Wyróżniający patologiczni i niepatologiczni gracze internetowi wykorzystujący rzadkie cechy neuroanatomiczne (2018)

. 2018; 9: 291.

Opublikowano online 2018 Jun 29. doi:  10.3389 / fpsyt.2018.00291

PMCID: PMC6033968

PMID: 30008681

Abstrakcyjny

Zaburzenia związane z grami internetowymi (IGD) są często diagnozowane na podstawie dziewięciu podstawowych kryteriów z najnowszej wersji Podręcznika diagnostyczno-statystycznego zaburzeń psychicznych (DSM-5). Tutaj sprawdziliśmy, czy taką kategoryzację opartą na objawach można przełożyć na klasyfikację opartą na obliczeniach. Dane MRI strukturalnego (sMRI) i MRI ważonego dyfuzją (dMRI) uzyskano u 38 graczy, u których zdiagnozowano IGD, 68 normalnych graczy, u których zdiagnozowano IGD, oraz 37 zdrowych osób niebędących graczami. Z danych MRI wygenerowaliśmy 108 cech struktury istoty szarej (GM) i istoty białej (WM). Kiedy uregulowana regresja logistyczna została zastosowana do 108 cech neuroanatomicznych w celu wybrania tych ważnych dla rozróżnienia między grupami, zaburzeni i normalni gracze byli reprezentowani pod względem odpowiednio 43 i 21 cech w stosunku do zdrowych nie-graczy, podczas gdy Zaburzeni gracze byli reprezentowani pod względem 11 cech w stosunku do normalnych graczy. W maszynach wektorów wsparcia (SVM) wykorzystujących rzadkie cechy neuroanatomiczne jako predyktory, zaburzeni i normalni gracze zostali pomyślnie odróżnieni, z dokładnością przekraczającą 98%, od zdrowych nie-graczy, ale klasyfikacja między zaburzonymi i normalnymi graczami była stosunkowo trudna. Odkrycia te sugerują, że patologiczni i niepatologiczni gracze sklasyfikowani zgodnie z kryteriami z DSM-5 mogą być reprezentowani przez rzadkie cechy neuroanatomiczne, zwłaszcza w kontekście rozróżniania tych od zdrowych osób nie grających w gry.

Słowa kluczowe: zaburzenie związane z grami internetowymi, klasyfikacja diagnostyczna, strukturalny MRI, MRI ważony dyfuzją, regresja regularyzowana

Wprowadzenie

Chociaż przez dziesięciolecia sugerowano, że jest to uzależnienie patologiczne (), dopiero niedawno zaburzenie związane z grami internetowymi (IGD) zostało wymienione w Diagnostic and Statistical Manual of Mental Disorders (DSM). Piąta edycja DSM (DSM-5) () zidentyfikowali IGD jako warunek dalszych badań i podali dziewięć kryteriów diagnozowania. W kategoryzacji opartej na objawach przy użyciu dziewięciopunktowej skali IGD (IGDS) zaproponowanej w DSM-5, do rozpoznania IGD zastosowano próg doświadczania pięciu lub więcej kryteriów. Chociaż ten punkt odcięcia może odpowiednio różnicować graczy cierpiących na znaczne upośledzenie kliniczne (), dychotomiczny charakter pozycji IGDS nieuchronnie wiąże się z nadmiernym uproszczeniem lub niejasnością diagnostyczną.

Oprócz objawów często obserwuje się różne dysfunkcje związane z IGD, w tym zmiany neuroanatomiczne. Rzeczywiście, znaczna ilość prac wykazała, że ​​IGD jest związana ze zmianami strukturalnymi w mózgu: zmniejszeniem objętości istoty szarej (GM) (-), zmniejszenie grubości korowej () i utrata integralności istoty białej (WM) (, ) zostały zwykle wykazane. Te neuroanatomiczne zmiany związane z IGD sugerują, że takie parametry obrazowania mózgu mogą służyć jako biomarkery do odróżniania osób z IGD od innych osób. Oznacza to, że diagnozę IGD można postawić poprzez manipulację obliczeniową biomarkerów neuroanatomicznych, a nie poprzez kategoryzację opartą na objawach opartą na DSM-5. Próby te mogą być zgodne z wysiłkami mającymi na celu wyjście poza diagnozę opisową poprzez zastosowanie podejścia obliczeniowego w psychiatrii (), w szczególności podejścia oparte na danych oparte na uczeniu maszynowym (ML) w celu rozwiązania problemu diagnozowania chorób psychicznych ().

W tym badaniu szukaliśmy związku między kategoryzacją opartą na objawach na podstawie IGDS a klasyfikacją opartą na obliczeniach za pomocą biomarkerów neuroanatomicznych w diagnostyce IGD. Ponieważ niektóre składniki GM i WM mózgu prawdopodobnie zawierałyby zbędne lub nieistotne informacje do klasyfikacji diagnostycznej, staraliśmy się wybrać rzadkie cechy neuroanatomiczne, stosując regularną regresję. Postawiliśmy hipotezę, że kategoryzację opartą na objawach można przedstawić w kategoriach rzadkich cech neuroanatomicznych, które tworzyłyby modele klasyfikacyjne do diagnozy IGD. Uważano, że patologiczni gracze, u których zdiagnozowano IGD, bardziej różnią się od zdrowych osób nie grających w gry niż od graczy, u których zdiagnozowano IGD, to znaczy graczy niepatologicznych; w związku z tym patologiczni gracze mogą charakteryzować się większą liczbą cech w porównaniu z graczami niepatologicznymi w stosunku do osób zdrowych nie grających w gry. Ponadto chcieliśmy zdecydować, czy gracze niepatologiczni mogą być mniej różni się od graczy patologicznych lub zdrowych osób nie grających w gry. Można niejasno założyć, że niepatologiczni gracze są bliscy zdrowym osobom nie grającym w gry pod względem opisowych objawów, ale pomyśleliśmy, że takie pojęcie musi zostać zweryfikowane za pomocą klasyfikacji opartej na obliczeniach.

Materiały i metody

Uczestnicy

Spośród uczestników 237 grających w gry internetowe wybrano osoby 106, wykluczając tych, którzy wykazywali niezgodność między zgłoszonym przez siebie IGDS a ustrukturyzowanym wywiadem z psychologiem klinicznym w diagnozie IGD lub pominęli lub poważnie zniekształcili dane obrazowania mózgu. Na podstawie IGDS 38 osób (27.66 ± 5.61 lat; 13 kobiet), które spełniły co najmniej pięć pozycji IGDS, zostało oznaczonych jako zaburzeni gracze, a 68 osób (27.96 ± 6.41 lat; 21 kobiet), które spełniły co najwyżej jedną pozycję IGDS, zostało oznaczonych normalni gracze. Osoby, które spełniły pozycje IGDS między dwoma a czterema, również zostały wykluczone, ponieważ można je uznać za inną klasę między graczami z zaburzeniami i normalnymi (). Ponadto 37 osób (25.86 ± 4.10 lat; 13 kobiet) niegrających w gry internetowe zostało oddzielnie zrekrutowanych i oznaczono je jako zdrowe niegrające. Potwierdzono brak chorób współistniejących u wszystkich uczestników. Pisemną świadomą zgodę uzyskano od wszystkich uczestników zgodnie z Deklaracją Helsińską i jej późniejszymi poprawkami, a badanie zostało zatwierdzone przez Institutional Review Board w Seoul St. Mary's Hospital, Seul, Korea.

Akwizycja danych MRI

Dane MRI strukturalnego (sMRI) i MRI ważonego dyfuzją (dMRI) zebrano przy użyciu systemu 3 T MAGNETOM Verio (Siemens AG, Erlangen, Niemcy). Akwizycję danych sMRI przeprowadzono przy użyciu sekwencji echa szybkiego gradientu przygotowanego przez namagnesowanie: liczba warstw w płaszczyźnie strzałkowej = 176, grubość warstwy = 1 mm, rozmiar matrycy = 256 × 256 i rozdzielczość w płaszczyźnie = 1 × 1 mm . W celu uzyskania danych dMRI przeprowadzono kodowanie gradientu dyfuzji w 30 kierunkach za pomocą b = 1,000 s/mm2 i zastosowano sekwencję obrazowania echoplanarnego z pojedynczym strzałem: liczba warstw w płaszczyźnie osiowej = 75, grubość warstwy = 2 mm, rozmiar matrycy = 114 × 114 i rozdzielczość w płaszczyźnie = 2 × 2 mm.

Przetwarzanie danych MRI

Narzędzia zawarte w CAT12 (http://www.neuro.uni-jena.de/cat/) zostały użyte do przetwarzania danych sMRI. Obraz objętości mózgu podzielono na różne tkanki, w tym GM, WM i płyn korowo-rdzeniowy, a także zarejestrowano przestrzennie w mózgu odniesienia w standardowej przestrzeni. W morfometrii opartej na wokselach (VBM) objętość GM pod względem wokseli oszacowano przez pomnożenie prawdopodobieństwa bycia GM przez objętość woksela, a następnie wartości te podzielono przez całkowitą objętość wewnątrzczaszkową, aby dostosować do indywidualnych różnic w objętości głowy. W morfometrii powierzchniowej (SBM) grubość kory oszacowano za pomocą metody grubości opartej na projekcji ().

Przetwarzanie danych dMRI

Narzędzia zawarte w FSL 5.0 (http://fsl.fmrib.ox.ac.uk/fsl/) zostały wykorzystane do przetwarzania danych dMRI. Wszystkie obrazy zostały wyrównane do obrazu zerowego uzyskanego za pomocą b = 0 s/mm2 w celu skorygowania zniekształceń wywołanych prądami wirowymi i ruchu głowy. W każdym wokselu w mózgu modelowano tensor dyfuzji i obliczono parametry pochodzące z tensora dyfuzji, w tym anizotropię frakcyjną (FA), dyfuzyjność średnią (MD), dyfuzyjność osiową (AD) i dyfuzyjność radialną (RD); biorąc pod uwagę trzy dyfuzyjności wzdłuż różnych osi tensora dyfuzji, FA obliczono jako pierwiastek kwadratowy z sumy kwadratów różnic dyfuzyjności między trzema osiami, MD jako średnią dyfuzyjność w trzech osiach, AD jako największą dyfuzyjność wzdłuż głównej osi i RD jako średnia dyfuzyjności wzdłuż dwóch mniejszych osi. Korzystanie ze statystyki przestrzennej opartej na traktach (TBSS) () zaimplementowane w FSL 5.0, mapy parametrów pochodzących z tensora dyfuzji zostały przestrzennie zarejestrowane w mózgu odniesienia w przestrzeni standardowej, a następnie rzutowane na szkielet przewodu WM.

Generowanie cech

Dwa główne etapy projektowania modelu klasyfikacji to generowanie i wybór cech. Wygenerowaliśmy cechy z neuroanatomii, w szczególności objętość i grubość zestawu regionów GM oraz integralność i dyfuzyjność zestawu traktów WM. Po oszacowaniu objętości GM i grubości kory jako map wokselowych uzyskanych odpowiednio z VBM i SBM, parametry oceniono dla każdego z 60 regionów GM (Tabela S1), podzielone jak w atlasie Hammers (), jako średnią ze wszystkich wokseli w nim zawartych. Po oszacowaniu parametrów pochodzących z tensora dyfuzji, w tym FA, MD, AD i RD jako map wokselowych na szkielecie przewodu WM uzyskanym z TBSS, parametry obliczono dla każdego z 48 odcinków WM (Tabela S2), spakowane jak w atlasie ICBM DTI-81 (), jako średnią ze wszystkich wokseli w nim zawartych. Podsumowując, rozważyliśmy dwa parametry GM i cztery parametry WM, co dało osiem kombinacji parametrów GM i WM. Dla każdej kombinacji parametrów GM i WM wartości parametrów 60 regionów GM i 48 traktów WM składały się łącznie z 108 cech neuroanatomicznych.

Wybór cech za pomocą regresji uregulowanej

Zmniejszenie liczby cech jest ważne, zwłaszcza w przypadku danych o dużej liczbie cech i ograniczonej liczbie obserwacji. Ograniczona liczba obserwacji w stosunku do liczby cech może prowadzić do nadmiernego dopasowania do szumu, a regularyzacja jest techniką, która pozwala zmniejszyć lub zapobiec nadmiernemu dopasowaniu poprzez wprowadzenie dodatkowych informacji lub ograniczeń do modelu. Ponieważ wszystkie ze 108 cech mogą nie zawierać przydatnych i niezbędnych informacji do klasyfikacji, wybraliśmy rzadki zestaw cech, stosując regularną regresję. W szczególności lasso () i elastyczna siatka () zostały użyte do uregulowanej regresji logistycznej. Lasso zawiera termin kary lub parametr regularyzacji, λ, który ogranicza wielkość szacunków współczynników w modelu regresji logistycznej. Ponieważ wzrost λ prowadzi do większej liczby współczynników o wartości zerowej, lasso zapewnia zredukowany model regresji logistycznej z mniejszą liczbą predyktorów. Elastyczna sieć tworzy również zredukowany model regresji logistycznej poprzez ustawienie współczynników na zero, zwłaszcza poprzez włączenie hybrydowego parametru regularyzacji regresji lassa i grzbietu, przezwyciężając ograniczenia lassa w leczeniu wysoce skorelowanych predyktorów ().

Do klasyfikacji między każdą parą z trzech grup zastosowaliśmy lasso i elastyczną siatkę, aby zidentyfikować ważne predyktory wśród 108 cech neuroanatomicznych w modelu regresji logistycznej. 108 cech wszystkich osób w każdej parze z trzech grup zostało znormalizowanych w celu stworzenia matrycy danych, A, w którym każdy wiersz reprezentował jedną obserwację, a każda kolumna reprezentowała jeden predyktor. Aby skorygować wpływ wieku i płci osobników na parametry GM i WM, resztkowa macierz tworząca, R, został wygenerowany: R = I-C(CTC)-1C gdzie I była macierzą tożsamości i C była matrycą kodującą mylące współzmienne wieku i płci. Następnie zastosowano do A w celu uzyskania reszt po regresji współzmiennych zakłócających: X = RA.

Biorąc pod uwagę skorygowaną macierz danych, Xi odpowiedź, Y, który zakodował dwie klasy osobników, zastosowano 10-krotną walidację krzyżową (CV) do wyszukania parametru regularyzacji, λMinBłąd, co zapewniło minimalny błąd w zakresie odchylenia, zdefiniowany jako ujemny logarytm wiarygodności dla testowanego modelu uśredniony w fałdach walidacyjnych. Alternatywnie, ponieważ krzywa CV ma błędy przy każdym testowanym λ, parametr regularyzacji λ1SE, który został znaleziony w granicach jednego błędu standardowego minimalnego błędu CV w kierunku rosnącej regularyzacji od λMinBłąd była również rozważana. Oznacza to, że w λ wybrano rzadsze cechy1SE, podczas gdy cechy rzadkie określono przy λMinBłąd. Ta procedura poszukiwania uregulowanego modelu regresji logistycznej z mniejszą liczbą predyktorów została powtórzona dla każdej kombinacji parametrów GM i WM obejmujących 108 cech neuroanatomicznych.

Wydajność wybranych funkcji

Aby ocenić przydatność rzadkich i rzadkich funkcji, porównano wydajność między modelem ze zmniejszoną liczbą funkcji a modelem ze wszystkimi 108 funkcjami w maszynach wektorów nośnych (SVM) poprzez pomiar krzywej charakterystyki operacyjnej odbiornika (ROC). Z liniowym jądrem jako funkcją jądra i hiperparametrami zoptymalizowanymi przez pięciokrotne CV, SVM został przeszkolony dla wszystkich osób w każdej parze z trzech grup. Dla każdego modelu obliczono pole pod krzywą ROC (AUC) jako ilościową miarę jego działania. Testy DeLonga () zastosowano do porównania AUC między każdą parą modeli. Gdy AUC różniło się przy a p-wartość 0.05, wydajność uznano za nieporównywalną w dwóch modelach.

Dokładność klasyfikacji

Schematyczne procedury od generowania i selekcji cech do budowy modeli klasyfikacyjnych przedstawiono na rysunku Figure1.1. Dla każdej pary z trzech grup wygenerowano modele klasyfikacji SVM, wykorzystując wybrane cechy jako predyktory. Oceniliśmy dokładność modeli klasyfikacyjnych, stosując schemat CV typu „pomiń jeden wykluczony”, tak że dokładność klasyfikacji poza próbą została obliczona dla każdej pominiętej osoby, a następnie została uśredniona dla wszystkich osób. Istotność statystyczną dokładności oszacowano stosując testy permutacyjne. Empiryczny rozkład zerowy do klasyfikacji między każdą parą z trzech grup został wygenerowany przez wielokrotne permutowanie etykiet osób i pomiar dokładności związanej z permutowanymi etykietami. Gdy dokładność zmierzona dla niedozwolonych etykiet była większa lub równa rozkładowi zerowemu w punkcie a p-wartość 0.05, która została określona jako istotnie różna od poziomu szansy (trafność = 50%). Ponadto zwizualizowano macierz zamieszania, aby opisać czułość i specyficzność w odniesieniu do rozróżnienia między każdą parą z trzech grup.

 

Zewnętrzny plik zawierający zdjęcie, ilustrację itp. Nazwa obiektu to fpsyt-09-00291-g0001.jpg

Schematyczne procedury od generowania i selekcji cech neuroanatomicznych do budowy modeli do klasyfikacji między graczami z zaburzeniami (DG) i zdrowymi nie-graczami (HN), między normalnymi graczami (NG) i HN oraz między DG i NG. GM, istota szara; WM, istota biała.

Efekt

Wybór funkcji

Postać Figure22 wyświetla wybrane funkcje spośród 108 cech wraz z ich oszacowaniami współczynników oraz tabelę Table11 opisuje powiązane informacje o dopasowaniu uregulowanego modelu regresji logistycznej dla klasyfikacji między każdą parą z trzech grup. Ponadto Ryc S1 pokazuje, która λ dała minimalny błąd CV i ile cech zostało wybranych przy λ1SE jak również w λMinBłąd. Minimalny błąd CV uzyskano przy doborze cech za pomocą lassa (waga lassa = 1) dla klasyfikacji pomiędzy zdrowymi nie-graczami i normalnymi graczami oraz siatką elastyczną (waga lassa = 0.5) dla drugiej klasyfikacji.

 

Zewnętrzny plik zawierający zdjęcie, ilustrację itp. Nazwa obiektu to fpsyt-09-00291-g0002.jpg

Wybrane cechy neuroanatomiczne w uregulowanej regresji logistycznej do klasyfikacji między każdą parą trzech grup. Zaburzeni gracze (DG) zostali zakodowani jako 1 w klasyfikacji między zdrowymi nie-graczami (HN) i DG, normalni gracze (NG) jako 1 w klasyfikacji między HN i NG, a DG jako 1 w klasyfikacji między NG i DG. Rozmiar słupka reprezentuje wielkość współczynnika odpowiedniej cechy, tak że wybrane są cechy o niezerowych współczynnikach. Renderowane mózgi przedstawiają składniki istoty szarej i istoty białej odpowiadające wybranym cechom z lepszego widoku. Cechy w kolorze czerwonym lub niebieskim oznaczają te zawarte w rzadszych cechach określonych przy λ1SE jak również w rzadkich cechach określonych przy λMinBłąd, podczas gdy te w kolorze żółtym lub magenta oznaczają te zawarte tylko w nielicznych obiektach. Etykiety składników mózgu podano w tabelach S1 i S2. L, w lewo; R., tak.

Tabela 1

Dopasowane informacje o uregulowanej regresji logistycznej do klasyfikacji między każdą parą trzech grup.

 HN kontra DGHN kontra NGNG kontra DG
ParametrGMGrubośćGrubośćobjętość
 WMFARDMD
Waga lassa0.510.5
Rzadkie funkcje wybrane w λMinBłądBłąd CV37.368141.7876133.3857
 Liczba funkcji432111
Rzadsze cechy wybrane w λ1SEBłąd CV46.568150.0435141.2622
 Liczba funkcji34121
 

Waga lassa wskazuje, czy regresję logistyczną przeprowadzono za pomocą lassa (waga lassa = 1), czy siatki elastycznej (waga lassa = 0.5).

HN, zdrowi niegrający; DG, nieuporządkowani gracze; NG, zwykli gracze; GM, istota szara; WM, istota biała; FA, ułamkowa anizotropia; RD, radialna dyfuzyjność; MD, średnia dyfuzyjność; CV, walidacja krzyżowa.

W rozróżnianiu nieuporządkowanych graczy od zdrowych nie-graczy wybrano 43 cechy w λMinBłąd obejmował grubość 24 regionów GM i FA 19 odcinków WM oraz 34 cechy wybrane przy λ1SE obejmował grubość 15 regionów GM i FA 19 obszarów WM. W odróżnieniu normalnych graczy od zdrowych nie-graczy, 21 cech wybranych w λMinBłąd obejmował grubość 12 regionów GM i RD 9 obszarów WM oraz 12 cech wybranych przy λ1SE obejmował grubość 6 regionów GM i RD 6 obszarów WM. W klasyfikacji między graczami zaburzonymi i normalnymi wybrano 11 cech przy λMinBłąd obejmował objętość 7 regionów GM i MD 4 traktów WM oraz jedną cechę wybraną w λ1SE odpowiadał objętości jednego regionu GM.

Wydajność wybranych funkcji

Pomiędzy modelem ze zmniejszoną liczbą funkcji a modelem ze wszystkimi 108 funkcjami wydajność była porównywalna pod względem AUC w rozróżnieniu między graczami każdego typu i zdrowymi nie-graczami przez SVM (ryc. (Figure3) .3). W klasyfikacji między graczami zaburzonymi i normalnymi model z cechami wybranymi albo w punkcie λMinBłąd (AUC = 0.83, p = 0.006) lub przy λ1SE (AUC = 0.72, p < 0.001) wykazało gorszą wydajność niż model ze wszystkimi 108 cechami (AUC = 0.90).

 

Zewnętrzny plik zawierający zdjęcie, ilustrację itp. Nazwa obiektu to fpsyt-09-00291-g0003.jpg

Porównanie wydajności pod względem obszaru pod krzywą charakterystyki działania odbiornika (AUC) między modelami bez iz wyborem funkcji do klasyfikacji między każdą parą trzech grup według maszyn wektorów nośnych. Model 108 cech (zaznaczony linią ciągłą) odpowiada modelowi bez selekcji cech, podczas gdy modele o zredukowanej liczbie cech odpowiadają modelom z rzadkimi i rzadkimi cechami wybranymi w λMinBłąd (oznaczone linią przerywaną) i λ1SE (oznaczone kreską-kropką), odpowiednio. HN, zdrowi niegrający; DG, nieuporządkowani gracze; NG, normalni gracze.

Dokładność klasyfikacji

W klasyfikacji według SVM przy użyciu cech wybranych w λMinBłąd, dokładność była większa niż 98%, znacznie wyższa niż poziom szansy (p < 0.001), w rozróżnieniu każdego typu graczy od zdrowych osób niegrających (Ryc. (Figure4A) .4A). Celność była nadal znacznie wyższa niż poziom szansy (p = 0.002), ale zaledwie 69.8% w klasyfikacji pomiędzy graczami z zaburzeniami i normalnymi, wykazując szczególnie niską czułość (47.4%) w prawidłowej identyfikacji graczy z zaburzeniami. Rzadsze cechy określone przy λ1SE wykazywał podobną wydajność (ryc (Figure4B) 4B), ale wykazywały znacznie niższą czułość (2.6%) w prawidłowym odróżnianiu graczy z zaburzeniami psychicznymi od graczy normalnych.

 

Zewnętrzny plik zawierający zdjęcie, ilustrację itp. Nazwa obiektu to fpsyt-09-00291-g0004.jpg

Matryce zamieszania w klasyfikacji między każdą parą trzech grup podczas używania () rzadkie i (B) rzadsze cechy określone przy λMinBłąd i przy λ1SE, odpowiednio, w maszynach wektorów nośnych. Prawa dolna komórka reprezentuje dokładność klasyfikacji (ACC), dolną lewą komórkę prawdziwie ujemną częstość (TNR) lub specyficzność, dolną środkową komórkę prawdziwie dodatnią częstość (TNR) lub czułość, prawą górną komórkę wartość predykcyjną ujemną (NPV ) i dodatnią wartość predykcyjną (PPV) w środkowej prawej komórce. TP, prawdziwie dodatni; TN, prawdziwie ujemny; FP, fałszywie dodatni; FN, fałszywie ujemny.

Dyskusja

W tym badaniu staraliśmy się zbadać, czy patologiczni i niepatologiczni gracze skategoryzowani za pomocą IGDS zaproponowanego w DSM-5 mogą być reprezentowani przez rzadkie cechy neuroanatomiczne. Zaburzeni i normalni gracze byli reprezentowani odpowiednio pod względem 43 i 21 cech w stosunku do zdrowych niegrających. Ponadto nieuporządkowani gracze byli reprezentowani pod względem 11 cech w stosunku do normalnych graczy. Korzystając z nielicznych cech neuroanatomicznych, zaburzeni i normalni gracze mogli być z powodzeniem odróżnieni od zdrowych niegrających, ale klasyfikacja między zaburzonymi i normalnymi graczami była stosunkowo trudna.

Powszechnie przyjmuje się opisową kategoryzację IGD opartą na objawach z IGDS zaproponowaną w DSM-5. Chociaż empiryczna ważność IGDS została potwierdzona w wielu krajach (, , ), próg doświadczania pięciu lub więcej pozycji IGDS może nie być ostatecznym wyborem i mogą być sugerowane inne sposoby kategoryzowania osób grających w gry internetowe (). Ponieważ wiele rodzajów danych klinicznych, takich jak dane z obrazowania mózgu, a także dane demograficzne, behawioralne i objawowe, stają się coraz bardziej dostępne, dodatkowe dane mogłyby być korzystnie wykorzystane do diagnozy choroby psychicznej. W szczególności, ze względu na ogrom informacji ilościowych, dane z obrazowania mózgu nadają się do podejść obliczeniowych i byłyby przydatne do przewidywania. Rzeczywiście, wykazano, że dane obrazowania mózgu mają lepsze wartości predykcyjne w porównaniu z innymi danymi klinicznymi w przewidywaniu rozwiązania klinicznie istotnego problemu ().

Ponieważ klasyfikacja diagnostyczna oparta na ML została ostatnio zastosowana do innych uzależniających zachowań i zaburzeń (-), kategoryzacja IGD oparta na objawach również wydaje się napotykać wyzwanie klasyfikacji opartej na obliczeniach. Ponieważ anatomiczne nieprawidłowości mózgu po IGD były wielokrotnie zgłaszane w poprzednich badaniach (-, ), rozważyliśmy takie informacje neuroanatomiczne z danych obrazowania mózgu potencjalnych biomarkerów do diagnozy IGD. W tym badaniu naszym celem było zidentyfikowanie zestawu ważnych cech neuroanatomicznych, które mogłyby zapewnić odpowiednio wysoką wydajność klasyfikacji, poza opisywaniem różnic neuroanatomicznych między klasami osób.

Spośród 108 cech neuroanatomicznych wybraliśmy ważne, dokładną regresję uregulowaną. Kiedy rozważaliśmy osiem kombinacji parametrów GM i WM, wybrano różne kombinacje parametrów w celu rozróżnienia każdej pary z trzech grup. Połączenie grubości regionów GM i integralności obszarów WM było lepsze do odróżnienia patologicznych graczy od zdrowych nie-graczy, podczas gdy połączenie objętości regionów GM i dyfuzyjności obszarów WM było lepsze do odróżnienia patologicznych graczy od niepatologicznych graczy. Co więcej, chociaż wiele elementów mózgu zwykle służyło jako cechy neuroanatomiczne, które były ważne dla odróżnienia patologicznych i niepatologicznych graczy od zdrowych niegrających, niektóre regiony GM i szlaki WM charakteryzowały niepatologicznych graczy, ale nie patologicznych graczy . Odkrycia te wskazują, że może nie istnieć uniwersalnie najlepiej działająca kombinacja parametrów GM i WM jako biomarkerów neuroanatomicznych, więc należy wybrać określoną kombinację parametrów GM i WM zgodnie z grupami, które mają być sklasyfikowane.

Mniejsza liczba nielicznych cech do rozróżnienia niepatologicznych graczy w porównaniu z rozróżnieniem patologicznych graczy od zdrowych niegraczy odzwierciedla fakt, że niepatologiczni gracze znajdują się na etapie przejściowym między patologicznymi graczami a zdrowymi graczami. nie-gracze. Ponadto mniej rzadkich cech klasyfikacji między dwoma typami graczy niż rozróżnienia między każdym typem graczy a zdrowymi niegraczami oznacza, że ​​patologiczni i niepatologiczni gracze byli mniej podobni do siebie pod względem neuroanatomii niż na to, że różnią się od zdrowych osób niebędących graczami. W związku z tym modele klasyfikacyjne wygenerowane z rzadkimi cechami dały dokładność przekraczającą 98% w rozróżnieniu między każdym typem graczy a zdrowymi nie-graczami, ale dokładność poniżej 70% w klasyfikacji między dwoma typami graczy. Oznacza to, że nie-patologiczni gracze różnili się od zdrowych nie-graczy tak samo, jak patologiczni gracze, ale istniały ograniczenia w rozróżnieniu między graczami patologicznymi i niepatologicznymi.

Ta stosunkowo niewielka rozróżnienie między dwoma typami graczy wydaje się sugerować kilka pojęć. Po pierwsze, można zaproponować rozbieżność między kategoryzacją opartą na objawach a klasyfikacją opartą na obliczeniach. Chociaż proponowany próg diagnostyczny doświadczania pięciu lub więcej kryteriów w IGDS został wybrany zachowawczo, aby zapobiec nadmiernej diagnozie IGD (), nie można lekceważyć obecności graczy cierpiących na znaczne zmiany patologiczne w neuroanatomii, ale niespełniających progu IGD. W szczególności uwzględniliśmy tylko graczy, którzy spełnili pozycje IGDS znacznie poniżej progu IGD jako normalnych graczy, więc gracze, u których zdiagnozowano IGD, mogli być generalnie dalej od zdrowych osób nie grających w gry, niż pokazano w tym badaniu. Po drugie, można zauważyć wyzwanie w klasyfikacji polegającej wyłącznie na biomarkerach neuroanatomicznych. Wydajność klasyfikacji można poprawić, włączając inne biomarkery, które mogą uchwycić większą odmienność między patologicznymi i niepatologicznymi graczami. W szczególności, ponieważ zmiany funkcjonalne w mózgu są również wykazane w IGD (-), funkcję, jak również anatomię mózgu można uznać za biomarkery mózgu. Ponadto chcemy zauważyć, że zmiany w mózgu stanowią tylko część wielowymiarowych aspektów uzależnienia od gier internetowych, więc inne czynniki, w szczególności różne wewnętrzne i zewnętrzne czynniki ryzyka uzależnienia od gier internetowych (), powinny zostać uwzględnione w pełniejszych modelach klasyfikacji graczy patologicznych i niepatologicznych, a także rozróżniania graczy od zdrowych osób nie grających w gry.

W tym przypadku zastosowaliśmy regularną regresję, używając estymatorów promujących rzadkość, takich jak lasso i siatka elastyczna, w celu zidentyfikowania ważnych cech modeli klasyfikacyjnych. W rzeczywistości istnieją różnice metodologiczne w wyborze cech lub redukcji wymiarowości, a do wykorzystania wybranych cech w konstrukcji modelu można zastosować różne podejścia (). Nasze podejście wykorzystujące regularyzowaną regresję pociąga za sobą założenie a priori dotyczące rzadkości cech neuroanatomicznych. Pod warunkiem, że takie założenie jest akceptowalne, jak wierzyliśmy w tym badaniu, regularyzowana regresja może być wiarygodnym podejściem, a wybrany zestaw rzadkich cech powinien składać się z modeli klasyfikacyjnych o odpowiednio wysokiej wydajności. Należy jednak zauważyć, że prostsze modele klasyfikacji oparte na większej rzadkości mogą nie zawsze wykazywać porównywalną lub lepszą wydajność. Rzeczywiście, wśród różnych wyborów stopnia rzadkości zgodnie z parametrem regularyzacji, większa rzadkość prawdopodobnie nie zapewniłaby modelu o lepszej wydajności, szczególnie w trudniejszych problemach klasyfikacyjnych, takich jak klasyfikacja między graczami patologicznymi i niepatologicznymi.

Ponadto wykorzystaliśmy SVM jako technikę ML do konstruowania modeli klasyfikacyjnych, ponieważ należą one do najpopularniejszych. Można zastosować inne zaawansowane metody w celu poprawy wydajności klasyfikacji, chociaż porównanie wydajności różnych metod może nie być możliwe ze względu na zależność wydajności od scenariuszy eksperymentalnych (). Z drugiej strony, w celu porównania wydajności klasycznych metod statystycznych i technik ML, przeprowadziliśmy również klasyfikację za pomocą regresji logistycznej i wykazaliśmy, że te dwie metody, a mianowicie regresja logistyczna i SVM, były porównywalne pod względem wydajności klasyfikacji (Rysunek S2). Można powtarzać, że klasyczne metody statystyczne nie zawsze są gorsze od technik ML pod względem wydajności klasyfikacji ().

W obecnym badaniu ujawniliśmy, że kategoryzację IGD opartą na objawach można przedstawić za pomocą rzadkich biomarkerów neuroanatomicznych, które składały się z modeli klasyfikacyjnych. Co więcej, wykazaliśmy, że gracze niepatologiczni mogą być mniej różni się od graczy patologicznych niż od osób zdrowych, które nie grają w gry, pod względem neuroanatomii. Sugerujemy zatem, że chociaż obecne systemy diagnostyczne opierają się na kategoryzacji opisowej, takiej jak DSM-5, jako złotych standardach, niepatologiczni gracze mogą wymagać bardziej uważnej diagnozy poprzez zastosowanie obiektywnych biomarkerów, takich jak te związane ze zmianami neuroanatomicznymi. Przyjęcie podejść obliczeniowych wydaje się być nieodwracalnym trendem w psychiatrii, ale może być długa droga do praktycznego zastosowania ich w środowiskach klinicznych. Poszukiwanie optymalnego wyboru rzadkich cech z obrazowania mózgu i innych danych klinicznych należy przeprowadzić w kolejnych badaniach, aw dłuższej perspektywie wysiłki te będą promować diagnozę IGD opartą na obliczeniach.

Autorskie Wkłady

Za koncepcję i projekt badania odpowiadali D-JK i J-WC. HC przeprowadził charakterystykę kliniczną i selekcję uczestników. CP przeanalizował dane i sporządził manuskrypt. Wszyscy autorzy dokonali krytycznej oceny treści i zatwierdzili ostateczną wersję do publikacji.

Oświadczenie o konflikcie interesów

Autorzy oświadczają, że badanie zostało przeprowadzone przy braku jakichkolwiek powiązań handlowych lub finansowych, które mogłyby być interpretowane jako potencjalny konflikt interesów.

Przypisy

 

Finansowanie. Badania te były wspierane przez Program Badań nad Nauką o Mózgu za pośrednictwem Koreańskiej Narodowej Fundacji Badawczej (NRF) finansowanej przez Ministerstwo Nauki i ICT w Korei (NRF-2014M3C7A1062893).

 

 

Materiał uzupełniający

Dodatkowe materiały do ​​tego artykułu można znaleźć w Internecie pod adresem: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material

Referencje

1. Młody K.S. Uzależnienie od Internetu: pojawienie się nowego zaburzenia klinicznego. Zachowanie CyberPsychol. (1998) 1:237–44. 10.1089/cpb.1998.1.237 [Cross Ref]
2. Diagnostyczny i statystyczny podręcznik zaburzeń psychicznych Amerykańskiego Towarzystwa Psychiatrycznego, wydanie 5. Waszyngton, DC: Wydawnictwo Amerykańskiego Towarzystwa Psychiatrycznego; (2013).
3. Ko CH, Yen JY, Chen SH, Wang PW, Chen CS, Yen CF. Ocena kryteriów diagnostycznych zaburzeń gier internetowych w DSM-5 wśród młodych dorosłych na Tajwanie. J Psychiatr Res. (2014) 53: 103–10. 10.1016/j.jpsychires.2014.02.008 [PubMed] [Cross Ref]
4. Ko CH, Hsieh TJ, Wang PW, Lin WC, Yen CF, Chen CS i in. . Zmieniona gęstość istoty szarej i zakłócona funkcjonalna łączność ciała migdałowatego u dorosłych z zaburzeniami gier internetowych. Prog Neuropsychopharmacol Biol Psychiatry (2015) 57:185–92. 10.1016/j.pnpbp.2014.11.003 [PubMed] [Cross Ref]
5. Lin X, Dong G, Wang Q, Du X. Nieprawidłowa objętość istoty szarej i istoty białej u „uzależnionych od gier internetowych”. Zachowanie uzależnionego. (2015) 40: 137–143. 10.1016/j.addbeh.2014.09.010 [PubMed] [Cross Ref]
6. Wang H, Jin C, Yuan K, Shakir TM, Mao C, Niu X i in. . Zmiana objętości istoty szarej i kontroli poznawczej u nastolatków z zaburzeniami gier internetowych. Front Behav Neurosci. (2015) 9:64. 10.3389/fnbeh.2015.00064 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
7. Yuan K, Cheng P, Dong T, Bi Y, Xing L, Yu D i in. . Nieprawidłowości grubości korowej w późnym okresie dojrzewania z uzależnieniem od gier online. PloS ONE (2013) 8:e53055. 10.1371/journal.pone.0053055 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
8. Dong G, Devito E, Huang J, Du X. Obrazowanie tensora dyfuzji ujawnia nieprawidłowości wzgórza i tylnej kory zakrętu obręczy u osób uzależnionych od gier internetowych. J Psychiatr Res. (2012) 46:1212-6. 10.1016/j.jpsychires.2012.05.015 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
9. Xing L, Yuan K, Bi Y, Yin J, Cai C, Feng D i in. . Zmniejszona integralność włókien i kontrola poznawcza u nastolatków z zaburzeniami gier internetowych. Mózg Res. (2014) 1586: 109–17. 10.1016/j.brainres.2014.08.044 [PubMed] [Cross Ref]
10. Besson P, Dinkelacker V, Valabregue R, Thivard L, Leclerc X, Baulac M, et al. . Strukturalne różnice w łączności w padaczce lewego i prawego płata skroniowego. Neuroobraz (2014) 100: 135–44. 10.1016/j.neuroimage.2014.04.071 [PubMed] [Cross Ref]
11. Huys QJ, Maia TV, Frank MJ. Psychiatria obliczeniowa jako pomost od neuronauki do zastosowań klinicznych. Nat Neurosci. (2016) 19: 404–13. 10.1038/nn.4238 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
12. Lemmens JS, Valkenburg PM, Gentile DA. Skala zaburzeń w grach internetowych. Ocena psychotyczna. (2015) 27: 567–82. 10.1037/pas0000062 [PubMed] [Cross Ref]
13. Dahnke R, Yotter RA, Gaser C. Grubość warstwy korowej i ocena powierzchni centralnej. Neuroobraz (2013) 65:336–48. 10.1016/j.neuroimage.2012.09.050 [PubMed] [Cross Ref]
14. Smith SM, Jenkinson M, Johansen-Berg H, Rueckert D, Nichols TE, Mackay CE i in. . Statystyka przestrzenna oparta na traktach: analiza wokselowa danych dotyczących dyfuzji wielu podmiotów. Neuroobraz (2006) 31:1487–505. 10.1016/j.neuroimage.2006.02.024 [PubMed] [Cross Ref]
15. Hammers A, Allom R, Koepp MJ, Free SL, Myers R, Lemieux L, et al. . Trójwymiarowy atlas maksymalnego prawdopodobieństwa ludzkiego mózgu, ze szczególnym uwzględnieniem płata skroniowego. Mapa mózgu Hum. (2003) 19:224-47. 10.1002/hbm.10123 [PubMed] [Cross Ref]
16. Mori S, Oishi K, Jiang H, Jiang L, Li X, Akhter K i in. . Stereotaktyczny atlas istoty białej oparty na obrazowaniu tensora dyfuzji w szablonie międzykontynentalnej rakiety balistycznej. Neuroobraz (2008) 40:570–82. 10.1016/j.neuroimage.2007.12.035 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
17. Tibshirani R. Kurczenie regresji i selekcja za pomocą lassa. J Roy Stat Soc Ser B (1996) 58:267–88.
18. Zou H, Hastie T. Regularyzacja i selekcja zmiennych za pomocą elastycznej sieci. J Roy Stat Soc Ser B (2005) 67: 301–20. 10.1111/j.1467-9868.2005.00503.x [Cross Ref]
19. Theodoridis S. Uczenie maszynowe: perspektywa bayesowska i optymalizacyjna. Londyn: prasa akademicka; (2015).
20. Delong ER, Delong DM, Clarke-Pearson DL. Porównanie obszarów pod dwiema lub więcej skorelowanymi charakterystykami pracy odbiornika: podejście nieparametryczne. Biometria (1988) 44: 837–45. 10.2307/2531595 [PubMed] [Cross Ref]
21. Cho SH, Kwon JH. Walidacja koreańskiej wersji Internet Gaming Disorder Scale (K-IGDS): ustalenia z próby społeczności dorosłych. Koreański psychol J Clin. (2017) 36: 104–17. 10.15842/kjcp.2017.36.1.010 [Cross Ref]
22. Sigerson L, Li AYL, Cheung MWL, Luk JW, Cheng C. Właściwości psychometryczne chińskiej skali zaburzeń gier internetowych. Zachowanie uzależnionego. (2017) 74: 20–6. 10.1016/j.addbeh.2017.05.031 [PubMed] [Cross Ref]
23. Burke Quinlan E, Dodakian L, patrz J, Mckenzie A, Le V, Wojnowicz M, et al. . Funkcja nerwowa, uraz i podtyp udaru przewidują korzyści z leczenia po udarze. Anna Neurol. (2015) 77: 132–45. 10.1002/ana.24309 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
24. Pariyadath V, Stein EA, Ross TJ. Klasyfikacja uczenia maszynowego połączeń funkcjonalnych w stanie spoczynku przewiduje stan palenia. Front Hum Neurosci. (2014) 8:425. 10.3389/fnhum.2014.00425 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
25. Fedota JR, Stein EA. Funkcjonalna łączność w stanie spoczynku i uzależnienie od nikotyny: perspektywy rozwoju biomarkerów. Ann NY Acad Sci. (2015) 1349: 64–82. 10.1111/nyas.12882 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
26. Ahn WY, Ramesh D, Moeller FG, Vassileva J. Użyteczność podejścia do uczenia maszynowego do identyfikacji markerów behawioralnych dla zaburzeń związanych z używaniem substancji: wymiary impulsywności jako predyktory obecnego uzależnienia od kokainy. Psychiatria przednia (2016) 7:34. 10.3389/fpsyt.2016.00034 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
27. Ahn WY, Vassileva J. Uczenie maszynowe identyfikuje specyficzne dla substancji markery behawioralne uzależnienia od opiatów i stymulantów. Narkotyk Alkohol Uzależniony. (2016) 161: 247–57. 10.1016/j.drugalcdep.2016.02.008 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
28. Percy C, França M, Dragičević S, D'avila Garcez A. Przewidywanie samowykluczenia hazardu online: analiza wydajności nadzorowanych modeli uczenia maszynowego. Stadnina Int Gambl. (2016) 16: 193–210. 10.1080/14459795.2016.1151913 [Cross Ref]
29. Ding WN, Sun JH, Sun YW, Zhou Y, Li L, Xu JR i in. . Zmieniona domyślna łączność funkcjonalna w stanie spoczynku u nastolatków z uzależnieniem od gier internetowych. PloS ONE (2013) 8:e59902. 10.1371/journal.pone.0059902 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
30. Meng Y, Deng W, Wang H, Guo W, Li T. Dysfunkcja przedczołowa u osób z internetowym zaburzeniem gry: metaanaliza badań funkcjonalnego rezonansu magnetycznego. Addict Biol. (2015) 20: 799 – 808. 10.1111 / adb.12154 [PubMed] [Cross Ref]
31. Zhang JT, Yao YW, Li CSR, Zang YF, Shen ZJ, Liu L i in. . Zmieniona łączność funkcjonalna wyspy w stanie spoczynku u młodych dorosłych z zaburzeniami gier internetowych. Uzależniony Biol. (2015) 21: 743–51. 10.1111/adb.12247 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
32. Cai C, Yuan K, Yin J, Feng D, Bi Y, Li Y i in. . Morfometria prążkowia jest związana z deficytami kontroli poznawczej i nasileniem objawów w zaburzeniach gier internetowych. Zachowanie obrazowania mózgu. (2016) 10:12–20. 10.1007/s11682-015-9358-8 [PubMed] [Cross Ref]
33. Park C, Chun JW, Cho H, Jung YC, Choi J, Kim DJ. Czy mózg uzależniony od gier internetowych jest bliski stanu patologicznego? Uzależniony Biol. (2017) 22: 196–205. 10.1111/adb.12282 [PubMed] [Cross Ref]
34. Kuss DJ, Griffiths MD. Uzależnienie od gier internetowych: systematyczny przegląd badań empirycznych. Int J Uzależniony od zdrowia psychicznego. (2012) 10:278–96. 10.1007/s11469-011-9318-5 [Cross Ref]
35. Castellanos FX, Di Martino A, Craddock RC, Mehta AD, Milham MP. Zastosowania kliniczne funkcjonalnego konektomu. Neuroobraz (2013) 80:527–40. 10.1016/j.neuroimage.2013.04.083 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
36. Tollenaar N, Van Der Heijden P. Która metoda najlepiej przewiduje recydywę?: porównanie modeli predykcyjnych statystycznych, uczenia maszynowego i eksploracji danych. J Roy Stat Soc Ser A (2013) 176: 565–84. 10.1111/j.1467-985X.2012.01056.x [Cross Ref]