Передняя психиатрии, 2018; 9: 291.
Опубликован онлайн 2018 Jun 29. DOI: 10.3389 / fpsyt.2018.00291
PMCID: PMC6033968
PMID: 30008681
Парк Чан Хюн,1 Цзи-Вон Чунь,1 Хен Чо,1,2 и Дай-Цзинь Ким1,*
Абстрактные
Расстройство интернет-игр (IGD) часто диагностируется на основе девяти основных критериев из последней версии Диагностического и статистического руководства по психическим расстройствам (DSM-5). Здесь мы рассмотрели, может ли такая классификация на основе симптомов быть переведена в классификацию на основе вычислений. Структурные MRI (sMRI) и данные с магнитно-резонансной диффузией (dMRI) были получены у геймеров 38 с диагнозом нормальных геймеров IGD, 68 с диагнозом IGD и здоровых не-геймеров 37. Мы генерировали 108 особенности структуры серого вещества (GM) и белого вещества (WM) из данных MRI. Когда регуляризованная логистическая регрессия применялась к нейроанатомическим признакам 108 для выбора важных для различия между группами, неупорядоченные и нормальные геймеры были представлены в терминах функций 43 и 21 соответственно по отношению к здоровым не-геймерам, тогда как неупорядоченные геймеры были представлены в терминах функций 11 по отношению к обычным игрокам. В поддерживающих векторных машинах (SVM) с использованием разреженных нейроанатомических функций в качестве предикторов неупорядоченные и нормальные геймеры были успешно распознаны с точностью, превышающей 98%, от здоровых не-геймеров, но классификация между неупорядоченными и нормальными геймерами была относительно сложной. Эти данные свидетельствуют о том, что патологические и непатологические геймеры, классифицированные по критериям из DSM-5, могут быть представлены разреженными нейроанатомическими признаками, особенно в контексте дискриминации тех, кто не является игровыми здоровыми людьми.
Введение
Хотя это было предложено как патологическая зависимость на протяжении десятилетий (1), только недавно расстройство интернет-игр (IGD) было включено в Диагностическое и статистическое руководство по психическим расстройствам (DSM). Пятое издание DSM (DSM-5) (2) определили IGD как условие для дальнейшего изучения и предоставили девять критериев для его диагностики. В категориальной классификации, использующей шкалу IGD с девятью пунктами (IGDS), предложенную в DSM-5, для диагностики IGD был применен порог пяти или более критериев. Хотя эта точка зрения может адекватно дифференцировать геймеров, страдающих значительным клиническим нарушением (3), дихотомический характер элементов IGDS неизбежно связан с диагностическим упрощением или неопределенностью.
Помимо симптомов, обычно наблюдаются различные связанные с IGD дисфункции, не в последнюю очередь нейроанатомические изменения. Действительно, значительный объем работы показал, что IGD связан со структурными изменениями в мозге: усадка объема серого вещества (GM) (4–6), уменьшение толщины коры (7) и потери целостности белого вещества (WM) (8, 9), как правило, демонстрируют. Эти нейроанатомические изменения, связанные с ИГД, предполагают, что такие параметры визуализации мозга могут служить биомаркерами, чтобы отличать людей с ИГД от других людей. То есть диагноз ИГД может быть сделан путем компьютерного манипулирования нейроанатомическими биомаркерами, а не посредством категориальной категоризации, основанной на DSM-5. Эти попытки могут быть связаны с попытками выйти за пределы описательного диагноза, используя вычислительные подходы к психиатрии (10), в частности основанные на данных подходы, основанные на компьютерном обучении (ML) для решения диагноза психических заболеваний (11).
В этом исследовании мы искали связь между категориальной категоризацией на основе IGDS и классифицированием на основе вычислений с использованием нейроанатомических биомаркеров в диагностике IGD. Поскольку некоторые GM и WM-компоненты головного мозга, вероятно, будут включать избыточную или нерелевантную информацию для диагностической классификации, мы стремились выбрать редкие нейроанатомические функции, применяя регуляризованную регрессию. Мы предположили, что классификация на основе симптомов может быть представлена с точки зрения редких нейроанатомических признаков, которые будут составлять классификационные модели для диагностики ИГД. Патологические геймеры с диагнозом IGD считались более похожими на неигровых здоровых людей, чем у геймеров, у которых был диагностирован не имеющий IGD, то есть непатологические геймеры; таким образом, патологические геймеры могут характеризоваться большим количеством признаков по сравнению с непатологическими геймерами по отношению к неиграющим здоровым людям. Кроме того, мы хотели решить, могут ли непатологические геймеры быть менее различимыми от патологических геймеров или от не-игровых здоровых людей. Непатологические геймеры могут смутно считаться близкими к здоровым людям, не связанным с игрой, с точки зрения описательных симптомов, но мы думали, что такое понятие должно быть подтверждено с помощью классификации на основе вычислений.
Материалы и методы
Участниками
Среди участников 237, играющих в интернет-игры, люди 106 были отобраны, исключив тех, кто продемонстрировал несоответствие между сообщенными IGDS и структурированным интервью с клиническим психологом в диагнозе IGD или пропустил или сильно исказил данные визуализации мозга. На основе IGDS индивидуумы 38 (27.66 ± 5.61 лет, женщины 13), которые удовлетворили по меньшей мере пять предметов IGDS, были помечены неупорядоченными геймерами, а люди с 68 (27.96 ± 6.41 лет, женщины 21), которые удовлетворяли не более одного предмета IGDS, были помечены нормальные геймеры. Лица, которые удовлетворяли требованиям IGDS между двумя и четырьмя, также были исключены, поскольку они могут быть распознаны как еще один класс между неупорядоченными и нормальными игроками (12). Кроме того, 37 человек (25.86 ± 4.10 года; 13 женщин), не играющих в Интернет-игры, были отобраны отдельно, и они были отмечены как здоровые не-геймеры. Подтверждено отсутствие сопутствующих заболеваний у всех участников. Письменное информированное согласие было получено от всех участников в соответствии с Хельсинкской декларацией и более поздними поправками к ней, и исследование было одобрено институциональным наблюдательным советом при больнице Святой Марии в Сеуле, Сеул, Корея.
Приобретение данных МРТ
Структурные MRI (sMRI) и данные, полученные с помощью диффузионно-взвешенной МРТ (dMRI), были собраны с использованием системы 3 T MAGNETOM Verio (Siemens AG, Erlangen, Germany). Получение данных sMRI проводилось с использованием подготовленной намагниченностью последовательности быстрого эхо-градиента: количество срезов в сагиттальной плоскости = 176, толщина среза = 1 мм, размер матрицы = 256 × 256 и разрешение в плоскости = 1 × 1 мм , Для получения данных dMRI кодирование градиента диффузии выполнялось в направлениях 30 с b = 1,000 с / мм2 и была использована однократная эхо-планарная последовательность изображений: количество срезов в осевой плоскости = 75, толщина среза = 2 мм, размер матрицы = 114 × 114 и разрешение в плоскости = 2 × 2 мм.
Обработка данных МРТ
Инструменты, включенные в CAT12 (http://www.neuro.uni-jena.de/cat/) были использованы для обработки данных sMRI. Объемное изображение мозга разделялось на различные ткани, включая GM, WM и кортикоспальную жидкость, а также пространственно регистрировалось в контрольном мозге в стандартном пространстве. В морфометре на основе воксела (VBM) объем вокселей GM оценивался путем умножения вероятности быть GM по объему воксела, а затем эти значения были разделены на общий объем внутричерепного объема для корректировки индивидуальных различий в объеме головы. В поверхностной морфометрии (SBM) толщина коры была оценена с использованием метода толщины на основе проекции (13).
Обработка данных dMRI
Инструменты, включенные в FSL 5.0 (http://fsl.fmrib.ox.ac.uk/fsl/) были использованы для обработки данных dMRI. Все изображения были сведены к нулевому изображению, полученному с помощью b = 0 с / мм2 для коррекции искажений вихревых токов и движения головы. Тензор диффузии был смоделирован на каждом вокселе в головном мозге, и были получены расчетные параметры тензора диффузии, включая фракционную анизотропию (FA), среднюю диффузию (MD), осевую диффузию (AD) и радиальную диффузию (RD); учитывая три диффузии вдоль разных осей тензора диффузии, FA был рассчитан как квадратный корень из суммы квадратов разностей диффузии между тремя осями MD как средняя диффузия по трем осям AD как наибольшая диффузия вдоль главной оси , RD - среднее значение диффузии вдоль двух второстепенных осей. Использование пространственной статистики на основе трактов (TBSS) (14), реализованные в FSL 5.0, карты параметров, полученных из тензора диффузии, были пространственно зарегистрированы в контрольном мозге в стандартном пространстве, и затем они проецировались на скелет WM-тракта.
Генерация функций
Двумя основными шагами для разработки модели классификации являются создание и выбор функций. Мы создали особенности нейроанатомии, в частности объем и толщину набора областей GM, а также целостность и коэффициент диффузии набора трактов WM. После оценки объема GM и толщины коры в виде воксельных карт, полученных из VBM и SBM, соответственно, параметры оценивались для каждой из областей 60 GM (таблица S1), parcellated, как в атласе Hammers (15), как среднее значение по всем вокселам внутри него. Оценив параметры тензора диффузии, включая FA, MD, AD и RD, как карты вокселей на скелете WM-тракта, полученные из TBSS, параметры были рассчитаны для каждого из трактов 48 WM (Таблица S2), parcellated, как в атласе DTI-81 ICBM (16), как среднее значение по всем вокселам внутри него. В итоге мы рассмотрели два параметра GM и четыре параметра WM, которые дали восемь комбинаций параметров GM и WM. Для каждой комбинации параметров GM и WM значения параметров 60 GM-областей и 48 WM-трактов составляли в общей сложности нейроанатомические функции 108.
Выбор функции регуляризованной регрессией
Важное значение имеет сокращение количества функций, особенно для данных с большим количеством функций и ограниченным количеством наблюдений. Ограниченное количество наблюдений в связи с количеством функций может привести к переосмыслению шума, а регуляризация - это метод, который позволяет уменьшить или предотвратить переобучение путем введения дополнительной информации или ограничений для модели. Поскольку все функции 108 могут не содержать полезной и необходимой информации для классификации, мы выбрали разреженный набор функций, применяя регуляризованную регрессию. В частности, лассо (17) и эластичной сеткой (18) были использованы для регуляризованной логистической регрессии. Лассо включает в себя штрафный член или параметр регуляризации λ, который ограничивает размер оценок коэффициентов в модели логистической регрессии. Поскольку увеличение λ приводит к большему количеству нулевых коэффициентов, лассо обеспечивает уменьшенную модель логистической регрессии с меньшим числом предикторов. Эластичная сетка также создает уменьшенную модель логистической регрессии, устанавливая коэффициенты до нуля, особенно путем включения параметра гибридной регуляризации регрессии лассо и гребня, преодолевая ограничение лассо при обработке высококоррелированных предикторов (19).
Для классификации между каждой парой трех групп мы применили лассо и эластичную сеть для определения важных предикторов среди нейроанатомических признаков 108 в модели логистической регрессии. Особенности 108 всех лиц в каждой паре из трех групп были стандартизированы для составления матрицы данных, A, в котором каждая строка представляет одно наблюдение, а каждый столбец представляет один предиктор. Чтобы исправить влияние возраста и пола людей на параметры GM и WM, формируется матрица остатков, R, было создано: R = I–C(CTC)-1C в котором I была тождественной матрицей и C было матричным кодированием, смешивающим ковариаты возраста и пола. Затем оно было применено к A для получения остатков после регрессии смешающих ковариатов: X = RA.
Учитывая скорректированную матрицу данных, X, и ответ, Y, который закодировал два класса индивидуумов, 10-кратная перекрестная проверка (CV) была использована для поиска параметра регуляризации, λMinErr, который обеспечивал минимальную ошибку с точки зрения отклонения, определяемую как отрицательный лог-правдоподобие для тестируемой модели, усредненной по складкам сложения. Альтернативно, поскольку кривая CV имеет ошибки при каждом тестируемом λ, параметр регуляризации λ1SE, который был найден в пределах одной стандартной ошибки минимальной ошибки CV в направлении увеличения регуляризации от λMinErr также было рассмотрено. То есть, более редкие функции были выбраны при λ1SE, тогда как разреженные особенности были определены при λMinErr, Эта процедура поиска регуляризованной модели логистической регрессии с меньшим числом предикторов была повторена для каждой комбинации параметров GM и WM, содержащих нейроанатомические признаки 108.
Производительность выбранных функций
Для оценки полезности разреженных и редких характеристик производительность сравнивалась с моделью с уменьшенным числом функций и моделью со всеми функциями 108 в векторных машинах поддержки (SVM) путем измерения кривой рабочей характеристики приемника (ROC). С линейным ядром как функцией ядра и гиперпараметрами, оптимизированными с помощью пятикратного CV, SVM обучался для всех людей в каждой паре из трех групп. Площадь под кривой ROC (AUC) была рассчитана для каждой модели как количественная мера ее эффективности. Тесты DeLong (20) использовались для сравнения AUC между каждой парой моделей. Когда AUC отличалась на p-значение 0.05, производительность считалась не сравнимой в двух моделях.
Точность классификации
Схематические процедуры от генерации и выбора функций до построения классификационных моделей представлены на рисунке Figure1.1, Для каждой пары из трех групп модели классификации SVM генерировались с использованием выбранных функций в качестве предикторов. Мы оценили точность классификационных моделей, используя схему CV для исключения, так что для каждого отдельного индивидуума была рассчитана точность классификации вне образца, а затем она была усреднена для всех лиц. Статистическую значимость точности оценивали с использованием тестов перестановки. Эмпирическое распределение нулей для классификации между каждой парой трех групп было создано путем многократной перестановки ярлыков индивидуумов и измерения точности, связанной с перестановочными метками. Когда точность, измеренная для непечатанных меток, была выше или равна нулевому распределению при p-значение 0.05, которое было определено как существенно отличающееся от случайного уровня (точность = 50%). Кроме того, визуализировалась матрица путаницы для описания чувствительности и специфичности различий между каждой парой трех групп.
Схематические процедуры от генерации и выбора нейроанатомических особенностей до построения моделей для классификации между неупорядоченными геймерами (DG) и здоровыми не-геймерами (HN), между нормальными геймерами (NG) и HN, а также между DG и NG. ГМ, серое вещество; WM, белый цвет.
Итоги
Выбор функции
фигура Figure22 отображает выбранные функции среди функций 108 с их оценками коэффициентов, а таблица Table11 описывает соответствующую информацию о подгонке регуляризованной модели логистической регрессии для классификации между каждой парой трех групп. Кроме того, S1 показывает, какой λ дал минимальную ошибку CV и сколько функций было выбрано при λ1SE а также при λMinErr, Минимальная ошибка CV была получена при выборе функции лассо (lasso weight = 1) для классификации между здоровыми не-геймерами и нормальными геймерами и эластичной сеткой (lasso weight = 0.5) для другой классификации.
Выбранные нейроанатомические особенности в регуляризованной логистической регрессии для классификации между каждой парой из трех групп. Неупорядоченные игроки (DG) были закодированы как 1 в классификации между здоровыми не-геймерами (HN) и DG, нормальные игроки (NG) как 1 в классификации между HN и NG, и DG как 1 в классификации между NG и DG. Размер полосы представляет размер соответствующего коэффициента признака, так что признаки с ненулевыми коэффициентами выбираются. Отрендеренные мозги отображают компоненты серого и белого вещества, соответствующие выбранным функциям с улучшенного обзора. Элементы, отмеченные красным или синим цветом, указывают на те, которые включены в более редкие элементы, определенные на λ1SE а также в разреженных функциях, определенных при λMinErr, тогда как желтые или пурпурные указывают, что они включены только в редкие признаки. Этикетки компонентов мозга приведены в таблицах S1 и S2, L, слева; R, справа.
Таблица 1
Информация о сборе регуляризованной логистической регрессии для классификации между каждой парой из трех групп.
| HN против DG | HN против NG | NG против DG | ||
|---|---|---|---|---|
| Параметр | GM | Толщина | Толщина | Объём |
| WM | FA | RD | MD | |
| Вес лассо | 0.5 | 1 | 0.5 | |
| Разреженные функции, выбранные при λMinErr | Ошибка CV | 37.3681 | 41.7876 | 133.3857 |
| Количество функций | 43 | 21 | 11 | |
| Выброшенные функции, выбранные при λ1SE | Ошибка CV | 46.5681 | 50.0435 | 141.2622 |
| Количество функций | 34 | 12 | 1 | |
Вес лассо указывает, была ли проведена регуляризированная логистическая регрессия с использованием лассо (lasso weight = 1) или эластичной сетки (lasso weight = 0.5).
HN, здоровые не-геймеры; DG, неупорядоченные геймеры; NG, обычные геймеры; ГМ, серое вещество; WM, белый цвет; FA, дробная анизотропия; RD, радиальная диффузия; MD, средняя диффузия; CV, перекрестная проверка.
При дискриминации неупорядоченных игроков от здоровых не-геймеров функции 43, выбранные при λMinErr включала толщину областей 24 GM и FA трактов 19 WM, а функции 34, выбранные при λ1SE включала толщину областей 15 GM и FA трактов 19 WM. В отличие от обычных геймеров от здоровых не-геймеров, функции 21, выбранные при λMinErr включала толщину областей 12 GM и RD 9 WM-трактов, а функции 12, выбранные при λ1SE включала толщину областей 6 GM и RD трактов 6 WM. В классификации между неупорядоченными и нормальными игроками функции 11, выбранные при λMinErr состоял из объема областей 7 GM и MD трактов 4 WM, а одна функция, выбранная при λ1SE соответствует объему одного региона ГМ.
Производительность выбранных функций
Между моделью с уменьшенным числом функций и моделью со всеми функциями 108 производительность была сопоставима с точки зрения AUC в дискриминации между каждым типом геймеров и здоровыми не-игроками с помощью SVM (рис. (Figure3) .3). В классификации между неупорядоченными и нормальными геймерами модель с функциями, выбранными либо на λMinErr (AUC = 0.83, p = 0.006) или при λ1SE (AUC = 0.72, p <0.001) показала худшую производительность, чем модель со всеми 108 функциями (AUC = 0.90).
Сравнение производительности по площади под рабочей характеристической кривой приемника (AUC) между моделями без и с выбором функции для классификации между каждой парой трех групп с помощью векторных машин поддержки. Модель функций 108 (обозначенная сплошной линией) соответствует отсутствию выбора функции, тогда как модели с уменьшенным числом признаков соответствуют тем, у которых есть разреженные и более редкие функции, выбранные при λMinErr (обозначается пунктирной линией) и λ1SE (обозначается штрих-пунктирной линией) соответственно. HN, здоровые не-геймеры; DG, неупорядоченные геймеры; NG, обычные геймеры.
Точность классификации
В классификации по SVM с использованием функций, выбранных при λMinErr, точность была больше 98%, значительно выше, чем вероятность (p <0.001), в отличие от каждого типа игроков от здоровых не-геймеров (рис. (Figure4A) .4A). Точность была все же значительно выше, чем вероятность (p = 0.002), но как 69.8% в классификации между неупорядоченными и нормальными геймерами, особенно демонстрируя низкую чувствительность (47.4%) при правильной идентификации неупорядоченных геймеров. Более редкие характеристики, определенные при λ1SE показала аналогичную производительность (рисунок (Figure4B) 4B), но показал гораздо меньшую чувствительность (2.6%) в правильном разграничении неупорядоченных игроков от обычных игроков.
Замешающие матрицы в классификации между каждой парой трех групп при использовании (A) редкий и (B) более редкие характеристики, определенные при λMinErr и при λ1SE, соответственно, в машинах с поддержкой векторов. Нижняя правая ячейка представляет собой точность классификации (ACC), истинную отрицательную скорость (TNR) нижнего левого элемента (TNR) или специфичность, истинную положительную скорость ячейки (TNR) или чувствительность нижней границы клетки, отрицательное прогностическое значение верхней правой ячейки (NPV ), и положительное прогностическое значение средней правой ячейки (PPV). TP, истинный положительный; TN, истинный отрицательный; FP, ложноположительный; FN, ложный отрицательный.
Обсуждение
В этом исследовании мы попытались выяснить, могут ли патологические и непатологические геймеры, классифицированные с IGDS, предложенные в DSM-5, быть представлены разреженными нейроанатомическими признаками. Неупорядоченные и нормальные геймеры были представлены в терминах функций 43 и 21, соответственно, в отношении здоровых не-геймеров. Кроме того, неупорядоченные геймеры были представлены в терминах функций 11 по отношению к обычным игрокам. Используя редкие нейроанатомические особенности, неупорядоченные и нормальные геймеры могли быть успешно распознаны у здоровых не-геймеров, но классификация между неупорядоченными и нормальными геймерами была относительно сложной.
Широко распространена описательная классификация IGD на основе симптомов с IGDS, предложенная в DSM-5. Хотя эмпирическая достоверность IGDS была подтверждена во многих странах (3, 21, 22), пороговое значение для тестирования пяти или более элементов IGDS не может быть определенным выбором, и могут быть предложены другие способы категоризации лиц, играющих в интернет-игры (12). Поскольку многочисленные типы клинических данных, такие как данные визуализации мозга, а также демографические, поведенческие и симптоматические данные, становятся все более доступными, дополнительные данные могут быть предпочтительно использованы для диагностики психических заболеваний. В частности, из-за массивности количественной информации данные визуализации мозга подходят для вычислительных подходов и будут полезны для прогнозирования. Действительно, данные визуализации мозга, как было показано, имеют превосходные прогностические значения по сравнению с другими клиническими данными в прогнозировании для решения клинически значимой проблемы (23).
Поскольку диагностическая классификация на основе ML была недавно применена к другим зависимым поведением и нарушениям (24–28), основанная на симптомах категоризация IGD также, похоже, сталкивается с проблемой классификации на основе вычислений. Поскольку анатомические аномалии головного мозга после IGD неоднократно сообщались в предыдущих исследованиях (5–7, 9), мы рассмотрели такую нейроанатомическую информацию из потенциальных биомаркеров данных визуализации мозга для диагностики ИГД. В этом исследовании наша цель состояла в том, чтобы определить набор важных нейроанатомических признаков, которые могли бы обеспечить адекватно высокую эффективность классификации, помимо описания нейроанатомических различий между классами индивидуумов.
Мы выбрали важные, среди нейроанатомических функций 108, тщательную регуляризованную регрессию. Когда мы рассмотрели восемь комбинаций параметров GM и WM, были выбраны различные комбинации параметров для различения каждой пары из трех групп. Сочетание толщины областей GM и целостности трактов WM лучше было отличить патологических геймеров от здоровых не-геймеров, тогда как комбинация объема областей GM и диффузионности трактов WM лучше было отличить патологических геймеров от непатологических геймеров. Кроме того, хотя многие компоненты головного мозга обычно служили нейроанатомическими особенностями, которые были важны для различия патологических и непатологических геймеров у здоровых не-геймеров, некоторые регионы GM и WM-тракты характеризовали непатологических геймеров, но не патологических геймеров , Эти данные показывают, что не может быть универсально наилучшей комбинацией параметров GM и WM в качестве нейроанатомических биомаркеров, так что конкретная комбинация параметров GM и WM должна быть выбрана в соответствии с классифицируемыми группами.
Меньшее количество редких особенностей для различия непатологических геймеров по сравнению с различием патологических геймеров от здоровых не-геймеров отражает, что непатологические геймеры находятся на переходной стадии между патологическими геймерами и здоровыми не-геймеров. Кроме того, чем меньше разреженных функций для классификации между двумя типами геймеров, чем для дискриминации между каждым типом геймеров и здоровыми не-игроками, это означает, что патологические и непатологические геймеры были менее похожи друг на друга в терминах нейроанатомии, чем для них, отличающихся от здоровых не-геймеров. Соответственно, модели классификации, созданные с использованием редких признаков, дали точность, превышающую 98%, в дискриминации между каждым типом геймеров и здоровыми не-геймерами, но точность ниже 70% в классификации между двумя типами геймеров. То есть, непатологические геймеры отличались от здоровых не-геймеров, а также были патологическими геймерами, но были различия в различии между патологическими и непатологическими геймерами.
Эта относительно низкая различимость между двумя типами геймеров, кажется, предлагает несколько понятий. Во-первых, может быть предложено несоответствие между категориальной категоризацией и классифицированием на основе вычислений. Хотя предлагаемый диагностический порог для тестирования пяти или более критериев в IGDS был консервативно выбран для предотвращения чрезмерной диагностики IGD (12), присутствие геймеров, страдающих значительными патологическими изменениями в нейроанатомии, но не удовлетворяющих порогу IGD, не может быть проигнорировано. В частности, мы использовали только игроков, которые удовлетворяли требованиям IGDS намного ниже, чем порог IGD, как обычные игроки, так что геймеры, у которых диагноз не был IGD, могли быть в целом более удалены от здоровых людей, не связанных с игрой, чем показано в этом исследовании. Во-вторых, может быть отмечена проблема классификации, основанная только на нейроанатомических биомаркерах. Эффективность классификации может быть улучшена за счет включения других биомаркеров, которые могут захватывать большую несходство между патологическими и непатологическими геймерами. В частности, поскольку функциональные изменения в головном мозге также продемонстрированы в ИГД (29–33), функцию, а также анатомию головного мозга можно рассматривать как биомаркеры мозга. Кроме того, мы хотим отметить, что изменения в мозге составляют лишь часть многогранных аспектов интернет-игровой зависимости, так что другие факторы, не в последнюю очередь различные внутренние и внешние факторы риска для интернет-игровой зависимости (34), должны быть включены в более полные модели классификации между патологическими и непатологическими геймерами, а также различие геймеров от неигровых здоровых людей.
Здесь мы использовали регуляризованную регрессию, используя оценки, способствующие разрешению споров, такие как лассо и эластичная сеть, для определения важных характеристик для моделей классификации. Существуют фактически методологические вариации в выборе функций или уменьшении размерности, и для использования выбранных функций в построении модели может использоваться множество подходов (например,35). Наш подход с использованием регуляризованной регрессии влечет за собой априорное предположение о разреженности в нейроанатомических признаках. При условии, что такое допущение приемлемо, поскольку мы верили в это исследование, регуляризованная регрессия может быть правдоподобным, и ожидается, что выбранный набор разреженных функций будет составлять модели классификации адекватно высокой производительности. Но примечательно, что более простые модели классификации, основанные на большей разреженности, могут не всегда демонстрировать сопоставимые или улучшенные характеристики. Действительно, среди разных вариантов степени разреженности в соответствии с параметром регуляризации большая редкость вряд ли обеспечит лучшую результативную модель конкретно в более сложных задачах классификации, таких как классификация между патологическими и непатологическими геймерами.
Кроме того, мы использовали SVM как метод ML для построения моделей классификации, поскольку они являются одними из самых популярных. Другие усовершенствованные методы могут использоваться для повышения эффективности классификации, хотя сравнительная эффективность между различными методами не может быть завершена из-за зависимости производительности от экспериментальных сценариев (19). С другой стороны, для сравнительной эффективности классических статистических методов и методов ML мы также провели классификацию по логистической регрессии и показали, что два метода, а именно логистическая регрессия и SVM, были сопоставимы по эффективности классификации (рис. S2). Можно повторить, что классические статистические методы не всегда уступают методам ML при эффективности классификации (36).
В текущем исследовании мы обнаружили, что классификация IGD на основе симптомов может быть представлена с точки зрения редких нейроанатомических биомаркеров, которые составляли классификационные модели. Кроме того, мы продемонстрировали, что непатологические геймеры могут быть менее различимы от патологических геймеров, чем от неигровых здоровых людей с точки зрения нейроанатомии. Таким образом, мы полагаем, что хотя современные диагностические системы полагаются на описательную категоризацию, такую как DSM-5 в качестве золотых стандартов, непатологическим геймерам, возможно, необходимо будет диагностировать более осторожно, используя объективные биомаркеры, такие как связанные с нейроанатомическими изменениями. Принятие вычислительных подходов, по-видимому, является необратимой тенденцией в психиатрии, но, возможно, предстоит пройти долгий путь, чтобы практически применить их к клинической среде. Поиск оптимального выбора редких функций из изображений мозга и других клинических данных необходимо проводить в последующих исследованиях, и в долгосрочной перспективе эти усилия будут способствовать диагностике IGD на основе вычислений.
Вклад автора
D-JK и J-WC отвечали за концепцию и дизайн исследования. HC провела клиническую характеристику и отбор участников. CP проанализировал данные и подготовил рукопись. Все авторы критически рассмотрели контент и утвердили окончательную версию для публикации.
Конфликт интересов
Авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.
Сноски
Финансирование. Это исследование было поддержано Исследовательской программой исследований мозга через Национальный исследовательский фонд Кореи (NRF), финансируемый Министерством науки и ИКТ в Корее (NRF-2014M3C7A1062893).
Дополнительный материал
Дополнительный материал для этой статьи можно найти в Интернете по адресу: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material
Рекомендации
;
