Discriminerende pathologische en niet-pathologische internetgamers die spaarzame neuro-anatomische functies gebruiken (2018)

. 2018; 9: 291.

Online gepubliceerd 2018 Jun 29. doi:  10.3389 / fpsyt.2018.00291

PMCID: PMC6033968

PMID: 30008681

Abstract

Internet gaming disorder (IGD) wordt vaak gediagnosticeerd op basis van negen onderliggende criteria uit de nieuwste versie van de Diagnostic and Statistical Manual of Mental Disorders (DSM-5). Hier hebben we onderzocht of een dergelijke op symptomen gebaseerde categorisering kon worden vertaald in een op berekening gebaseerde classificatie. Structurele MRI (sMRI) en diffusie-gewogen MRI (dMRI) -gegevens werden verkregen bij 38-gamers met de diagnose IGD, normale 68-gamers met de diagnose geen IGD te hebben en 37 gezonde niet-gamers. We hebben 108-functies voor grijze materie (GM) en witte materie (WM) gegenereerd op basis van de MRI-gegevens. Wanneer geregulariseerde logistische regressie werd toegepast op de neuro-anatomische kenmerken van 108 om belangrijke te selecteren voor het onderscheid tussen de groepen, werden de ongeordende en normale gamers gerepresenteerd in respectievelijk 43- en 21-functies in verhouding tot de gezonde niet-gamers, terwijl de wanordelijke gamers werden weergegeven in termen van 11-functies in relatie tot de normale gamers. In support vectormachines (SVM) met de schaarse neuro-anatomische kenmerken als voorspellers, werden de ongeordende en normale gamers met succes met een nauwkeurigheid van meer dan 98% onderscheiden van de gezonde niet-gamers, maar de classificatie tussen de ongeordende en normale gamers was relatief uitdagend. Deze bevindingen suggereren dat pathologische en niet-pathologische gamers, zoals gecategoriseerd met de criteria van de DSM-5, kunnen worden vertegenwoordigd door weinig neuro-anatomische kenmerken, vooral in de context van het onderscheiden van die van gezonde niet-gokspecialisten.

sleutelwoorden: internet gaming disorder, diagnostische classificatie, structurele MRI, diffusie-gewogen MRI, geregulariseerde regressie

Introductie

Hoewel het al tientallen jaren wordt voorgesteld als pathologische verslaving (), is het nog maar net dat Internet Gaming Disorder (IGD) werd vermeld in de Diagnostic and Statistical Manual of Mental Disorders (DSM). De vijfde editie van de DSM (DSM-5) () identificeerde IGD als een voorwaarde voor verder onderzoek en leverde negen criteria voor de diagnose ervan. In op symptomen gebaseerde categorisatie met behulp van de negen-item IGD-schaal (IGDS) voorgesteld in de DSM-5, werd een drempelwaarde van vijf of meer criteria toegepast op de diagnose van IGD. Hoewel dit knippunt de gamers met een significante klinische beperking adequaat kan onderscheiden (), impliceert de dichotome aard van IGDS-items onvermijdelijk diagnostische oversimplification of vaagheid.

Naast symptomen worden vaak verschillende IGD-gerelateerde stoornissen waargenomen, niet het minst neuroanatomische veranderingen. Inderdaad, een aanzienlijke hoeveelheid werk heeft aangetoond dat IGD wordt geassocieerd met structurele veranderingen in de hersenen: krimp van het volume aan grijze massa (GM) (-), vermindering van de corticale dikte () en verlies van de integriteit van witte stof (WM) (, ) zijn typisch aangetoond. Deze neuroanatomische veranderingen gerelateerd aan IGD suggereren dat dergelijke parameters voor beeldvorming van de hersenen kunnen dienen als biomarkers om individuen met IGD van andere individuen te onderscheiden. Dat wil zeggen, de diagnose van IGD kan worden gesteld door middel van computationele manipulatie van neuro-anatomische biomarkers, in plaats van door middel van op symptomen gebaseerde categorisering op basis van de DSM-5. Deze pogingen kunnen in overeenstemming zijn met pogingen om verder te gaan dan de beschrijvende diagnose door computationele benaderingen van de psychiatrie toe te passen (), met name gegevensgestuurde benaderingen op basis van machine learning (ML) om de diagnose van geestesziekten aan te pakken ().

In deze studie hebben we gezocht naar een verband tussen symptoom-gebaseerde categorisatie op basis van de IGDS en op berekening gebaseerde classificatie door neuroanatomische biomarkers te gebruiken bij de diagnose van IGD. Omdat sommige GM- en WM-componenten van de hersenen waarschijnlijk overbodige of irrelevante informatie voor diagnostische classificatie zouden bevatten, probeerden we beperkte neuroanatomische kenmerken te selecteren door gereguleerde regressie toe te passen. We veronderstelden dat symptoom-gebaseerde categorisatie zou kunnen worden weergegeven in termen van schaarse neuro-anatomische kenmerken die classificatiemodellen zouden kunnen samenstellen voor de diagnose van IGD. Van pathologische gamers met de diagnose van IGD werd gedacht dat ze ongelijker zijn van gezonde niet-gokspecialisten dan van gamers waarvan is vastgesteld dat ze geen IGD hebben, dat wil zeggen niet-pathologische gamers; dus kunnen pathologische gamers worden gekarakteriseerd door een groter aantal functies vergeleken met niet-pathologische gamers, in relatie tot gezonde niet-gokspecialisten. Daarnaast wilden we bepalen of niet-pathologische gamers minder herkenbaar zijn voor pathologische gamers of voor gezonde niet-gokspecialisten. Niet-pathologische gamers zouden er vaag van kunnen uitgaan dat ze dicht bij gezonde niet-gokspecialisten zijn in termen van beschrijvende symptomen, maar we dachten dat een dergelijke notie moet worden gevalideerd door middel van op berekening gebaseerde classificatie.

materialen en methodes

Deelnemers

Onder 237-deelnemers die op internet gebaseerde spellen speelden, werden 106-individuen geselecteerd door het uitsluiten van degenen die een mismatch vertoonden tussen de zelfgerapporteerde IGDS en een gestructureerd interview met een klinisch psycholoog in de diagnose van IGD of gemiste of ernstig vervormde beelden van hersenafbeeldingen. Op basis van de IGDS werden 38-individuen (27.66 ± 5.61-jaren; 13-vrouwen) die tevreden waren met ten minste vijf IGDS-items, aangeduid als ongeordende gamers en 68-individuen (27.96 ± 6.41-jaren; 21-vrouwen) die ten hoogste één IGDS-item hadden geëtiketteerd normale gamers. Individuen die tevreden waren met IGDS-items tussen twee en vier werden ook uitgesloten, omdat ze kunnen worden onderscheiden als een andere klasse tussen de ongeordende en normale gamers (). Bovendien werden 37 personen (25.86 ± 4.10 jaar; 13 vrouwen) die geen internetspellen speelden afzonderlijk gerekruteerd en werden ze bestempeld als gezonde niet-gamers. De afwezigheid van comorbiditeit bij alle deelnemers werd bevestigd. Schriftelijke geïnformeerde toestemming werd verkregen van alle deelnemers in overeenstemming met de Verklaring van Helsinki en de latere wijzigingen ervan, en de studie werd goedgekeurd door de Institutional Review Board van het Seoul St. Mary's Hospital, Seoul, Korea.

Acquisitie van MRI-gegevens

Structurele MRI (sMRI) en diffusie-gewogen MRI (dMRI) gegevens werden verzameld met behulp van een 3 T MAGNETOM Verio-systeem (Siemens AG, Erlangen, Duitsland). De verwerving van sMRI-gegevens werd uitgevoerd met behulp van een magnetisatie-voorbereide snelle gradiëntechogevolgorde: aantal segmenten in het sagittale vlak = 176, plakdikte = 1 mm, matrixgrootte = 256 × 256 en resolutie in het vlak = 1 × 1 mm . Voor de acquisitie van dMRI-gegevens werd diffusie-gradiëntcodering uitgevoerd in 30-richtingen met b = 1,000 s / mm2 en een single-shot echo-planaire beeldvormingssequentie werd gebruikt: aantal plakken in het axiale vlak = 75, plakdikte = 2 mm, matrixgrootte = 114 × 114, en resolutie in het vlak = 2 × 2 mm.

Verwerking van MRI-gegevens

Gereedschappen opgenomen in CAT12 (http://www.neuro.uni-jena.de/cat/) werden gebruikt om sMRI-gegevens te verwerken. Het beeld van het hersenvolume was gesegmenteerd in verschillende weefsels, waaronder GM, WM en corticospinale vloeistof en ook ruimtelijk geregistreerd bij een referentiehersenen in de standaardruimte. In voxel-gebaseerde morfometrie (VBM) werd voxelgewijs het GM-volume geschat door de waarschijnlijkheid GM te zijn vermenigvuldigd met het volume van een voxel, en vervolgens werden die waarden gedeeld door het totale intracraniële volume om in te stellen voor individuele verschillen in het kopvolume. In op het oppervlak gebaseerde morfometrie (SBM) werd de corticale dikte geschat met behulp van de projectie-gebaseerde diktemethode ().

Verwerking van dMRI-gegevens

Tools opgenomen in FSL 5.0 (http://fsl.fmrib.ox.ac.uk/fsl/) werden gebruikt om dMRI-gegevens te verwerken. Alle afbeeldingen zijn opnieuw uitgelijnd op het nulbeeld dat is verkregen met b = 0 s / mm2 om te corrigeren voor wervelstroom-geïnduceerde vervormingen en hoofdbeweging. Een diffusietensor werd gemodelleerd op elke voxel in de hersenen en de diffusietensor-afgeleide parameters, waaronder fractionele anisotropie (FA), gemiddelde diffusiviteit (MD), axiale diffusiviteit (AD) en radiale diffusiviteit (RD), werden berekend; gegeven drie diffusiviteiten langs verschillende assen van een diffusietensor, FA werd berekend als de vierkantswortel van de som van vierkanten van diffusiviteitsverschillen tussen de drie assen, MD als de gemiddelde diffusiviteit over de drie assen, AD als de grootste diffusiviteit langs de hoofdas en RD als het gemiddelde van diffusiviteiten langs twee kleinere assen. Gebruik van op tracten gebaseerde ruimtelijke statistieken (TBSS) () geïmplementeerd in FSL 5.0, werden de kaarten van van diffusie tensor afgeleide parameters ruimtelijk geregistreerd in een referentiehersenen in de standaardruimte en werden ze vervolgens geprojecteerd op een WM-tractskelet.

Functie genereren

Twee belangrijke stappen voor het ontwerpen van een classificatiemodel zijn het genereren en selecteren van functies. We genereerden functies van neuroanatomie, met name het volume en de dikte van een reeks GM-regio's en de integriteit en diffusiviteit van een reeks WM-traktaten. Na het schatten van het GM-volume en de corticale dikte als respectievelijk voxel-wise kaarten verkregen van VBM en SBM, werden de parameters beoordeeld voor elk van de 60 GM-regio's (Tabel S1), parcellated zoals in de Hammers-atlas (), als het gemiddelde van alle voxels erin. Nadat de parameters van de diffusietensor waren geschat, inclusief FA, MD, AD en RD als voxelgewijze kaarten op het WM-trakskelet verkregen van TBSS, werden de parameters berekend voor elk van de 48 WM-traktaten (tabel S2), parcellated zoals in de ICBM DTI-81-atlas (), als het gemiddelde van alle voxels erin. Samengevat bekeken we twee parameters van GM en vier parameters van WM, die acht combinaties van GM- en WM-parameters opleverden. Voor elke combinatie van GM- en WM-parameters, hebben parameterwaarden van 60 GM-gebieden en 48 WM-traktaten een totaal van 108 neuro-anatomische kenmerken samengesteld.

Functieselectie door geregelde regressie

Het beperken van het aantal functies is belangrijk, vooral voor gegevens met een groot aantal functies en een beperkt aantal waarnemingen. Het beperkte aantal waarnemingen in relatie tot het aantal functies kan leiden tot overfitteren naar de ruis, en regularisatie is een techniek die het mogelijk maakt overfitting te verminderen of te voorkomen door extra informatie of beperkingen aan een model te introduceren. Omdat alle 108-functies mogelijk geen bruikbare en noodzakelijke informatie voor classificatie bevatten, hebben we een beperkte verzameling functies geselecteerd door geregelde regressie toe te passen. Met name de lasso () en elastisch net () werden gebruikt voor geregulariseerde logistische regressie. De lasso bevat een penaltyterm of een regularisatieparameter, λ, die de grootte van coëfficiëntschattingen in een logistisch regressiemodel beperkt. Omdat een toename van λ leidt tot meer coëfficiënten met nulwaarde, biedt de lasso een verminderd logistisch regressiemodel met minder voorspellers. Het elastische net produceert ook een gereduceerd logistisch regressiemodel door coëfficiënten op nul te zetten, vooral door een hybride regularisatieparameter van de lasso en randregressie op te nemen, waarmee de beperking van de lasso bij het behandelen van sterk gecorreleerde voorspellers wordt overwonnen ().

Voor de classificatie tussen elk paar van de drie groepen hebben we het lasso en elastische net toegepast om belangrijke voorspellers te identificeren van de neuroanatomische kenmerken van 108 in een logistisch regressiemodel. De 108-functies van alle individuen in elk paar van de drie groepen werden gestandaardiseerd om een ​​gegevensmatrix samen te stellen, A, waarin elke rij één waarneming vertegenwoordigde en elke kolom één voorspeller vertegenwoordigde. Om te corrigeren voor effecten van leeftijd en geslacht van individuen op de GM- en WM-parameters, een residuale vormende matrix, R, werd gegenereerd: R = I-C(CTC)-1C WAAR I was een identiteitsmatrix en C was een matrix coderende confounding covariaten van leeftijd en geslacht. Het werd vervolgens toegepast op A om residuen te verkrijgen na het terugdringen van de confounding covariaten: X = RA.

Gezien de aangepaste gegevensmatrix, Xen het antwoord, Y, dat twee klassen van individuen codeerde, 10-voudige kruisvalidatie (CV) werd gebruikt om te zoeken naar een regularisatieparameter, λMinErr, die de minimale fout opleverde in termen van deviantie, gedefinieerd als negatieve log-waarschijnlijkheid voor het geteste model gemiddeld over de valideringsvouwen. Als alternatief, omdat een CV-curve fouten heeft bij elke geteste A, een regularisatieparameter, λ1SE, die werd gevonden binnen een standaardfout van de minimale CV-fout in de richting van toenemende regularisatie van λMinErr werd ook overwogen. Dat wil zeggen dat er bij λ spitse functies zijn geselecteerd1SE, terwijl schaarse kenmerken werden bepaald bij λMinErr. Deze procedure voor het zoeken naar een geregulariseerd logistisch regressiemodel met minder voorspellers werd herhaald voor elke combinatie van GM- en WM-parameters die de neuroanatomische kenmerken van 108 omvatten.

Prestaties van geselecteerde functies

Om de bruikbaarheid van de schaarse en sparser-functies te beoordelen, werd de prestaties vergeleken tussen het model met een beperkt aantal functies en het model met alle 108-functies in ondersteuningsvectormachines (SVM's) door het meten van de curve van de receiver operating characteristic (ROC). Met een lineaire kernel als de kernelfunctie en hyperparameters geoptimaliseerd door vijfvoudige CV, werd een SVM getraind voor alle individuen in elk paar van de drie groepen. Het gebied onder de ROC-curve (AUC) werd voor elk model berekend als een kwantitatieve maat voor zijn prestaties. DeLong-tests () gebruikt om de AUC tussen elk paar modellen te vergelijken. Wanneer de AUC verschilde bij a p-waarde van 0.05, prestaties werden beschouwd als niet vergelijkbaar in twee modellen.

Nauwkeurigheid van de classificatie

Schematische procedures vanaf het genereren en selecteren van kenmerken tot de constructie van classificatiemodellen worden weergegeven in de figuur Figure1.1. Voor elk paar van de drie groepen werden SVM-classificatiemodellen gegenereerd met behulp van de geselecteerde kenmerken als voorspellers. We hebben de nauwkeurigheid van de classificatiemodellen beoordeeld door een leave-per-out CV-schema te gebruiken, zodat de uit de steekproef afkomstige classificatienauwkeurigheid voor elke weggelaten persoon werd berekend en vervolgens het gemiddelde over alle personen werd genomen. De statistische significantie van nauwkeurigheid werd geschat door permutatietests toe te passen. Een empirische nulverdeling voor het classificeren tussen elk paar van de drie groepen werd gegenereerd door het herhaaldelijk permuteren van de labels van individuen en de meetnauwkeurigheid die is geassocieerd met de gepermuteerde labels. Wanneer de nauwkeurigheid gemeten voor de niet-toegestane labels groter was dan of gelijk aan de nulverdeling bij a p-waarde van 0.05, waarvan werd vastgesteld dat deze significant verschilt van het kansniveau (nauwkeurigheid = 50%). Daarnaast werd een verwarringsmatrix gevisualiseerd om de gevoeligheid en specificiteit te beschrijven met betrekking tot het onderscheid tussen elk paar van de drie groepen.

 

Een extern bestand dat een afbeelding, illustratie, enz. Bevat. Objectnaam is fpsyt-09-00291-g0001.jpg

Schematische procedures van het genereren en selecteren van neuro-anatomische kenmerken tot de constructie van modellen voor de classificatie tussen ongeordende gamers (DG) en gezonde niet-gamers (HN), tussen normale gamers (NG) en HN, en tussen DG en NG. GM, grijze stof; WM, witte materie.

Resultaten

Functies selecteren

Figuur Figure22 toont geselecteerde functies van de 108-functies met hun coëfficiëntschattingen en tabel Table11 beschrijft gerelateerde aanpasinformatie van het geregulariseerde logistische regressiemodel voor de classificatie tussen elk paar van de drie groepen. Bovendien, figuur S1 laat zien welke λ de minimale CV-fout opleverde en hoeveel functies bij λ werden geselecteerd1SE evenals bij λMinErr. De minimale CV-fout werd verkregen bij het selecteren van kenmerken door de lasso (lassogewicht = 1) voor de classificatie tussen de gezonde niet-gamers en normale gamers en door het elastische net (lassogewicht = 0.5) voor de andere classificatie.

 

Een extern bestand dat een afbeelding, illustratie, enz. Bevat. Objectnaam is fpsyt-09-00291-g0002.jpg

Geselecteerde neuroanatomische kenmerken in geregulariseerde logistische regressie voor de classificatie tussen elk paar van drie groepen. Wanorde gamers (DG) werden gecodeerd als 1 in de classificatie tussen gezonde niet-gamers (HN) en DG, normale gamers (NG) als 1 in de classificatie tussen HN en NG, en DG als 1 in de classificatie tussen NG en DG. De grootte van een staaf vertegenwoordigt de grootte van de respectieve coëfficiënt van het kenmerk, zodat kenmerken van niet-nul coëfficiënten worden geselecteerd. De gerenderde hersenen geven componenten van grijze stof en witte stof weer die overeenkomen met de geselecteerde kenmerken vanuit een superieur zicht. Functies in rood of blauw duiden degene aan die zijn opgenomen in schaarsere functies bepaald op λ1SE evenals in schaarse kenmerken bepaald bij λMinErr, terwijl die in geel of magenta degenen aangeven die alleen in beperkte functies zijn opgenomen. De labels van hersencomponenten zijn zoals beschreven in tabellen S1 en S2. L, links; R, toch?

Tabel 1

Aanpassingsinformatie van geregulariseerde logistische regressie voor de classificatie tussen elk paar van drie groepen.

 HN versus DGHN versus NGNG versus DG
ParameterGMDikteDikteVolume
 WMFARDMD
Lasso gewicht0.510.5
Schaarse functies geselecteerd bij λMinErrCV fout37.368141.7876133.3857
 Aantal functies432111
Sparser-functies geselecteerd bij λ1SECV fout46.568150.0435141.2622
 Aantal functies34121
 

Het gewicht van de lasso geeft aan of geregulariseerde logistische regressie is uitgevoerd met de lasso (lassogewicht = 1) of elastisch net (lassogewicht = 0.5).

HN, gezonde niet-gamers; DG, ongeordende gamers; NG, normale gamers; GM, grijze stof; WM, witte stof; FA, fractionele anisotropie; RD, radiale diffusiviteit; MD, gemiddelde diffusiviteit; CV, kruisvalidatie.

In de discriminatie van de ongeordende gamers van de gezonde niet-gamers, zijn 43-functies geselecteerd bij λMinErr bestond uit de dikte van 24 GM-regio's en de FA van 19 WM-tractaten en 34-functies geselecteerd bij λ1SE omvatte de dikte van 15 GM-gebieden en de FA van 19 WM-traktaten. In het onderscheid tussen de normale gamers van de gezonde niet-gamers, zijn 21-functies geselecteerd bij λMinErr omvatte de dikte van 12 GM-gebieden en de RD van 9 WM-traktaten en 12-functies geselecteerd bij λ1SE omvatte de dikte van 6 GM-gebieden en de RD van 6 WM-traktaten. In de classificatie tussen de ongeordende en normale gamers zijn 11-functies geselecteerd bij λMinErr bestond uit het volume van 7 GM-regio's en de MD van 4 WM-traktaten, en één functie geselecteerd bij λ1SE correspondeerde met het volume van één GM-regio.

Prestaties van geselecteerde functies

Tussen het model met een beperkt aantal functies en het model met alle 108-functies, waren de prestaties vergelijkbaar in termen van de AUC in de discriminatie tussen elk type gamer en de gezonde niet-gamer door SVM's (figuur (Figure3) .3). In de classificatie tussen de ongeordende en normale gamers, is het model met de kenmerken geselecteerd bij λMinErr (AUC = 0.83, p = 0.006) of bij λ1SE (AUC = 0.72, p <0.001) vertoonde slechtere prestaties dan het model met alle 108 kenmerken (AUC = 0.90).

 

Een extern bestand dat een afbeelding, illustratie, enz. Bevat. Objectnaam is fpsyt-09-00291-g0003.jpg

Vergelijking van prestaties in termen van het gebied onder de receiver operating characteristic curve (AUC) tussen modellen zonder en met functieselectie voor de classificatie tussen elk paar van drie groepen door ondersteuningsvectormachines. Het model van de 108-functies (aangegeven met een ononderbroken lijn) komt overeen met dat van de selectie van functies, terwijl de modellen met een kleiner aantal functies overeenkomen met die met beperkte en dunbevolkte functies die zijn geselecteerd bij λMinErr (aangegeven met een stippellijn) en λ1SE (aangegeven met een streepjespuntlijn), respectievelijk. HN, gezonde niet-gamers; DG, ongeordende gamers; NG, normale gamers.

Nauwkeurigheid van de classificatie

In classificatie door SVM's met behulp van de functies geselecteerd bij λMinErr, de nauwkeurigheid was groter dan 98%, aanzienlijk hoger dan het kansniveau (p <0.001), in het onderscheid tussen elk type gamers en de gezonde niet-gamers (figuur (Figure4A) .4A). De nauwkeurigheid was nog steeds aanzienlijk hoger dan het kansniveau (p = 0.002) maar zo laag als 69.8% in de classificatie tussen de ongeordende en normale gamers, waarbij specifiek de lage gevoeligheid (47.4%) voor de juiste identificatie van de gestoorde gamers wordt getoond. De sparser-kenmerken bepaald bij λ1SE vertoonde vergelijkbare prestaties (Figuur (Figure4B) 4B) maar toonde een veel lagere gevoeligheid (2.6%) in het correcte onderscheid van de ongeordende gamers van de normale gamers.

 

Een extern bestand dat een afbeelding, illustratie, enz. Bevat. Objectnaam is fpsyt-09-00291-g0004.jpg

Verwarringsmatrices in de classificatie tussen elk paar van drie groepen bij gebruik (A) schaars en (B) sparser-kenmerken bepaald bij λMinErr en bij λ1SErespectievelijk in ondersteunende vectormachines. De cel met de rechter benedenhoek geeft de nauwkeurigheid van de classificatie (ACC), de laagste negatieve celwaarde (TNR) of specificiteit van de cel, de true-rate (TNR) of sensitiviteit van de onderste middencel (celwaarde negatief negatief voor celwaardes) weer (NPV). ), en de middelste positief positieve voorspellende waarde (PPV). TP, echt positief; TN, echt negatief; FP, vals-positief; FN, vals negatief.

Discussie

In deze studie hebben we onderzocht of de pathologische en niet-pathologische gamers zoals gecategoriseerd met de IGDS voorgesteld in de DSM-5 kunnen worden vertegenwoordigd door weinig neuro-anatomische kenmerken. De ongeordende en normale gamers werden respectievelijk weergegeven in termen van 43- en 21-functies in relatie tot de gezonde niet-gamers. Bovendien werden de ongeordende gamers weergegeven in termen van 11-functies in relatie tot de normale gamers. Met behulp van de schaarse neuro-anatomische kenmerken konden de ongeordende en normale gamers met succes worden onderscheiden van de gezonde niet-gamers, maar de classificatie tussen de ongeordende en normale gamers was relatief uitdagend.

Symptoomgebaseerde beschrijvende categorisering van IGD met de IGDS voorgesteld in de DSM-5 wordt op grote schaal toegepast. Hoewel de empirische validiteit van de IGDS in meerdere landen is bevestigd (, , ), is de drempel voor het ervaren van vijf of meer IGDS-items misschien geen definitieve keuze, en andere manieren om individuen te categoriseren die op internet gebaseerde spellen spelen, kunnen worden voorgesteld (). Omdat meerdere soorten klinische gegevens, zoals beeldvormende gegevens van de hersenen, evenals demografische, gedrags- en symptomatische gegevens, steeds beschikbaarder worden, kunnen extra gegevens bij voorkeur worden gebruikt voor de diagnose van geestesziekten. Vanwege de massaliteit van kwantitatieve informatie zijn met name hersenafbeeldingsgegevens geschikt voor computationele benaderingen en zouden ze nuttig zijn voor voorspelling. Er is inderdaad aangetoond dat hersenafbeeldingsgegevens superieure voorspellende waarden hebben in vergelijking met andere klinische gegevens bij het voorspellen van een klinisch relevant probleem ().

Aangezien op ML gebaseerde diagnostische classificatie onlangs is toegepast op andere verslavende gedragingen en aandoeningen (-), lijkt symptoomgerichte categorisering van IGD ook voor een uitdaging van op berekening gebaseerde classificatie te staan. Omdat anatomische afwijkingen van de hersenen na IGD herhaaldelijk zijn gemeld in eerdere studies (-, ), overwogen we dergelijke neuroanatomische informatie uit biomedische gegevens van hersenbeeldvormingsgegevens voor de diagnose van IGD. In deze studie was ons doel om een ​​set van belangrijke neuroanatomische kenmerken te identificeren die voldoende hoge classificatieprestaties zouden kunnen bieden, naast het beschrijven van neuro-anatomische verschillen tussen klassen van individuen.

We hebben belangrijke geselecteerd, onder 108 neuro-anatomische kenmerken, grondig geregelde regressie. Wanneer we acht combinaties van GM- en WM-parameters overwogen, werden verschillende combinaties van parameters geselecteerd voor het onderscheiden van elk paar van de drie groepen. De combinatie van de dikte van GM-regio's en de integriteit van WM-tractaten was beter voor het onderscheiden van de pathologische gamers van de gezonde niet-gamers, terwijl de combinatie van het volume van GM-regio's en de diffusiviteit van WM-traktaten beter was voor het onderscheiden van de pathologische gamers van de niet-pathologische gamers. Hoewel vele hersencomponenten vaak als neuro-anatomische kenmerken fungeerden die belangrijk waren voor het onderscheid van de pathologische en niet-pathologische gamers van de gezonde niet-gamers, kenmerkten sommige GM-regio's en WM-traktaten de niet-pathologische gamers, maar niet de pathologische gamers. . Deze bevindingen wijzen erop dat er mogelijk geen universeel best presterende combinatie van GM- en WM-parameters is als neuro-anatomische biomarkers, zodat een specifieke combinatie van GM- en WM-parameters moet worden geselecteerd op basis van groepen die moeten worden geclassificeerd.

Het kleinere aantal van de schaarse functies voor het onderscheid van de niet-pathologische gamers vergeleken met het onderscheid van de pathologische gamers, van de gezonde niet-gamers, geeft aan dat de niet-pathologische gamers zich in een overgangsfase bevinden tussen de pathologische gamers en gezonde non-gamers. Bovendien geeft de minder schaarse kenmerken voor de classificatie tussen de twee soorten gamers dan voor de discriminatie tussen elk type gamer en de gezonde niet-gamer aan dat de pathologische en niet-pathologische gamers minder sterk van elkaar verschillen in termen van neuroanatomie dan van hen die niet vergelijkbaar zijn met de gezonde niet-gamers. Dienovereenkomstig leverden de classificatiemodellen gegenereerd met de schaarse kenmerken een nauwkeurigheid van meer dan 98% op bij het onderscheid tussen elk type gamer en de gezonde niet-gamer maar met een nauwkeurigheid onder 70% in de classificatie tussen de twee typen gamers. Dat wil zeggen, de niet-pathologische gamers waren te onderscheiden van de gezonde niet-gamers, evenals de pathologische gamers, maar er waren beperkingen in het onderscheid tussen de pathologische en niet-pathologische gamers.

Deze relatief lage onderscheidbaarheid tussen de twee typen gamers lijkt enkele noties te suggereren. Ten eerste kan een mismatch tussen op symptomen gebaseerde categorisering en op berekening gebaseerde classificatie worden voorgesteld. Hoewel de voorgestelde diagnostische drempel voor het ervaren van vijf of meer criteria in de IGDS conservatief werd gekozen om de overdosering van IGD te voorkomen (), de aanwezigheid van gamers die aanzienlijke pathologische veranderingen in neuroanatomie ondergaan, maar niet voldoet aan de IGD-grenswaarde mag niet worden genegeerd. In het bijzonder namen we alleen gamers die tevreden waren met IGDS-items die veel lager waren dan de IGD-drempel als de normale gamers, zodat gamers gediagnosticeerd als niet-IGD in het algemeen verder weg zouden kunnen zijn van gezonde niet-gokspecialisten dan in deze studie werd getoond. Ten tweede kan een uitdaging in de classificatie die alleen berust op neuroanatomische biomarkers worden opgemerkt. De classificatieprestaties zouden kunnen worden verbeterd door andere biomarkers op te nemen die grotere ongelijkheid tussen de pathologische en niet-pathologische gamers kunnen vastleggen. In het bijzonder omdat functionele veranderingen in de hersenen ook bij IGD worden aangetoond (-), functie en anatomie van de hersenen kunnen als biomerken voor de hersenen worden beschouwd. Bovendien willen we opmerken dat veranderingen in het brein slechts deel uitmaken van de multidimensionale facetten van internetgamingverslaving, zodat andere factoren, niet het minst verschillende interne en externe risicofactoren voor internetgamerverslaving (), moet worden opgenomen in meer complete modellen voor de classificatie tussen pathologische en niet-pathologische gamers, evenals het onderscheid tussen gamers van gezonde niet-gokspecialisten.

Hier hebben we geregelde regressie toegepast, met behulp van schaarsheidsbevorderende schatters zoals het lasso en elastisch net, om belangrijke kenmerken voor classificatiemodellen te identificeren. Er zijn eigenlijk methodologische variaties in functieselectie of dimensionaliteitsvermindering, en een verscheidenheid aan benaderingen kan worden gebruikt voor het gebruik van geselecteerde kenmerken in modelbouw (). Onze benadering met behulp van geregulariseerde regressie houdt een a priori aanname betreffende sparsity in neuroanatomische kenmerken in. Op voorwaarde dat een dergelijke veronderstelling aanvaardbaar is, zoals we in deze studie geloofden, zou geregulariseerde regressie een plausibele benadering kunnen zijn, en van de geselecteerde set van schaarse functies zou worden verwacht dat ze classificatiemodellen van voldoende hoge prestaties samenstellen. Maar het is opmerkelijk dat eenvoudigere classificatiemodellen die zijn gebaseerd op grotere sparsiteit mogelijk niet altijd vergelijkbare of verbeterde prestaties vertonen. Inderdaad, tussen verschillende keuzes van de graad van sparsiteit volgens een regularisatieparameter, zou grotere sparsiteit waarschijnlijk niet leiden tot een beter presterende model specifiek in meer uitdagende classificatieproblemen, zoals de classificatie tussen de pathologische en niet-pathologische gamers.

Bovendien hebben we SVM's gebruikt als een ML-techniek voor het construeren van classificatiemodellen, omdat ze een van de meest populaire zijn. Andere geavanceerde methoden kunnen worden gebruikt om de classificatieprestaties te verbeteren, hoewel vergelijkende prestaties tussen verschillende methoden mogelijk niet worden afgesloten vanwege de afhankelijkheid van prestaties in experimentele scenario's (). Aan de andere kant, voor vergelijkende prestaties tussen klassieke statistische methoden en ML-technieken, hebben we ook classificatie door logistische regressie uitgevoerd en aangetoond dat de twee methoden, namelijk logistische regressie en SVM's, vergelijkbaar waren in de classificatieprestatie (figuur S2). Het kan worden geïtereerd dat klassieke statistische methoden niet altijd inferieur zijn aan ML-technieken in classificatieprestaties ().

In de huidige studie hebben we onthuld dat symptoom-gebaseerde categorisering van IGD kan worden weergegeven in termen van dunne neuroanatomische biomarkers die classificatiemodellen hebben samengesteld. Verder hebben we aangetoond dat niet-pathologische gamers minder te onderscheiden zijn van pathologische gamers dan van niet-gokvrije gezonde individuen, in termen van neuroanatomie. We suggereren dus dat, hoewel de huidige diagnostische systemen afgaan op beschrijvende categorisering zoals de DSM-5 als de gouden standaard, misschien niet-pathologische gamers met meer zorg gediagnosticeerd moeten worden door objectieve biomarkers te gebruiken, zoals die geassocieerd zijn met neuroanatomische veranderingen. Toepassing van computationele benaderingen lijkt een onomkeerbare trend in de psychiatrie te zijn, maar er kan nog een lange weg te gaan zijn om die praktisch toe te passen op klinische omgevingen. Zoeken naar de optimale selectie van schaarse functies van hersenbeelden en andere klinische gegevens moet worden uitgevoerd in latere studies, en op de lange termijn zouden deze inspanningen de computationele diagnose van IGD bevorderen.

Bijdragen van de auteur

D-JK en J-WC waren verantwoordelijk voor het studieconcept en ontwerp. HC heeft de klinische karakterisering en selectie van deelnemers uitgevoerd. CP analyseerde de gegevens en stelde het manuscript op. Alle auteurs hebben de inhoud en de goedgekeurde definitieve versie kritisch beoordeeld voor publicatie.

Belangenconflict verklaring

De auteurs verklaren dat het onderzoek is uitgevoerd in afwezigheid van commerciële of financiële relaties die kunnen worden beschouwd als een potentieel belangenconflict.

voetnoten

 

Funding. Dit onderzoek werd ondersteund door het Brain Science Research Program via de National Research Foundation of Korea (NRF), gefinancierd door het ministerie van Wetenschap en ICT in Korea (NRF-2014M3C7A1062893).

 

 

Aanvullend materiaal

Het aanvullende materiaal voor dit artikel is online te vinden op: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material

Referenties

1. Young KS. Internetverslaving: de opkomst van een nieuwe klinische stoornis. CyberPsychol Behav. (1998) 1: 237-44. 10.1089 / cpb.1998.1.237 [Kruis Ref]
2. American Diagnostic and Statistical Manual of Psychiatric Disorders, 5th Edition. Washington, DC: American Psychiatric Association Publishing; (2013).
3. Ko CH, Yen JY, Chen SH, Wang PW, Chen CS, Yen CF. Evaluatie van de diagnostische criteria van internetgaming-stoornis in de DSM-5 onder jongvolwassenen in Taiwan. J Psychiatr Res. (2014) 53: 103-10. 10.1016 / j.jpsychires.2014.02.008 [PubMed] [Kruis Ref]
4. Ko CH, Hsieh TJ, Wang PW, Lin WC, Yen CF, Chen CS, et al. . Veranderde grijze materiedichtheid en verstoorde functionele connectiviteit van de amygdala bij volwassenen met internetgaming-stoornis. Prog Neuropsychopharmacol Biol Psychiatry (2015) 57: 185-92. 10.1016 / j.pnpbp.2014.11.003 [PubMed] [Kruis Ref]
5. Lin X, Dong G, Wang Q, Du X. Abnormale grijze massa en volume van witte stof in 'Internet-gamingverslaafden'. Addict Behav. (2015) 40: 137-143. 10.1016 / j.addbeh.2014.09.010 [PubMed] [Kruis Ref]
6. Wang H, Jin C, Yuan K, Shakir TM, Mao C, Niu X, et al. . De verandering van volume van grijze massa en cognitieve controle bij adolescenten met internet-gokverslaving. Front Behav Neurosci. (2015) 9: 64. 10.3389 / fnbeh.2015.00064 [PMC gratis artikel] [PubMed] [Kruis Ref]
7. Yuan K, Cheng P, Dong T, Bi Y, Xing L, Yu D, et al. . Corticale dikte-afwijkingen in de late adolescentie met online gameverslaving. PloS ONE (2013) 8: e53055. 10.1371 / journal.pone.0053055 [PMC gratis artikel] [PubMed] [Kruis Ref]
8. Dong G, Devito E, Huang J, Du X. Diffusion tensor imaging onthult thalamus en posterieure cingulate cortex-afwijkingen bij internetgamma-verslaafden. J Psychiatr Res. (2012) 46: 1212-6. 10.1016 / j.jpsychires.2012.05.015 [PMC gratis artikel] [PubMed] [Kruis Ref]
9. Xing L, Yuan K, Bi Y, Yin J, Cai C, Feng D, et al. . Verminderde vezelintegriteit en cognitieve controle bij adolescenten met internet-gokverslaving. Brain Res. (2014) 1586: 109-17. 10.1016 / j.brainres.2014.08.044 [PubMed] [Kruis Ref]
10. Besson P, Dinkelacker V, Valabregue R, Thivard L, Leclerc X, Baulac M, et al. . Structurele connectiviteit verschillen in linker en rechter temporale kwab epilepsie. Neuroimage (2014) 100: 135-44. 10.1016 / j.neuroimage.2014.04.071 [PubMed] [Kruis Ref]
11. Huys QJ, Maia TV, Frank MJ. Computationele psychiatrie als een brug van de neurowetenschappen naar klinische toepassingen. Nat Neurosci. (2016) 19: 404-13. 10.1038 / nn.4238 [PMC gratis artikel] [PubMed] [Kruis Ref]
12. Lemmens JS, Valkenburg PM, Gentile DA. De schaal voor internetgamingproblemen. Psychol beoordelen. (2015) 27: 567-82. 10.1037 / pas0000062 [PubMed] [Kruis Ref]
13. Dahnke R, Yotter RA, Gaser C. Corticale dikte en schatting van het centrale oppervlak. Neuroimage (2013) 65: 336-48. 10.1016 / j.neuroimage.2012.09.050 [PubMed] [Kruis Ref]
14. Smith SM, Jenkinson M, Johansen-Berg H, Rueckert D, Nichols TE, Mackay CE, et al. . Op tracering gebaseerde ruimtelijke statistiek: voxelgewijze analyse van multidocument-diffusiegegevens. Neuroimage (2006) 31: 1487-505. 10.1016 / j.neuroimage.2006.02.024 [PubMed] [Kruis Ref]
15. Hammers A, Allom R, Koepp MJ, Free SL, Myers R, Lemieux L, et al. . Driedimensionale maximale waarschijnlijkheidsatlas van het menselijk brein, met bijzondere verwijzing naar de temporale kwab. Hum Brain Mapp. (2003) 19: 224-47. 10.1002 / hbm.10123 [PubMed] [Kruis Ref]
16. Mori S, Oishi K, Jiang H, Jiang L, Li X, Akhter K, et al. . Stereotaxische atlas van witte stof op basis van diffusie tensor-imaging in een ICBM-template. Neuroimage (2008) 40: 570-82. 10.1016 / j.neuroimage.2007.12.035 [PMC gratis artikel] [PubMed] [Kruis Ref]
17. Tibshirani R. Regressiekrimp en selectie via de lasso. J Roy Stat Soc Ser B (1996) 58: 267-88.
18. Zou H, Hastie T. Regularisatie en variabele selectie via het elastische net. J Roy Stat Soc Ser B (2005) 67: 301-20. 10.1111 / j.1467-9868.2005.00503.x [Kruis Ref]
19. Theodoridis S. Machine Learning: een Bayesiaans en optimalisatieperspectief. Londen: Academic Press; (2015).
20. Delong ER, Delong DM, Clarke-Pearson DL. Vergelijking van de gebieden onder twee of meer gecorreleerde operationele curven van de ontvanger: een niet-parametrische benadering. Biometrie (1988) 44: 837-45. 10.2307 / 2531595 [PubMed] [Kruis Ref]
21. Cho SH, Kwon JH. Een validatie van de Koreaanse versie van de Internet Gaming Disorder Scale (K-IGDS): bevindingen van een community-steekproef van volwassenen. Korean J Clin Psychol. (2017) 36: 104-17. 10.15842 / kjcp.2017.36.1.010 [Kruis Ref]
22. Sigerson L, Li AYL, Cheung MWL, Luk JW, Cheng C. Psychometrische eigenschappen van de chinese internet gaming disorder scale. Addict Behav. (2017) 74: 20-6. 10.1016 / j.addbeh.2017.05.031 [PubMed] [Kruis Ref]
23. Burke Quinlan E, Dodakian L, zie J, Mckenzie A, Le V, Wojnowicz M, et al. . Neurale functie, letsel en stroke-subtype voorspellen behandelingswinsten na een beroerte. Ann Neurol. (2015) 77: 132-45. 10.1002 / ana.24309 [PMC gratis artikel] [PubMed] [Kruis Ref]
24. Pariyadath V, Stein EA, Ross TJ. Machinaal leren classificatie van rusttoestand functionele connectiviteit voorspelt rookstatus. Front Hum Neurosci. (2014) 8: 425. 10.3389 / fnhum.2014.00425 [PMC gratis artikel] [PubMed] [Kruis Ref]
25. Fedota JR, Stein EA. Rustende toestand functionele connectiviteit en nicotineverslaving: vooruitzichten voor de ontwikkeling van biomarkers. Ann NY Acad Sci. (2015) 1349: 64-82. 10.1111 / nyas.12882 [PMC gratis artikel] [PubMed] [Kruis Ref]
26. Ahn WY, Ramesh D, Moeller FG, Vassileva J. Nut van machine-learning benaderingen om gedragsmarkers voor stoornissen in middelengebruik te identificeren: impulsiviteitsdimensies als voorspellers van de huidige cocaïneverslaving. Voorpsychiatrie (2016) 7: 34. 10.3389 / fpsyt.2016.00034 [PMC gratis artikel] [PubMed] [Kruis Ref]
27. Ahn WY, Vassileva J. Machine-learning identificeert stof-specifieke gedragsmarkers voor opiaat- en stimulantafhankelijkheid. Drug Alcohol Depend. (2016) 161: 247-57. 10.1016 / j.drugalcdep.2016.02.008 [PMC gratis artikel] [PubMed] [Kruis Ref]
28. Percy C, França M, Dragičević S, D'avila Garcez A. Het voorspellen van zelfuitsluiting bij online gokken: een analyse van de prestaties van gesuperviseerde modellen voor machine learning. Int Gambl Stud. (2016) 16: 193-210. 10.1080 / 14459795.2016.1151913 [Kruis Ref]
29. Ding WN, Sun JH, Sun YW, Zhou Y, Li L, Xu JR, et al. . Gewijzigde standaard netwerk rust-state functionele connectiviteit bij adolescenten met internet gaming verslaving. PloS ONE (2013) 8: e59902. 10.1371 / journal.pone.0059902 [PMC gratis artikel] [PubMed] [Kruis Ref]
30. Meng Y, Deng W, Wang H, Guo W, Li T. De prefrontale disfunctie bij personen met internetgaming: een meta-analyse van functionele magnetische resonantie beeldvormingstudies. Addict Biol. (2015) 20: 799-808. 10.1111 / adb.12154 [PubMed] [Kruis Ref]
31. Zhang JT, Yao YW, Li CSR, Zang YF, Shen ZJ, Liu L, et al. . Veranderde rust-staat functionele connectiviteit van de insula bij jongvolwassenen met internet-gokverslaving. Addict Biol. (2015) 21: 743-51. 10.1111 / adb.12247 [PMC gratis artikel] [PubMed] [Kruis Ref]
32. Cai C, Yuan K, Yin J, Feng D, Bi Y, Li Y, et al. . Striatum-morfometrie wordt geassocieerd met cognitieve controle-tekortkomingen en ernst van de symptomen bij internetgaming. Brain Imaging Behav. (2016) 10: 12-20. 10.1007 / s11682-015-9358-8 [PubMed] [Kruis Ref]
33. Park C, Chun JW, Cho H, Jung YC, Choi J, Kim DJ. Is het internet gaming-verslaafd brein in de buurt van in een pathologische toestand? Addict Biol. (2017) 22: 196-205. 10.1111 / adb.12282 [PubMed] [Kruis Ref]
34. Kuss DJ, Griffiths MD. Internetgamingverslaving: een systematische review van empirisch onderzoek. Int J Ment Health Addict. (2012) 10: 278-96. 10.1007 / s11469-011-9318-5 [Kruis Ref]
35. Castellanos FX, Di Martino A, Craddock RC, Mehta AD, Milham MP. Klinische toepassingen van het functionele connectome. Neuroimage (2013) 80: 527-40. 10.1016 / j.neuroimage.2013.04.083 [PMC gratis artikel] [PubMed] [Kruis Ref]
36. Tollenaar N, Van Der Heijden P. Welke methode voorspelt recidive het beste ?: een vergelijking van statistische, machine learning en data mining voorspellende modellen. J Roy Stat Soc Ser A (2013) 176: 565-84. 10.1111 / j.1467-985X.2012.01056.x [Kruis Ref]