण एउटा यस्तो प्रविधि हो जसले मोडेलमा थप जानकारी वा अवरोधहरू परिचालन गरेर ओभरफिटि reduce घटाउन वा रोक्न सक्षम गर्दछ। किनभने सबै 108 सुविधाहरूले वर्गीकरणको लागि उपयोगी र आवश्यक जानकारी समावेश नगर्न सक्दछ, हामी नियमितिय प्रतिगमन लागू गरेर सुविधाहरूको एक स्पार्स सेट चयन गर्यौं। विशेष रूपमा, लासो (17) र लोचदार नेट (18) नियमित तार्किक प्रतिगमनका लागि प्रयोग गरिएको थियो। लासोले पेनाल्टी टर्म, वा रेगुलाइजेशन प्यारामिटर, includes समावेश गर्दछ, जुन कि रसद प्रतिगमन मोडेलमा गुणांक अनुमानको आकारलाई सीमित गर्दछ। किनकि λ मा वृद्धिले शून्य-मूल्यवान गुणांकहरूतर्फ डोλ्याउँछ, लासोले कम पूर्वानुमानकर्ताहरूको साथ कम रसद प्रतिगमन मोडेल प्रदान गर्दछ। लोचदार नेटले कम गुणस्तरको शून्यमा सेट गरेर कम लजिस्टिक रिग्रेसन मोडेल पनि उत्पादन गर्दछ, विशेष गरी लासो र रिज रेग्रेसनको एक हाइब्रिड रेगुलराइजेसन प्यारामिटर समावेश गरेर, अत्यधिक सहसंबद्ध भविष्यवाणी गर्नेहरूको उपचारमा लस्सोको सीमिततालाई पार गर्दै (19).
तीन समूहहरूको प्रत्येक जोडीको बीच वर्गीकरणको लागि, हामीले लाजिस्टिक रिग्रेसन मोडेलमा 108 न्यूरोआनाटमिक सुविधाहरू बीच महत्त्वपूर्ण पूर्वानुमानकर्ताहरू पहिचान गर्न लासो र इलास्टिक नेट लगायौं। सबै समूहहरूको 108 सुविधाहरू प्रत्येक समूहको प्रत्येक जोडीमा डाटा म्याट्रिक्स रचनाको लागि मानकीकृत गरिएको थियो, A, जहाँ प्रत्येक प row्क्तिले एक अवलोकन प्रतिनिधित्व गर्यो र प्रत्येक स्तम्भले एक जना पूर्वानुमान प्रस्तुत गर्यो। जीएम र डब्ल्यूएम प्यारामिटरहरूमा व्यक्तिहरूको उमेर र यौन प्रभावको लागि सही गर्न, एक अवशिष्ट फार्मिंग म्याट्रिक्स, R, उत्पन्न गरिएको थियो: R = I-C(CTC)-1C जहाँ I एक पहिचान म्याट्रिक्स र थियो C उमेर र सेक्सको एक म्याट्रिक्स कोडिंग भ्रामक covariates थियो। त्यसपछि यो लागू गरियो A कन्फ्युन्डि c कोभेरियट्सलाई दबाएर बाँकी रहेका प्राप्त गर्न: X = RA.
समायोजित डाटा म्याट्रिक्स दिइयो, X, र प्रतिक्रिया, Y, कि व्यक्तिहरूको दुई वर्ग कोडेड, 10- गुना क्रस-वैधता (सीवी) एक नियमित परिमिति को खोज गर्न प्रयोग गरियो, λMinErr, जसले विचलनको सर्तमा न्यूनतम त्रुटि प्रदान गर्यो, परीक्षण गरिएको मोडेलका लागि नकारात्मक लग-सम्भावनाको रूपमा परिभाषित गरियो जुन वैधता तहहरूमा औसत छ। वैकल्पिक रूपमा, किनभने एक सीभी वक्र मा त्रुटि छ प्रत्येक each परिक्षण, एक नियमन प्यारामिटर, λ1SE, जुन standard बाट नियमित नियमितताको दिशामा न्यूनतम सीभी त्रुटिको एक मानक त्रुटि भित्र फेला पर्योMinErr यो पनि विचार गरिएको थियो। त्यो हो, स्प्यासर सुविधाहरू at मा चयन गरिएको थियो1SE, जबकि स्पार्स सुविधाहरू λ मा निर्धारित गरिएको थियोMinErr। कम पूर्वानुमानकर्ताहरूसँग नियमित नियमित तार्किक प्रतिगमन मोडल खोज्नको लागि 108 न्यूरोआनाटमिकल सुविधाहरू समावेश गर्ने जीएम र डब्ल्यूएम प्यारामिटरहरूको प्रत्येक संयोजनको लागि दोहोरिएको थियो।
चयनित सुविधाहरूको प्रदर्शन
स्पार्स र स्पार्सर सुविधाहरूको उपयोगिताको मूल्या assess्कन गर्न, प्रदर्शनलाई कम स features्ख्याका साथ मोडल र रसीभर अपरेटिंग विशेषता (आरओसी) वक्र मापन गरेर समर्थन भेक्टर मेशिन (SVM) मा सबै 108 सुविधाहरूसहित मोडेलको बीच तुलना गरिएको थियो। कर्नेल प्रकार्य र हाइपरपेरिमेटरहरू पांच-गुणा CV द्वारा अनुकूलित रूपमा एक रैखिक कर्नेलको साथ, एक SVM तीन समूहहरूको प्रत्येक जोडीमा सबै व्यक्तिहरूको लागि प्रशिक्षण गरिएको थियो। ROC वक्र (AUC) अन्तर्गत क्षेत्र प्रत्येक मोडेलको लागि यसको प्रदर्शनको मात्रात्मक मापनको रूपमा गणना गरिएको थियो। DeLong परीक्षण (20) एडीसीलाई मोडेलको प्रत्येक जोडी बीच तुलना गर्नका लागि नियुक्त गरिएको थियो। जब एयूसी एक मा फरक भयो p0.05 को मूल्य, प्रदर्शन दुई मोडेलमा तुलना गर्न मिल्दैन।
वर्गीकरण सटीकता
वर्गीकरण मोडेलहरूको निर्माणको लागि सुविधाहरूको उत्पादन र चयनबाट योजनाबद्ध प्रक्रियाहरू चित्रमा प्रस्तुत गरिएको छ Figure1.1। तीन समूहहरूको प्रत्येक जोडीका लागि, SVM वर्गीकरण मोडेलहरू पूर्वानुमानकर्ताहरूको रूपमा चयनित सुविधाहरू प्रयोग गरेर उत्पन्न गरिएको थियो। हामीले छुट्टी-एक-बाहिर सीवी योजना प्रयोग गरेर वर्गीकरण मोडेलहरूको शुद्धता मूल्यांकन गरेका छौं, जस्तै कि नमूना बाहिर वर्गीकरण सटीकता प्रत्येक बाँया-बाहिर व्यक्तिको लागि गणना गरिएको थियो र त्यसपछि यो सबै व्यक्तिको बीचमा औसत थियो। सटीकताको सांख्यिकीय महत्त्व अनुक्रमन परीक्षणहरू प्रयोग गरेर अनुमान गरिएको थियो। प्रत्येक समूहको जोडी बीच वर्गीकरणको लागि अनुभवयुक्त शून्य वितरण बारम्बार व्यक्तिको लेबललाई अनुमति दिएर र अनुमति दिइएको लेबलहरूसँग सम्बन्धित शुद्धता मापन गरेर उत्पन्न गरिएको थियो। जब अप्रमाणित लेबलहरूको लागि शुद्धता मापन गरिएको ए मा नल वितरण भन्दा बढी वा बराबर थियो p0.05 को मूल्य, जुन मौका स्तर (सटीकता = 50%) भन्दा उल्लेखनीय रूपमा फरक हुनको लागि निर्धारित गरिएको थियो। थप रूपमा, एक कन्फ्युजन म्याट्रिक्सलाई तीन समूहहरूको प्रत्येक जोडी बीचको भेदभावको सम्बन्धमा संवेदनशीलता र विशिष्टता वर्णन गर्न कल्पना गरिएको थियो।
विघटनकारी गेमरहरू (DG) र स्वस्थ नान-गेमर (HN), सामान्य गेमर (NG) र HN बीच, र DG र NG बीच बीच वर्गीकरणको लागि मोडेलहरूको निर्माण गर्न र न्यूरोआनाटिकल सुविधाहरूको चयनबाट योजनाबद्ध प्रक्रियाहरू। जीएम, खैरो पदार्थ; WM, सेतो पदार्थ
परिणाम
सुविधा चयन
चित्रा Figure22 108 सुविधाहरू बीच गुणांक अनुमान, र तालिकाको साथ चयनित सुविधाहरू प्रदर्शन गर्दछ तालिका 11 तीन समूहहरूको प्रत्येक जोडी बीच वर्गीकरणको लागि नियमित तार्किक रिग्रसन मोडेल सम्बन्धित फिटिंग जानकारी वर्णन गर्दछ। थप रूपमा, फिगर S1 कुन λ ले न्यूनतम सीभी त्रुटि देखायो र कति सुविधाहरू at मा चयन गरिएको थियो देखाउँदछ1SE साथै λ माMinErr। न्यूनतम सीभी त्रुटि स्वस्थ गैर-गेमरहरू र सामान्य गेमरहरू बीच वर्गीकरणको लागि र अन्य वर्गीकरणको लागि लोचदार नेट (लासो वेट = एक्सएनयूएमएक्स) द्वारा फिचर चयनमा ल्यासो (लासो वेट = एक्सएनयूएमएक्स) द्वारा प्राप्त गरिएको थियो।
तीन समूहहरूको प्रत्येक जोडी बीच वर्गीकरणको लागि नियमित तार्किक प्रतिगमनमा न्युरोआनेटोमिकल सुविधाहरू चयन गरियो। अव्यवस्थित गेमरहरू (DG) १ को रूपमा स्वस्थ नान गेमरहरू (HN) र DG, सामान्य गेमरहरू (NG) १ को रूपमा HN र NG बीच वर्गीकरणमा र DG १ को रूपमा NG र DG बीचको वर्गीकरणमा कोड गरिएको थियो। पट्टीको आकारले सम्बन्धित फिचरको गुणांकको आकार प्रतिनिधित्व गर्दछ, जस्तै कि गैर-शून्य गुणांकहरूका सुविधाहरू चयन गरिएका हुन्छन्। रेन्डर गरिएको दिमागले खैरो पदार्थ र सेतो पदार्थको कम्पोनेन्टहरू चित्रण गर्दछ जुन एक उच्च दृश्यबाट चयनित सुविधाहरूसँग सम्बन्धित छ। रातो वा नीलो र Features्गका सुविधाहरू sparser सुविधाहरूमा समावेश गरीन्छ λ मा निर्धारण गर्दछ1SE साथै विरल विशेषताहरूमा λ मा निर्धारण गरिएको छMinErrजबकि, पहेंलो वा म्याजेन्टामा ती विरल सुविधाहरूमा मात्र समावेश भएको संकेत गर्दछ। टेबल्समा प्रदान गरिएको मस्तिष्क कम्पोनेन्टहरूको लेबलहरू S1 र S2। L, बायाँ; R, सही।
तालिका 1
तीन समूहहरूको प्रत्येक जोडी बीच वर्गीकरणको लागि नियमित तार्किक रिग्रसनको उपयुक्त जानकारी।
| HN बनाम DG | HN बनाम NG | एनजी बनाम डीजी | ||
|---|---|---|---|---|
| प्यारामिटर | GM | मोटाई | मोटाई | खण्ड |
| WM | FA | RD | MD | |
| लासो वजन | 0.5 | 1 | 0.5 | |
| स्पार्स सुविधाहरू at मा चयन गरियोMinErr | सीभी त्रुटि | 37.3681 | 41.7876 | 133.3857 |
| सुविधाहरूको संख्या | 43 | 21 | 11 | |
| स्पार्सर सुविधाहरू at मा चयन गरियो1SE | सीभी त्रुटि | 46.5681 | 50.0435 | 141.2622 |
| सुविधाहरूको संख्या | 34 | 12 | 1 | |
लासो तौलले इंगित गर्यो कि नियमित लाजिस्टिक रिग्रेसन लेसो (लासो वेट = एक्सएनयूएमएक्स) वा लोचदार नेट (लसोको वजन = 1) को प्रयोग गरेर सञ्चालन गरिएको थियो कि थिएन।.
HN, स्वस्थ नन-गेमरहरू; DG, अव्यवस्थित गेमरहरू; NG, सामान्य गेमरहरू; जीएम, खैरो पदार्थ; WM, सेतो पदार्थ; एफए, आंशिक anisotropy; आरडी, रेडियल भिन्नता; एमडी, मतलब भिन्नता; सीभी, क्रस-प्रमाणीकरण.
स्वस्थ गैर-गेमरहरूबाट अव्यवस्थित गेमरहरूको भेदभावमा, 43 सुविधाहरू λ मा चयन गरियोMinErr 24 GM क्षेत्रहरूको मोटाई र 19 WM tracts को एफए, र 34 सुविधाहरू λ मा चयनित1SE 15 GM क्षेत्रहरूको मोटाई र 19 WM ट्र्याक्टहरूको एफएए शामिल छ। स्वस्थ गैर-गेमरहरूबाट सामान्य गेमरहरूको भिन्नतामा, 21 सुविधाहरू λ मा चयन गरियोMinErr 12 GM क्षेत्रहरूको मोटाई र 9 WM tracts को RD, र 12 सुविधाहरू selected मा चयनित शामिल1SE 6 GM क्षेत्रहरूको मोटाई र 6 WM tracts को RD शामिल। अव्यवस्थित र सामान्य गेमरहरू बीच वर्गीकरणमा, 11 सुविधाहरू λ मा चयन गरियोMinErr 7 GM क्षेत्रहरूको भोल्यूम र 4 WM tracts को MD, र feature मा एक सुविधा चयन गरिएको1SE एउटा जीएम क्षेत्रको खण्डसँग मेल खान्छ।
चयनित सुविधाहरूको प्रदर्शन
मोडेल र कम 108 सुविधाहरुको मोडेलको बिचमा प्रदर्शन, SVMs द्वारा प्रत्येक प्रकारका गेमरहरू र स्वस्थ नन-गेमर बिचमा भेदभावमा एयुसीको सर्तमा प्रदर्शन तुलना गरिएको थियो। (चित्रा 3) .3)। अव्यवस्थित र सामान्य गेमरहरू बीच वर्गीकरणमा, सुविधाहरूका साथ मोडल या त λ मा चयन गरियोMinErr (AUC = 0.83, p = 0.006) वा λ मा1SE (AUC = 0.72, p <०.०१) ले १० features सुविधाहरू (एयुसी = ०.0.001 ०) संग मोडेलको तुलनामा गरीब प्रदर्शन देखायो।
समर्थन भेक्टर मेशिनहरू द्वारा तीन समूहहरूको प्रत्येक जोडी बीच वर्गीकरणको लागि विशेषता चयनको साथ र मोडेलहरू बीच रिसीभर अपरेटिंग विशेषता कर्भ (एयूसी) अन्तर्गत क्षेत्रको सर्तमा प्रदर्शनको तुलना। 108 सुविधाहरूको मोडल (ठोस रेखा द्वारा संकेत गरिएको) सुविधा चयन बिना नै अनुरूप छ, जबकि सुविधाहरूको कम संख्याको मोडेलहरू स्पार्स र स्पार्सर सुविधाहरूसँग मिल्दो छ λ मा छानिएको।MinErr (ड्यास रेखा द्वारा संकेत) र λ1SE (ड्यास-डट रेखा द्वारा संकेत), क्रमशः। HN, स्वस्थ नन-गेमरहरू; DG, अव्यवस्थित गेमरहरू; एनजी, सामान्य गेमरहरू।
वर्गीकरण सटीकता
V मा चयनित सुविधाहरूको प्रयोग गरेर SVM द्वारा वर्गीकरणमाMinErr, शुद्धता 98% भन्दा ठूलो थियो, मौका स्तर भन्दा उल्लेखनीय रूपमा उच्च (p <०.०१), स्वस्थ गैर-गेमरहरू (चित्र) बाट प्रत्येक प्रकारका गेमरहरूको भिन्नतामा (चित्रा 4A) .4A)। शुद्धता अझै पनि मौका स्तर भन्दा उल्लेख्य रूपमा उच्च थियो (p = 0.002) तर अव्यवस्थित र सामान्य गेमरहरू बीच वर्गीकरणमा 69.8% जति कम, विशेष गरी अव्यवस्थित गेमरहरूको सही पहिचानमा कम संवेदनशीलता (47.4%) देखाउँदै। स्पार्सर सुविधाहरू λ मा निर्धारित1SE समान प्रदर्शन प्रदर्शन (फिगर) (Figure4B) 4B) तर सामान्य गेमरहरूबाट अव्यवस्थित गेमरहरूको सही भिन्नतामा धेरै कम संवेदनशीलता (2.6%) देखायो।
जब तीन समूहको प्रत्येक जोडीको बीच वर्गीकरणमा कन्फ्युजन मेट्रिक्स (एक) विरल र (बी) स्पार्सर सुविधाहरू λ मा निर्धारितMinErr र at मा1SE, क्रमशः, समर्थन भेक्टर मशीनहरूमा। तल्लो-दायाँ सेलले वर्गीकरण सटीकता (एसीसी), तल्लो-बायाँ सेल सही नकारात्मक दर (TNR) वा विशिष्टता, तल्लो-मध्य सेल वास्तविक सकारात्मक दर (TNR) वा संवेदनशीलता, माथिल्लो-दायाँ सेल नकारात्मक भविष्यवाणी मान (NPV) प्रतिनिधित्व गर्दछ। ), र मध्य-दायाँ सेलको सकारात्मक भविष्यवाणी मान (पीपीभी)। TP, सही सकारात्मक; TN, सही नकारात्मक; FP, गलत सकारात्मक; FN, गलत नकारात्मक।
छलफल
यस अध्ययनमा हामीले यो जाँच गर्न खोज्यौं कि डीएसएम-एक्सएनयूएमएक्समा प्रस्ताव गरिएको आईजीडीएसको साथ वर्गीकृत रोगविरोधी र गैर-पैथोलॉजिकल गेमरहरू विरल न्यूरोआनाटमिकल सुविधाहरूद्वारा प्रतिनिधित्व गर्न सकिन्छ कि भनेर। अव्यवस्थित र सामान्य गेमरहरू स्वस्थ गैर-गेमरहरूको सम्बन्धमा क्रमशः 5 र 43 सुविधाहरूको प्रतिनिधित्व गर्दछ। थप रूपमा, अव्यवस्थित गेमरहरू सामान्य गेमरहरूको सम्बन्धमा 21 सुविधाहरूको प्रतिनिधित्व गर्दछ। स्पार्स न्यूरोआनाटमिकल सुविधाहरूको प्रयोग गरेर, डिसअर्डर गरिएको र सामान्य गेमरहरू स्वस्थ नन-गेमरहरूबाट सफलतापूर्वक विभेद गर्न सकिन्छ, तर अव्यवस्थित र सामान्य गेमरहरू बीच वर्गीकरण अपेक्षाकृत चुनौतीपूर्ण थियो।
आईएसडीको लक्षण-आधारित वर्णनात्मक वर्गीकरण DSM-5 मा प्रस्तावित IGDS सँग व्यापक रूपमा अपनाईदै छ। यद्यपि आईजीडीएसको अनुभवजन्य वैधता धेरै देशहरूमा पुष्टि भयो (3, 21, 22), पाँच वा बढी आईजीडीएस आईटमहरूको अनुभवको थ्रेसोल्ड निश्चित छनौट नहुन सक्छ, र इन्टरनेट-आधारित खेलहरू खेल्ने व्यक्तिको वर्गीकरण गर्ने अन्य तरिकाहरू सुझाव दिन सकिन्छ (12)। धेरै प्रकारको क्लिनिकल डाटा, जस्तै मस्तिष्क इमेजि data डाटा साथै डेमोग्राफिक, व्यवहार, र लक्षणात्मक डाटा, उपलब्ध हुन थालेको छ, थप डाटा प्राथमिकता मानसिक रोगको निदानको लागि रोजगार हुन सक्छ। विशेष रूपमा, मात्रात्मक जानकारीको विशालताको कारण, मस्तिष्क इमेजिंग डाटा कम्प्यूटेशनल दृष्टिकोणहरूको लागि उपयुक्त छ र पूर्वानुमानका लागि उपयोगी हुनेछ। वास्तवमा, मस्तिष्क इमेजिंग डाटा क्लिनिकल प्रासंगिक समस्या समाधानको लागि भविष्यवाणीमा अन्य क्लिनिकल डेटाको तुलनामा राम्रो भविष्यवाणी मानहरू देखाइएको छ (23).
जस्तो कि एमएल-आधारित डायग्नोस्टिक वर्गीकरण हालै अन्य लत व्यवहार र विकारहरूमा लागू गरिएको छ।24-28), IGD को लक्षण आधारित वर्गीकरण पनि गणना आधारित वर्गीकरण को एक चुनौती को रूप देखिन्छ। किनभने आईजीडी अनुसरण गर्ने मस्तिष्कको शारीरिक विकृतिहरू अघिल्लो अध्ययनहरूमा बारम्बार रिपोर्ट गरिएको छ (5-7, 9), हामीले आईजीडीको निदानको लागि ब्रेन इमेजिंग डाटा सम्भावित बायोमार्कर्सबाट त्यस्ता न्यूरोआनाटमिक जानकारीहरू विचार ग .्यौं। यस अध्ययनमा हाम्रो उद्देश्य महत्वपूर्ण न्यूरोआनाटिकल विशेषताहरूको सेटलाई पहिचान गर्नु थियो जुन व्यक्तिहरूको वर्गहरूको बीच न्यूरोआनाटकीय भिन्नता वर्णन नगरी पर्याप्त रूपमा उच्च वर्गीकरण प्रदर्शन प्रदान गर्न सक्दछ।
हामीले महत्त्वपूर्ण व्यक्तिहरू छान्यौं, 108 न्यूरोआनाटमिकल सुविधाहरू बीच, पूर्ण नियमित प्रतिगमन। जब हामीले GM र WM प्यारामिटरको आठ संयोजनहरू विचार गर्यौं, तीन समूहको प्रत्येक जोडी छुट्याउन विभिन्न प्यारामिटरहरूको संयोजनहरू चयन गरियो। जीएम क्षेत्रको मोटाई र डब्ल्यूएम पर्चाको समग्रताको संयोजन रोगजनक गेमरहरू स्वस्थ नन-गेमरहरू भन्दा भिन्न पार्नका लागि उत्तम थियो, जबकि जीएम क्षेत्रहरूको खण्डको मात्रा र डब्ल्यूएम ट्र्याक्टहरूको भिन्नता संयोजनको कारण प्याथोलजिकल गेमरहरू छुट्याउनका लागि उत्तम थियो। गैर-पैथोलॉजिकल गेमरहरूबाट। यसबाहेक, धेरै मस्तिष्क कम्पोनेन्टहरू सामान्यतया न्यूरोआनाटमिक सुविधाहरूको रूपमा काम गर्दछन् जुन स्वस्थ नन-गेमरहरूबाट पैथोलॉजिकल र गैर-पैथोलॉजिकल गेमरहरूको भिन्नताको लागि महत्त्वपूर्ण थियो, केही जीएम क्षेत्रहरू र डब्ल्यूएम ट्र्याक्ट्सले गैर-पैथोलॉजिकल गेमरहरूको चित्रण गर्यो, तर प्याथोलॉजिकल गेमरहरू होइन। । यी खोजहरूले संकेत दिन्छ कि जीएम र डब्ल्यूएम प्यारामिटरको विश्वव्यापी रूपमा राम्रो प्रदर्शन गर्ने संयोजन न्युरोआनेटोमिकल बायोमार्कर्सको रूपमा नहुन सक्छ, त्यसैले जीएम र डब्ल्यूएम प्यारामिटरहरूको एक विशेष संयोजनलाई वर्गीकृत गर्न समूहहरूको आधारमा चयन गर्न आवश्यक छ।
पैथोलॉजिकल गेमरहरूको भिन्नताको तुलनाको तुलनामा गैर-पैथोलॉजिकल गेमरहरूको भिन्नताका लागि स्पार्स सुविधाहरूको सानो स्ख्या, स्वस्थ गैर-गेमरहरूबाट, प्रतिबिम्बित गर्दछ कि गैर-पैथोलॉजिकल गेमरहरू पैथोलॉजिकल गेमरहरू र स्वस्थबीच संक्रमणकालीन चरणमा छन्। नन-गेमरहरू। थप रूपमा, दुई प्रकारका गेमरहरूको बीचमा वर्गीकरणको लागि थोरै थोरै सुविधाहरू जुन प्रत्येक प्रकारका खेलाडीहरू र स्वस्थ नन-गेमरहरूको बिचमा भएको भेदभावको स den्केत गर्दछ कि रोगविज्ञान र गैर-पैथोलॉजिकल गेमरहरू एक अर्कामा थोरै फरक थिए। न्युरोआनाटोमीको भन्दा उनीहरू स्वस्थ गैर-गेमरहरू भन्दा फरक छन्। तदनुसार, स्पार्स सुविधाहरूसँग उत्पन्न वर्गीकरण मोडेलहरूले प्रत्येक प्रकारका गेमरहरू र स्वस्थ नान-गेमरहरू बिचको भेदभावमा 98% भन्दा बढी शुद्धता प्राप्त गर्यो तर दुई प्रकारका गेमरहरूको बीचमा वर्गीकरणमा 70% भन्दा कम शुद्धता। त्यो हो, गैर-पैथोलॉजिकल गेमरहरू स्वस्थ नन-गेमरहरू र साथसाथिको प्याथोलॉजिकल गेमरहरूभन्दा भिन्न थिए, तर रोगविरोधी र गैर-पैथोलॉजिकल गेमरहरू बीच भिन्नतामा सीमितताहरू थिए।
दुई प्रकारका गेमरहरू बीचको तुलनात्मक रूपमा कम भिन्नताले यसमा केही विचारहरू प्रतीत गर्दछ। सर्वप्रथम, लक्षणमा आधारित वर्गीकरण र गणना आधारित वर्गीकरण बीच एक बेमेल प्रस्ताव गर्न सकिन्छ। जे होस् IGD मा पाँच वा अधिक मापदण्डको अनुभव को प्रस्तावित डाईग्नोस्टिक थ्रेशोल्ड आईडीडी को अधिक निदान रोक्न रूढिवादी रुपमा छनौट गरिएको थियो (12), न्यूरोआनाटमीमा पर्याप्त विकृतिगत परिवर्तन भोगिरहेका तर आईजीडी थ्रेशोल्डलाई सन्तोष नगरेको खेलाडीहरूको उपस्थिति बेवास्ता गर्न सकिदैन। विशेष रूपमा, हामी केवल खेलाडीहरू समावेश गर्छौं जसले IGD थ्रेशोल्ड भन्दा IGD थ्रेशोल्ड भन्दा कम कम IGD आईटमहरू सन्तुष्ट पार्छ, ताकि IGD नभएको रूपमा निदान गरिएको गेमरहरू यस अध्ययनमा देखाइएको भन्दा गैर-खेल स्वस्थ व्यक्तिहरूबाट अझ टाढा हुन सक्दछन्। दोस्रो, केवल neuroanatomical biomarkers मा निर्भर वर्गीकरण मा एक चुनौती नोट गर्न सकिन्छ। वर्गीकरण प्रदर्शन अन्य बायोमार्करहरू समावेश गरेर सुधार गर्न सकिन्छ जुन रोगविज्ञान र गैर-पैथोलॉजिकल गेमरहरूबीच ठूलो भिन्नता कब्जा गर्न सक्दछ। विशेष रूपमा, किनकि दिमागमा कार्यात्मक परिवर्तनहरू आईजीडीमा पनि प्रदर्शन गरिन्छ (29-33), कार्यको साथसाथै मस्तिष्कको शरीर रचनालाई मस्तिष्क बायोमार्कर्स मान्न सकिन्छ। थप रूपमा, हामी यो नोट गर्न चाहन्छौं कि दिमागमा भएका परिवर्तनहरू मात्र इन्टरनेट गेमि addiction व्यसनको बहु-आयामी पक्षको अंश हो, ताकि अन्य कारकहरू, इन्टरनेट गेम लतका लागि कम से कम विभिन्न आन्तरिक र बाह्य जोखिम कारकहरू (34), पैथोलॉजिकल र गैर-पैथोलॉजिकल गेमरहरू र गैर-खेल स्वस्थ व्यक्तिहरूबाट गेमरहरूको भिन्नताको बीच वर्गीकरणको लागि अधिक पूर्ण मोडेलहरूमा समावेश गर्नुपर्दछ।
यहाँ, हामीले वर्गीकरण मोडलहरूको लागि महत्त्वपूर्ण सुविधाहरू पहिचान गर्न स्पार्सिटी-प्रमोटिंग अनुमानकहरू जस्तै लासो र लोचदार नेटको प्रयोग गरेर नियमित रेग्रेसन प्रयोग गरेका छौं। सुविधा चयन वा आयाम घटाउनेमा वास्तवमा विधिगत भिन्नताहरू छन्, र मोडेल निर्माणमा चयन गरिएका सुविधाहरूको प्रयोगका लागि विभिन्न दृष्टिकोणहरू प्रयोग गर्न सकिन्छ (35)। हाम्रो नियमित नियमनको साथ प्रयोग गर्ने दृष्टिकोण न्यूरोआनाटमिकल सुविधाहरूमा स्पर्सिटीको बारेमा प्राथमिक धारणालाई समावेश गर्दछ। बशर्ते कि त्यस्तो मान्यतालाई स्वीकार्य छ, किनकि हामी यस अध्ययनमा विश्वास गर्दछौं, नियमित प्रतिगमन एक व्यावहारिक दृष्टिकोण हुन सक्छ, र स्पार्स सुविधाहरूको चयनित सेटले पर्याप्त उच्च प्रदर्शनको वर्गीकरण मोडेलहरू रचना गर्न अपेक्षा गर्दछ। तर यो उल्लेखनीय छ कि अधिक स्पार्सिटीमा आधारित सरल वर्गीकरण मोडेलहरू जहिले पनि तुलना वा सुधारिएको प्रदर्शन प्रदर्शन गर्न सक्दैन। वास्तवमा, नियमन प्यारामिटरको अनुसार स्पर्सिटी डिग्रीको विभिन्न छनौटहरूको बीचमा अधिक स्पार्सिटीले अझ चुनौतीपूर्ण वर्गीकरण समस्याहरूमा अझ राम्रो प्रदर्शन मोडल प्रदान गर्ने सम्भाव्यता थिएन, जस्तै रोगविज्ञान र गैर-पैथोलॉजिकल गेमरहरू बीच वर्गीकरण।
थप रूपमा, हामीले वर्गीकरण मोडेलहरू निर्माण गर्नका लागि एक एमएल टेक्निकको रूपमा SVMs प्रयोग गरेका छौं, किनकि तिनीहरू सबै भन्दा लोकप्रियहरू मध्येका हुन्। अन्य उन्नत विधिहरू वर्गीकरण प्रदर्शन सुधार गर्न प्रयोग गर्न सकिन्छ, विभिन्न विधिहरू बीच तुलनात्मक प्रदर्शन निष्कर्षमा लिन सकिन्न किनकि प्रयोगात्मक परिदृश्यहरूमा प्रदर्शनको निर्भरताका कारण (19)। अर्कोतर्फ, शास्त्रीय सांख्यिकीय विधिहरू र एमएल प्रविधिको बीच तुलनात्मक प्रदर्शनका लागि हामीले रसद प्रतिगमनद्वारा वर्गीकरण पनि गरेका थियौं र दुई विधिहरू, जसमा लॉजिस्टिक रिग्रेसन र एसभीएमहरू वर्गीकरणको प्रदर्शनमा तुलनायोग्य थियो (फिगर) S2)। यो पुनरावृत्ति हुन सक्छ कि शास्त्रीय सांख्यिकीय विधिहरू वर्गीकरण प्रदर्शनमा सँधै एमएल टेकनीकमा अवर हुँदैन।36).
हालको अध्ययनमा, हामीले यो पत्ता लगायौं कि IGD को लक्षण आधारित वर्गीकरण वर्गीकरण मोडेलहरू रचना गर्ने स्पार्स न्यूरोआनाटमिकल बायोमार्कर्सको रूपमा प्रतिनिधित्व गर्न सकिन्छ। यसका साथै, हामीले प्रदर्शन गर्यौं कि गैर-पैथोलॉजिकल गेमरहरू न्यूरोआनाटोमीको सर्तमा गैर-खेल स्वस्थ व्यक्तिहरूको भन्दा विकृतिविज्ञान खेल्नेहरू भन्दा कम छुट्याउन सकिन्छ। यसैले हामी सुझाव दिन्छौं कि हालको निदान प्रणालहरु DSM-5 जस्ता वर्णनात्मक वर्गीकरणमा निर्भर गर्दछ जबकि सुनको मापदण्डहरु, गैर-पैथोलॉजिकल गेमरहरु अधिक सावधानीको साथ निदान गर्न आवश्यक पर्दछ उद्देश्य न्यूयोआनेटोमिकल परिवर्तनका साथ सम्बन्धित जस्तै बायोमार्करहरूलाई काममा लगाएर। कम्प्युटेसनल दृष्टिकोण अपनाउनु मनोचिकित्सामा अपरिवर्तनीय प्रवृत्ति देखिन्छ, तर त्यहाँ क्लिनिकल वातावरणमा व्यावहारिक रूपमा लागू गर्न लामो बाटो हुन सक्छ। मस्तिष्क इमेजिंग र अन्य क्लिनिकल डेटाबाट स्पार्स सुविधाहरूको इष्टतम चयनको लागि खोजीहरू यसपछिका अध्ययनहरूमा गरिनु आवश्यक पर्दछ, र लामो अवधिमा यी प्रयासहरूले आईजीडीको गणना-आधारित निदानलाई प्रमोट गर्दछ।
लेखक योगदान
D-JK र J-WC अध्ययन अवधारणा र डिजाइनको लागि जिम्मेवार थिए। HC ले क्लिनिकल लक्षण र सहभागीहरुको छनोट गर्यो। सीपी डाटा विश्लेषण र पाण्डुलिपि ड्राफ्ट। सबै लेखकहरूले आलोचनात्मक सामग्री समीक्षा गरे र प्रकाशनको लागि अन्तिम संस्करण स्वीकृत गरे।
चासोको कथन
लेखक घोषणा गरे कि कुनै पनि व्यावसायिक या वित्तीय सम्बन्ध को अनुपस्थिति मा अनुसन्धान आयोजित गरिएको थियो जुन रुचि को एक संभावित संघर्ष को रूप मा बनाया जान सक्छ।
फुटनोटहरू
कोष। यो अनुसन्धान कोरियाको विज्ञान मन्त्रालय र आईसीटी (NRF-2014M3C7A1062893) द्वारा वित्त पोषित कोरियाको नेशनल रिसर्च फाउन्डेशन (NRF) मार्फत ब्रेन साइंस रिसर्च प्रोग्रामले समर्थन गरेको हो।
पूरक सामग्री
यस लेखको लागि पूरक सामग्री अनलाइन मा पाउन सकिन्छ: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material
सन्दर्भ
;