Diskriminovaní patologickí a nepatologickí hráči na internete využívajúc riedko neuroanatomické funkcie (2018)

, 2018; 9: 291.

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

PMCID: PMC6033968

PMID: 30008681

abstraktné

Porucha internetových hier (IGD) je často diagnostikovaná na základe deviatich základných kritérií z najnovšej verzie Diagnostického a štatistického manuálu duševných porúch (DSM-5). Tu sme skúmali, či by takáto kategorizácia založená na symptómoch mohla byť premietnutá do klasifikácie založenej na výpočtoch. Štrukturálne MRI (sMRI) a difúzne vážené MRI (dMRI) boli získané u hráčov 38 diagnostikovaných s IGD, 68 normálnych hráčov diagnostikovaných ako bez IGD a 37 zdravých ne-hráčov. Z údajov MRI sme vygenerovali 108 vlastnosti štruktúry šedej hmoty (GM) a bielej hmoty (WM). Keď sa na neuroanatomické črty 108 aplikovala regularizovaná logistická regresia, aby sa vybrali dôležité prvky na rozlíšenie medzi skupinami, boli zastúpení disordered a normal hráči vo vzťahu k 43 a 21, pokiaľ ide o zdravé ne-hráči, zatiaľ čo neusporiadaní hráči boli zastúpení z hľadiska funkcií 11 vo vzťahu k normálnym hráčom. V podporných vektorových strojoch (SVM) využívajúcich riedke neuroanatomické rysy ako prediktory boli neusporiadaní a normálni hráči úspešne diskriminovaní, s presnosťou presahujúcou 98%, od zdravých ne-hráčov, ale klasifikácia medzi neusporiadanými a normálnymi hráčmi bola pomerne náročná. Tieto zistenia naznačujú, že patologickí a nepatologickí hráči kategorizovaní podľa kritérií DSM-5 by mohli byť zastúpení riedkymi neuroanatomickými znakmi, najmä v súvislosti s diskrimináciou tých, ktoré sa nevyskytujú od zdravých jedincov.

Kľúčové slová: porucha internetových hier, diagnostická klasifikácia, štrukturálna MRI, difúzne vážená MRI, pravidelná regresia

úvod

Hoci sa už niekoľko desaťročí navrhuje ako patologická závislosť (), iba nedávno bola porucha internetových hier (IGD) uvedená v Diagnostickej a štatistickej príručke duševných porúch (DSM). Piate vydanie DSM (DSM-5) () identifikovali IGD ako podmienku pre ďalšie štúdium a poskytli deväť kritérií na jej diagnostikovanie. Pri kategorizácii založenej na symptómoch s použitím 9-bodovej stupnice IGD (IGDS) navrhnutej v DSM-5 sa na diagnostiku IGD použil prah prežívania piatich alebo viacerých kritérií. Aj keď táto hranica môže adekvátne rozlíšiť hráčov trpiacich závažným klinickým poškodením (), dichotómna povaha položiek IGDS nevyhnutne zahŕňa diagnostické nadmerné zjednodušenie alebo nejasnosť.

Okrem symptómov sa bežne pozorujú rôzne dysfunkcie súvisiace s IGD, v neposlednom rade neuroanatomické zmeny. Podstatná časť práce skutočne ukázala, že IGD je spojená so štrukturálnymi zmenami v mozgu: zmenšenie objemu šedej hmoty (GM) (-), zníženie hrúbky kôry () a strata integrity bielej hmoty (WM) (, ) boli zvyčajne preukázané. Tieto neuroanatomické zmeny súvisiace s IGD naznačujú, že také parametre zobrazovania mozgu môžu slúžiť ako biomarkery na rozlíšenie jednotlivcov s IGD od iných jedincov. To znamená, že diagnóza IGD môže byť uskutočnená pomocou výpočtovej manipulácie s neuroanatomickými biomarkermi, a nie pomocou kategorizácie založenej na symptómoch založenej na DSM-5. Tieto pokusy môžu byť v súlade s úsilím posunúť sa za opisnú diagnózu pomocou výpočtových prístupov k psychiatrii (), konkrétne prístupy založené na údajoch založené na strojovom učení (ML) na riešenie diagnózy duševných chorôb ().

V tejto štúdii sme hľadali súvislosť medzi kategorizáciou založenou na príznakoch na základe IGDS a klasifikáciou založenou na výpočte pomocou neuroanatomických biomarkerov pri diagnostike IGD. Pretože niektoré komponenty GM a WM v mozgu by pravdepodobne obsahovali redundantné alebo irelevantné informácie pre diagnostickú klasifikáciu, snažili sme sa vybrať riedke neuroanatomické rysy pomocou pravidelnej regresie. Predpokladali sme, že kategorizácia založená na symptómoch by mohla byť zastúpená z hľadiska riedkych neuroanatomických znakov, ktoré by tvorili klasifikačné modely pre diagnostiku IGD. Patologickí hráči, u ktorých bola diagnostikovaná IGD, sa považovali za viac odlišných od zdravých jedincov, ktorí nehrajú hry, ako od hráčov, u ktorých bola diagnostikovaná nevedomosť o IGD, tj nepatologickí hráči; patologickí hráči by teda mohli byť charakterizovaní väčším počtom funkcií v porovnaní s nepatologickými hráčmi vo vzťahu k zdravým jedincom, ktorí nehrajú hry. Okrem toho sme sa rozhodli, či nepatologickí hráči môžu byť menej odlíšiteľní od patologických hráčov alebo od zdravých jedincov, ktorí nehrajú hry. Možno si myslieť, že nepatologickí hráči sa priblížia zdravým jedincom, ktorí nehrajú hry, pokiaľ ide o opisné symptómy, mysleli sme si však, že takýto pojem je potrebné potvrdiť pomocou klasifikácie založenej na výpočtoch.

Materiály a metódy

účastníci

Medzi účastníkmi 237, ktorí hrajú internetové hry, boli jednotlivci 106 vybraní vylúčením tých, ktorí prejavili nesúlad medzi IGDS, ktoré sami uviedli, a štruktúrovaným rozhovorom s klinickým psychológom v diagnostike IGD alebo vynechali alebo vážne skreslili údaje o mozgu. Na základe IGDS boli jednotlivci 38 (27.66 ± 5.61 rokov; ženy 13), ktorí uspokojili najmenej päť položiek IGDS, označení za nespokojných hráčov a 68 (27.96 ± 6.41 rokov; ženy 21), ktorí boli spokojní najviac s jednou položkou IGDS, boli označené bežní hráči. Vylúčení boli aj jednotlivci, ktorí uspokojili položky IGDS medzi dvoma a štyrmi, pretože ich možno rozlíšiť ako ďalšiu triedu medzi neusporiadanými a normálnymi hráčmi (). Okrem toho bolo osobitne prijatých 37 jednotlivcov (25.86 ± 4.10 rokov; 13 žien), ktorí nehrajú hry na internete, a boli označení ako zdraví hráči, ktorí nie sú hráčmi. Absencia komorbidít u všetkých účastníkov sa potvrdila. Písomný informovaný súhlas bol získaný od všetkých účastníkov v súlade s Helsinskou deklaráciou a jej neskoršími zmenami a doplneniami a štúdiu schválila Rada pre inštitucionálne hodnotenie v nemocnici Soul sv. Márie v Soule v Kórei.

Získavanie údajov MRI

Údaje o štruktúrnej MRI (sMRI) a difúzne vážené MRI (dMRI) sa zbierali pomocou systému 3 T MAGNETOM Verio (Siemens AG, Erlangen, Nemecko). Získavanie údajov sMRI sa uskutočňovalo pomocou magneticky pripravenej sekvencie rýchleho gradientu ech: počet rezov v sagitálnej rovine = 176, hrúbka rezov = 1 mm, veľkosť matrice = 256 × 256 a rozlíšenie v rovine = 1 × 1 mm , Na získanie údajov dMRI sa uskutočnilo kódovanie difúzneho gradientu v smeroch 30 pomocou b = 1,000 s / mm2 a použila sa jednorázová echo-planárna zobrazovacia sekvencia: počet rezov v axiálnej rovine = 75, hrúbka rezov = 2 mm, veľkosť matrice = 114 x 114 a rozlíšenie v rovine = 2 x 2 mm.

Spracovanie údajov MRI

Nástroje zahrnuté v kategórii CAT12 (http://www.neuro.uni-jena.de/cat/) sa použili na spracovanie údajov sMRI. Obrázok objemu mozgu bol segmentovaný do rôznych tkanív, vrátane GM, WM a kortikospinálnej tekutiny, a priestorovo zaregistrovaný do referenčného mozgu v štandardnom priestore. Pri morfometrii založenej na voxeli (VBM) sa objem GM vo voskelnici odhadol vynásobením pravdepodobnosti, že sa GM stane objemom voxelu, a potom sa tieto hodnoty vydelili celkovým intrakraniálnym objemom, aby sa upravili individuálne rozdiely v objeme hlavy. V povrchovej morfometrii (SBM) bola kortikálna hrúbka odhadnutá pomocou metódy hrúbky projekcie ().

Spracovanie údajov dMRI

Nástroje zahrnuté v FSL 5.0 (http://fsl.fmrib.ox.ac.uk/fsl/) boli použité na spracovanie údajov dMRI. Všetky obrázky boli zarovnané na nulový obrázok získaný pomocou b = 0 s / mm2 opraviť skreslenie vyvolané vírivými prúdmi a pohyb hlavy. Difúzny tenzor bol modelovaný pri každom voxeli v mozgu a boli vypočítané parametre odvodené z tenzora difúzie vrátane frakčnej anizotropie (FA), priemernej difúzivity (MD), axiálnej difúzivity (AD) a radiálnej difúzivity (RD); pri troch difúziách pozdĺž rôznych os difúzneho tenzora sa FA vypočítala ako druhá odmocnina súčtu druhých mocnín rozdielov difúzivity medzi tromi osami, MD ako priemerná difúzivita cez tri osi, AD ako najväčšia difúzivita pozdĺž hlavnej osi a RD ako priemer difúzií pozdĺž dvoch menších osí. Používanie priestorovej štatistiky založenej na traktoch (TBSS) (), implementované v FSL 5.0, boli mapy parametrov odvodených z tenzora difúzie priestorovo zaregistrované v referenčnom mozgu v štandardnom priestore a potom boli premietnuté do kostry traktu WM.

Generovanie funkcií

Dva hlavné kroky pri navrhovaní klasifikačného modelu sú generovanie a výber prvkov. Generovali sme prvky z neuroanatómie, konkrétne objem a hrúbku súboru GM oblastí a integritu a difúzivitu súboru WM traktov. Po odhade objemu GM a hrúbky kôry ako voxelových máp získaných z VBM a SBM, boli parametre vyhodnotené pre každú z GM oblastí 60 (tabuľka) S1), parcellovaný ako v Hammersovom atlase (), ako priemer vo všetkých voxeloch v ňom. Po odhadnutí parametrov odvodených z tenzora difúzie, vrátane FA, MD, AD a RD, ako voxel-múdrových máp na kostre traktu WM získaného z TBSS, boli parametre vypočítané pre každý z tratí 48 WM (tabuľka) S2), parcellovaný ako v atlase ICBM DTI-81 (), ako priemer vo všetkých voxeloch v ňom. Celkovo sme uvažovali o dvoch parametroch GM a štyroch parametroch WM, čo viedlo k ôsmim kombináciám parametrov GM a WM. Pre každú kombináciu parametrov GM a WM pozostávali hodnoty parametrov z oblastí 60 GM a tratí 48 WM celkom z neuroanatomických znakov 108.

Výber funkcií pomocou pravidelnej regresie

Zníženie počtu funkcií je dôležité, najmä pre údaje s veľkým počtom funkcií a obmedzeným počtom pozorovaní. Obmedzený počet pozorovaní vo vzťahu k počtu znakov môže viesť k nadmernému prispôsobeniu hluku a regularizácia je technika, ktorá umožňuje znížiť alebo zabrániť nadmernému vybavovaniu zavedením ďalších informácií alebo obmedzení do modelu. Pretože všetky funkcie 108u nemusia obsahovať užitočné a potrebné informácie na klasifikáciu, vybrali sme riedku množinu funkcií použitím regularizovanej regresie. Konkrétne laso () a elastická sieť () boli použité na pravidelnú logistickú regresiu. Lano obsahuje trestný termín alebo parameter regularizácie, X, ktorý obmedzuje veľkosť odhadov koeficientov v logistickom regresnom modeli. Pretože zvýšenie A vedie k viac koeficientom s nulovou hodnotou, laso poskytuje zmenšený logistický regresný model s menším počtom prediktorov. Elastická sieť tiež vytvára zmenšený logistický regresný model nastavením koeficientov na nulu, najmä zahrnutím hybridného regularizačného parametra laso a regresie hrebeňa, čím prekonáva obmedzenia lasa pri liečbe vysoko korelovaných prediktorov ().

Na klasifikáciu medzi každým párom z troch skupín sme použili laso a elastickú sieť, aby sme identifikovali dôležité prediktory medzi neuroanatomickými znakmi 108 v logistickom regresnom modeli. 108 vlastnosti všetkých jednotlivcov v každej dvojici z troch skupín boli štandardizované na vytvorenie dátovej matice, A, v ktorom každý riadok predstavoval jedno pozorovanie a každý stĺpec predstavoval jeden prediktor. Na korekciu účinkov veku a pohlavia jednotlivcov na parametre GM a WM bola použitá zvyšková matrica, R, bolo vygenerované: R = I-C(CTC)-1C kde I bola matica identity a C bola matica kódujúca mätúce kovariáty veku a pohlavia. Potom sa uplatnilo A získať zvyšky po ústupe z mätúcich kovariátov: X = RA.

Vzhľadom na upravenú maticu údajov Xa odpoveď, Y, ktorá kódovala dve triedy jednotlivcov, sa na vyhľadávanie parametra regularizácie použila 10-násobná krížová validácia (CV), λMinErr, ktoré poskytli minimálnu chybu z hľadiska odchýlky, definovanú ako negatívna pravdepodobnosť log pre testovaný model, spriemerovanú za overovacie záhyby. Alternatívne, pretože krivka CV má chyby pri každom testovanom λ, parameter regularizácie, λ1SE, ktorá sa zistila v rámci jednej štandardnej chyby minimálnej chyby CV v smere zvyšujúcej sa regularizácie od λMinErr bolo tiež brané do úvahy. To znamená, že riediace prvky boli vybrané pri A1SE, zatiaľ čo riedke vlastnosti boli stanovené pri AMinErr, Tento postup hľadania pravidelného modelu logistickej regresie s menším počtom prediktorov sa opakoval pre každú kombináciu parametrov GM a WM obsahujúcich neuronanatomické vlastnosti 108.

Výkon vybraných funkcií

Aby sa vyhodnotila užitočnosť riedkych a riediacich znakov, porovnávala sa výkonnosť medzi modelom so zníženým počtom prvkov a modelom so všetkými prvkami 108 v podporných vektorových strojoch (SVM) meraním krivky prevádzkovej charakteristiky prijímača (ROC). S lineárnym jadrom ako funkciou jadra a hyperparametrami optimalizovanými päťnásobným CV sa SVM vyškolil pre všetkých jednotlivcov v každej dvojici z troch skupín. Plocha pod krivkou ROC (AUC) bola vypočítaná pre každý model ako kvantitatívne meranie jeho výkonnosti. DeLong testy () boli použité na porovnanie AUC medzi každým párom modelov. Keď sa AUC líšila v a p- hodnota 0.05, sa výkonnosť nepovažovala za porovnateľnú v dvoch modeloch.

Presnosť klasifikácie

Schematické postupy od generovania a výberu prvkov po konštrukciu klasifikačných modelov sú uvedené na obrázku Figure1.1, Pre každú dvojicu z týchto troch skupín boli vytvorené klasifikačné modely SVM s použitím vybraných funkcií ako prediktorov. Presnosť klasifikačných modelov sme hodnotili pomocou schémy CV typu „one-out-out-out“, takže presnosť presnosti klasifikácie bola vypočítaná pre každého vynechaného jednotlivca a potom bola spriemerovaná u všetkých jednotlivcov. Štatistická významnosť presnosti bola odhadnutá pomocou permutačných testov. Empirické nulové rozdelenie na klasifikáciu medzi každým párom z troch skupín bolo vytvorené opakovanou permutáciou štítkov jednotlivcov a meraním presnosti spojenej s permutovanými štítkami. Keď presnosť meraná pre nepovolené štítky bola vyššia alebo rovná nulovej distribúcii pri a p- hodnota 0.05, o ktorej sa zistilo, že sa významne líši od úrovne pravdepodobnosti (presnosť = 50%). Okrem toho sa vizualizovala matica zámeny, aby sa opísala citlivosť a špecifickosť, pokiaľ ide o rozlíšenie medzi každou dvojicou týchto troch skupín.

 

Externý súbor, ktorý obsahuje obrázok, ilustráciu atď. Názov objektu je fpsyt-09-00291-g0001.jpg

Schematické postupy od vytvorenia a výberu neuroanatomických prvkov po konštrukciu modelov na klasifikáciu medzi neusporiadanými hráčmi (DG) a zdravými nehercami (HN), medzi normálnymi hráčmi (NG) a HN a medzi DG a NG. GM, sivá hmota; WM, biela hmota.

výsledky

Výber funkcií

figúra Figure22 zobrazuje vybrané vlastnosti medzi prvkami 108 s ich odhadmi koeficientov a tabuľkou Table11 opisuje súvisiace informácie o montáži regularizovaného modelu logistickej regresie pre klasifikáciu medzi každou dvojicou z troch skupín. Okrem toho, obr S1 ukazuje, ktoré λ priniesli minimálnu chybu CV a koľko funkcií bolo vybratých v λ1SE ako aj na λMinErr, Minimálna chyba CV bola získaná pri výbere funkcie laso (hmotnosť laso = 1) na klasifikáciu medzi zdravými hráčmi, ktorí nie sú hráčmi a normálnymi hráčmi, a elastickou sieťou (laso hmotnosť = 0.5) pre druhú klasifikáciu.

 

Externý súbor, ktorý obsahuje obrázok, ilustráciu atď. Názov objektu je fpsyt-09-00291-g0002.jpg

Vybrané neuroanatomické znaky v regularizovanej logistickej regresii pre klasifikáciu medzi každou dvojicou troch skupín. Poruchoví hráči (DG) boli kódovaní ako 1 v klasifikácii medzi zdravými nehráčmi (HN) a DG, normálni hráči (NG) ako 1 v klasifikácii medzi HN a NG a DG ako 1 v klasifikácii medzi NG a DG. Veľkosť pruhu predstavuje veľkosť koeficientu príslušnej vlastnosti, takže sú vybrané prvky s nenulovými koeficientmi. Vykreslené mozgy zobrazujú komponenty sivej hmoty a bielej hmoty zodpovedajúce vybraným vlastnostiam z lepšieho pohľadu. Prvky v červenej alebo modrej farbe označujú prvky zahrnuté v rozptýlených prvkoch určených pri λ1SE rovnako ako v riedkych vlastnostiach určených pri λMinErr, zatiaľ čo žltá alebo purpurová farba označuje tie, ktoré sú obsiahnuté iba v riedkych vlastnostiach. Značky komponentov mozgu sú uvedené v tabuľkách S1 a S2, L, vľavo; R, správne.

Tabuľka 1

Prispôsobenie informácií o regularizovanej logistickej regresii pre klasifikáciu medzi každou dvojicou troch skupín.

 HN vs. DGHN vs. NGNG vs. DG
ParameterGMHrúbkaHrúbkaObjem
 WMFARDMD
Hmotnosť lasera0.510.5
Zriedkavé prvky vybrané v λMinErrChyba CV37.368141.7876133.3857
 Počet funkcií432111
Sparserové funkcie vybrané v λ1SEChyba CV46.568150.0435141.2622
 Počet funkcií34121
 

Hmotnosť lasa označuje, či sa regularizovaná logistická regresia uskutočňovala pomocou lasa (hmotnosť laso = 1) alebo elastickej siete (laso = 0.5)..

HN, zdraví nehrajúci hráči; DG, neusporiadaní hráči; NG, bežní hráči; GM, sivá hmota; WM, biela hmota; FA, frakčná anizotropia; RD, radiálna difúzivita; MD, stredná difúzivita; Životopis, krížová validácia.

Pri rozlíšení disordered hráčov od zdravých non-hráči, 43 funkcie vybrané na λMinErr pozostával z hrúbky GM oblastí 24 a FA z úsekov 19 WM a vlastnosti 34 vybrané v λ1SE zahŕňal hrúbku GM oblastí 15 a FA z 19 WM traktov. Na rozdiel od bežných hráčov od zdravých nehier, sú funkcie 21 vybrané na λMinErr pozostával z hrúbky GM oblastí 12 a RD z 9 WM traktov a prvkov 12 vybraných v λ1SE zahŕňala hrúbku GM oblastí 6 a RD 6 WM traktov. V klasifikácii medzi neusporiadanými a normálnymi hráčmi sú vlastnosti 11 vybrané na λMinErr pozostával z objemu GM oblastí 7 a MD z 4 WM traktov a jedného prvku vybraného v λ1SE zodpovedá objemu jedného regiónu GM.

Výkon vybraných funkcií

Medzi modelom so zníženým počtom funkcií a modelom so všetkými funkciami 108 bola výkonnosť porovnateľná z hľadiska AUC pri rozlišovaní medzi jednotlivými typmi hráčov a zdravými ne-hráčmi pomocou SVM (obrázok) (Figure3) .3). V klasifikácii medzi neusporiadanými a normálnymi hráčmi je model so znakmi vybranými buď v λMinErr (AUC = 0.83, p = 0.006) alebo na A1SE (AUC = 0.72, p <0.001) vykazovali horší výkon ako model so všetkými 108 vlastnosťami (AUC = 0.90).

 

Externý súbor, ktorý obsahuje obrázok, ilustráciu atď. Názov objektu je fpsyt-09-00291-g0003.jpg

Porovnanie výkonnosti z hľadiska oblasti pod krivkou prevádzkovej charakteristiky prijímača (AUC) medzi modelmi bez výberu funkcií as klasifikáciou pre klasifikáciu medzi každou dvojicou troch skupín pomocou podporných vektorových strojov. Model prvkov 108 (označený plnou čiarou) zodpovedá modelu bez výberu prvkov, zatiaľ čo modely so zníženým počtom prvkov zodpovedajú tým, ktoré majú riedke a riedke prvky vybrané v λ.MinErr (označené prerušovanou čiarou) a λ1SE (označené čiarkovanou čiarou). HN, zdraví nehrajúci hráči; DG, neusporiadaní hráči; NG, bežní hráči.

Presnosť klasifikácie

V klasifikácii pomocou SVM pomocou funkcií vybraných v λMinErr, presnosť bola vyššia ako 98%, výrazne vyššia ako pravdepodobnosť (p <0.001), v odlíšení každého typu hráčov od zdravých nehráčov (obrázok (Figure4A) .4A). Presnosť bola stále výrazne vyššia ako pravdepodobnosť (p = 0.002), ale tak nízka ako 69.8% v klasifikácii medzi neusporiadanými a normálnymi hráčmi, konkrétne vykazujúca nízku citlivosť (47.4%) pri správnej identifikácii neusporiadaných hráčov. Rozptýlené vlastnosti stanovené v A1SE vykazovali podobný výkon (obrázok č (Figure4B) 4B), ale vykazovali oveľa nižšiu citlivosť (2.6%) pri správnom rozlíšení nefunkčných hráčov od bežných hráčov.

 

Externý súbor, ktorý obsahuje obrázok, ilustráciu atď. Názov objektu je fpsyt-09-00291-g0004.jpg

Zmätené matice pri klasifikácii medzi každou dvojicou troch skupín (A) riedky a (B) šetrnejšie vlastnosti stanovené pri λMinErr a na λ1SEv podporných vektorových strojoch. Dolná pravá bunka predstavuje presnosť klasifikácie (ACC), pravú negatívnu rýchlosť dolnej bunky (TNR) alebo špecificitu, pravú pozitívnu rýchlosť dolnej strednej bunky (TNR) alebo citlivosť, negatívnu prediktívnu hodnotu dolnej strednej bunky (NPV) ) a pozitívna prediktívna hodnota pre bunky strednej pravice (PPV). TP, skutočne pozitívne; TN, skutočne negatívne; FP, nesprávne pozitívne; FN, falošne negatívny.

Diskusia

V tejto štúdii sme sa snažili preskúmať, či by patologickí a nepatologickí hráči kategorizovaní podľa IGDS navrhovaných v DSM-5 mohli byť zastúpení riedkymi neuroanatomickými znakmi. Neusporiadaní a normálni hráči boli zastúpení z hľadiska vlastností 43 a 21 vo vzťahu k zdravým nehercom. Okrem toho boli neusporiadaní hráči zastúpení z hľadiska funkcií 11 vo vzťahu k normálnym hráčom. Použitím riedkych neuroanatomických prvkov by mohli byť neusporiadaní a normálni hráči úspešne odlíšení od zdravých ne-hráčov, ale klasifikácia medzi neusporiadanými a normálnymi hráčmi bola pomerne náročná.

Popisná kategorizácia IGD založená na symptómoch s IGDS navrhovaná v DSM-5 sa široko prijíma. Hoci empirická platnosť IGDS bola potvrdená vo viacerých krajinách (, , ), hranica prežívania piatich alebo viacerých položiek IGDS nemusí byť jednoznačnou voľbou a môžu sa navrhnúť iné spôsoby kategorizácie jednotlivcov hrajúcich hry na internete (). Pretože sa čoraz viac sprístupňuje viac typov klinických údajov, ako sú napríklad zobrazovacie údaje mozgu, ako aj demografické, behaviorálne a symptomatické údaje, na diagnostiku duševných chorôb by sa dali prednostne použiť ďalšie údaje. Najmä kvôli množstvu kvantitatívnych informácií sú údaje z mozgu vhodné pre výpočtové prístupy a boli by užitočné na predikciu. V skutočnosti sa ukázalo, že údaje z mozgu majú vynikajúce prediktívne hodnoty v porovnaní s inými klinickými údajmi v predikcii riešenia klinicky relevantného problému ().

Keďže diagnostická klasifikácia založená na ML bola nedávno použitá na iné návykové správanie a poruchy (-) sa zdá, že klasifikácia IGD založená na symptómoch čelí výzve klasifikácie založenej na výpočtoch. Pretože v predchádzajúcich štúdiách boli opakovane hlásené anatomické abnormality mozgu po IGD (-, ), považovali sme takéto neuroanatomické informácie z potenciálnych biomarkerov na zobrazovanie mozgu za účelom diagnostiky IGD. V tejto štúdii bolo naším cieľom identifikovať súbor dôležitých neuroanatomických znakov, ktoré by mohli poskytovať primerane vysoký výkon klasifikácie, okrem opisu neuroanatomických rozdielov medzi triedami jednotlivcov.

Medzi neuroanatomické rysy 108u sme vybrali dôležité, dôkladnú pravidelnú regresiu. Keď sme uvažovali o ôsmich kombináciách parametrov GM a WM, na rozlíšenie každej dvojice z troch skupín sa vybrali rôzne kombinácie parametrov. Kombinácia hrúbky GM oblastí a integrity WM traktov bola lepšia na rozlíšenie patologických hráčov od zdravých ne-hráčov, zatiaľ čo kombinácia objemu GM oblastí a difúzivity WM traktov bola lepšia na rozlíšenie patologických hráčov. od nepatologických hráčov. Okrem toho, hoci mnoho mozgových komponentov obyčajne slúžilo ako neuroanatomické črty, ktoré boli dôležité na rozlíšenie patologických a nepatologických hráčov od zdravých ne-hráčov, niektoré nepatologické hráči charakterizovali niektoré oblasti GM a úseky WM, ale nie patologické hráčov. , Tieto zistenia naznačujú, že nemusia existovať všeobecne najúčinnejšie kombinácie parametrov GM a WM ako neuroanatomické biomarkery, takže je potrebné vybrať špecifickú kombináciu parametrov GM a WM podľa skupín, ktoré sa majú klasifikovať.

Menší počet riedkych znakov na rozlíšenie nepatologických hráčov v porovnaní s rozlíšením patologických hráčov od zdravých nehercov naznačuje, že nepatologickí hráči sú v prechodnom štádiu medzi patologickými hráčmi a zdravými non-hráči. Okrem toho menej riedke znaky na klasifikáciu medzi týmito dvoma typmi hráčov ako v prípade rozlíšenia medzi jednotlivými typmi hráčov a zdravými nehercami naznačujú, že patologickí a nepatologickí hráči sa navzájom menej podobali neuroanatómie, než aby boli odlišné od zdravých hráčov. Klasifikačné modely generované riedkymi znakmi teda viedli k presnosti presahujúcej 98% pri rozlišovaní medzi jednotlivými typmi hráčov a zdravých ne-hráčov, ale pri klasifikácii medzi dvoma typmi hráčov presnosťou pod 70%. To znamená, že nepatologickí hráči boli odlíšiteľní od zdravých nehercov a patologickí hráči boli, ale existujú rozdiely v rozlišovaní medzi patologickými a nepatologickými hráčmi.

Zdá sa, že táto relatívne nízka rozlíšiteľnosť medzi dvoma typmi hráčov naznačuje niekoľko pojmov. Po prvé, môže sa navrhnúť nesúlad medzi kategorizáciou založenou na symptómoch a klasifikáciou založenou na výpočtoch. Hoci navrhovaný diagnostický prah prežívania piatich alebo viacerých kritérií v IGDS bol konzervatívne vybraný, aby sa zabránilo nadmernej diagnóze IGD (), nemožno ignorovať prítomnosť hráčov trpiacich značnými patologickými zmenami v neuroanatómii, ktorí však nespĺňajú prah IGD. Zahrali sme najmä hráčov, ktorí uspokojili položky IGDS oveľa nižšie ako prahová hodnota IGD ako normálni hráči, takže hráči s diagnózou, že nemajú IGD, môžu byť vo všeobecnosti vzdialení od zdravých jedincov, ktorí nehrajú hry, ako je uvedené v tejto štúdii. Po druhé, možno zaznamenať výzvu pri klasifikácii, ktorá sa spolieha iba na neuroanatomické biomarkery. Výkonnosť klasifikácie by sa mohla zlepšiť zahrnutím ďalších biomarkerov, ktoré môžu zachytiť väčšiu rozdielnosť medzi patologickými a nepatologickými hráčmi. Najmä preto, že funkčné zmeny v mozgu sa prejavujú aj pri IGD (-), funkcie a anatómia mozgu by sa mohli považovať za biomarkery mozgu. Ďalej by sme chceli poznamenať, že zmeny v mozgu tvoria iba súčasť viacrozmerných aspektov závislosti na internete, takže ďalšie faktory, v neposlednom rade rôzne interné a externé rizikové faktory závislosti na internete (), by sa mali zahrnúť do úplnejších modelov klasifikácie medzi patologickými a nepatologickými hráčmi, ako aj na rozlíšenie hráčov od zdravých jedincov, ktorí nehrajú hry.

Na identifikáciu dôležitých vlastností klasifikačných modelov sme tu použili regularizovanú regresiu pomocou odhadcov podporujúcich riedkosť, ako sú laso a elastická sieť. V skutočnosti existujú metodologické variácie pri výbere prvkov alebo pri zmenšovaní rozmerov a pri použití vybraných prvkov pri konštrukcii modelu sa môžu použiť rôzne prístupy (). Náš prístup využívajúci pravidelnú regresiu znamená a priori predpoklad týkajúci sa riedkosti neuroanatomických znakov. Za predpokladu, že takýto predpoklad je prijateľný, ako sme verili v tejto štúdii, mohla by byť regularizovaná regresia prijateľným prístupom a očakáva sa, že vybratý súbor riedkych prvkov bude tvoriť klasifikačné modely s primerane vysokým výkonom. Je však pozoruhodné, že jednoduchšie klasifikačné modely založené na väčšej riedkosti nemusia vždy vykazovať porovnateľný alebo zlepšený výkon. V skutočnosti medzi rôznymi výbermi stupňa riedkosti podľa parametra regularizácie nebolo pravdepodobné, že by väčšia riedkosť poskytla lepšie výkonný model, najmä v náročnejších klasifikačných problémoch, ako je napríklad klasifikácia medzi patologickými a nepatologickými hráčmi.

Okrem toho sme použili SVM ako techniku ​​ML na konštrukciu klasifikačných modelov, pretože patria medzi najobľúbenejšie. Na zlepšenie výkonnosti klasifikácie sa môžu použiť iné pokročilé metódy, hoci porovnávacie výsledky medzi rôznymi metódami sa nemusia uzavrieť z dôvodu závislosti výkonnosti od experimentálnych scenárov (). Na druhej strane, na účely porovnania klasických štatistických metód a techník ML sme vykonali klasifikáciu aj pomocou logistickej regresie a preukázali sme, že tieto dve metódy, konkrétne logistická regresia a SVM, boli porovnateľné pri výkone klasifikácie (obrázok). S2). Môže sa opakovať, že klasické štatistické metódy nie sú vždy pri výkone klasifikácie horšie ako techniky ML ().

V súčasnej štúdii sme zistili, že kategorizácia IGD založená na symptómoch by mohla byť zastúpená z hľadiska riedkych neuroanatomických biomarkerov, ktoré tvoria klasifikačné modely. Ďalej sme demonštrovali, že nepatologickí hráči môžu byť z hľadiska neuroanatómie menej odlišní od patologických hráčov ako od zdravých jedincov, ktorí nehrajú hry. Navrhujeme preto, že hoci súčasné diagnostické systémy sa spoliehajú na opisnú kategorizáciu, ako je DSM-5, ako zlaté štandardy, nepatologickým hráčom bude možno potrebné diagnostikovať väčšiu starostlivosť pomocou objektívnych biomarkerov, ako sú tie spojené s neuroanatomickými zmenami. Zdá sa, že prijatie výpočtových prístupov je v psychiatrii nezvratným trendom, ale môže byť ešte dlhá cesta, ako ich prakticky uplatniť v klinickom prostredí. V následných štúdiách je potrebné vykonať hľadanie optimálneho výberu riedkeho obrazu z mozgu a ďalších klinických údajov a z dlhodobého hľadiska by toto úsilie podporilo výpočtovú diagnostiku IGD založenú na výpočte.

Príspevky autora

D-JK a J-WC boli zodpovedné za koncepciu a dizajn štúdie. HC vykonala klinickú charakterizáciu a výber účastníkov. CP analyzoval údaje a vypracoval rukopis. Všetci autori kriticky preskúmali obsah a schválili konečnú verziu na zverejnenie.

Vyhlásenie o konflikte záujmov

Autori vyhlasujú, že výskum bol vykonaný bez obchodných alebo finančných vzťahov, ktoré by mohli byť interpretované ako potenciálny konflikt záujmov.

poznámky pod čiarou

 

Financovanie. Tento výskum bol podporený Programom vedeckého výskumu mozgu prostredníctvom Národnej výskumnej nadácie Kórea (NRF) financovanej ministerstvom vedy a IKT v Kórei (NRF-2014M3C7A1062893).

 

Referencie

1. Young KS. Závislosť na internete: vznik novej klinickej poruchy. CyberPsychol Behav. (1998) 1: 237 – 44. 10.1089 / cpb.1998.1.237 [Cross Ref]
2. Diagnostický a štatistický manuál Americkej psychiatrickej asociácie duševných porúch, 5. vydanie. Washington, DC: American Psychiatric Association Publishing; (2013).
3. Ko CH, Yen JY, Chen SH, Wang PW, Chen CS, Yen CF. Vyhodnotenie diagnostických kritérií porúch internetového hrania v DSM-5 medzi mladými dospelými na Taiwane. 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 a kol. , Zmenená hustota šedej hmoty a narušená funkčná konektivita amygdaly u dospelých s poruchou hrania na internete. 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. Nezvyčajný objem šedej hmoty a bielej hmoty u závislých na internete. Addict Behav. (2015) 40: 137 – 143. 10.1016 / j.addbeh.2014.09.010 [PubMed] [Cross Ref]
6. Wang H, Jin C, Yuan K, Shakir ™, Mao C, Niu X, a kol. , Zmena objemu šedej hmoty a kognitívna kontrola u dospievajúcich s poruchou hrania internetu. Front Behav Neurosci. (2015) 9: 64. 10.3389 / fnbeh.2015.00064 [Článok bez PMC] [PubMed] [Cross Ref]
7. Yuan K, Cheng P, Dong T, Bi Y, Xing L, Yu D, a kol. , Abnormality hrúbky kôry v neskorom dospievaní so závislosťou od online hier. ONS (2013) 8: e53055. 10.1371 / journal.pone.0053055 [Článok bez PMC] [PubMed] [Cross Ref]
8. Dong G, Devito E, Huang J, Du X. Difúzne tenzorové zobrazovanie odhaľuje abnormality talamu a zadného cingulačného kortexu u závislých na internete. J Psychiatr Res. (2012) 46: 1212 – 6. 10.1016 / j.jpsychires.2012.05.015 [Článok bez PMC] [PubMed] [Cross Ref]
9. Xing L, Yuan K, Bi Y, Yin J, Cai C, Feng D, a kol. , Znížená integrita vlákien a kognitívna kontrola u dospievajúcich s poruchou hrania internetu. Brain 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., a kol. , Rozdiely v štruktúrnej konektivite pri epilepsii ľavého a pravého časového laloku. Neuroimage (2014) 100: 135 – 44. 10.1016 / j.neuroimage.2014.04.071 [PubMed] [Cross Ref]
11. Huys QJ, Maia TV, Frank MJ. Výpočtová psychiatria ako most od neurovedy k klinickým aplikáciám. Nat Neurosci. (2016) 19: 404 – 13. 10.1038 / nn.4238 [Článok bez PMC] [PubMed] [Cross Ref]
12. Lemmens JS, Valkenburg PM, pohan DA. Stupnica poruchy internetových hier. Psychol Assessment. (2015) 27: 567 – 82. 10.1037 / pas0000062 [PubMed] [Cross Ref]
13. Dahnke R, Yotter RA, Gaser C. Stanovenie hrúbky kortikálu a centrálneho povrchu. Neuroimage (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, a kol. , Priestorová štatistika založená na traktoch: analýza voxelwise difúznych údajov o viacerých subjektoch. Neuroimage (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. a kol. , Trojrozmerný atlas maximálnej pravdepodobnosti ľudského mozgu, s osobitným odkazom na temporálny lalok. Hum Brain Mapp. (2003) 19: 224 – 47. 10.1002 / hbm.10123 [PubMed] [Cross Ref]
16. Mori S, Oishi K, Jiang H, Jiang L, Li X, Akhter K, a kol. , Stereotaxický atlas bielej hmoty založený na zobrazení difúzneho tenzora v šablóne ICBM. Neuroimage (2008) 40: 570 – 82. 10.1016 / j.neuroimage.2007.12.035 [Článok bez PMC] [PubMed] [Cross Ref]
17. Tibshirani R. Zmršťovanie a selekcia regresie pomocou laso. J Roy Stat Soc Ser B (1996) 58: 267 – 88.
18. Zou H, Hastie T. regularizácia a výber premenných pomocou elastickej siete. J Roy Stat Soc Ser B (2005) 67: 301 – 20. 10.1111 / j.1467-9868.2005.00503.x [Cross Ref]
19. Theodoridis S. Strojové učenie: Bayesiánska a optimalizačná perspektíva. London: Academic Press; (2015).
20. Delong ER, Delong DM, Clarke-Pearson DL. Porovnanie oblastí pod dvoma alebo viacerými korelovanými charakteristickými krivkami prijímača: neparametrický prístup. Biometria (1988) 44: 837 – 45. 10.2307 / 2531595 [PubMed] [Cross Ref]
21. Cho SH, Kwon JH. Overenie platnosti kórejskej verzie stupnice internetového hrania hier (K-IGDS): zistenia zo vzorky dospelých z komunity. Kórejská J Clin Psychol. (2017) 36: 104 – 17. 10.15842 / kjcp.2017.36.1.010 [Cross Ref]
22. Sigerson L, Li AYL, Cheung MWL, Luk JW, Cheng C. Psychometrické vlastnosti stupnice čínskej poruchy internetových hier. Addict Behav. (2017) 74: 20 – 6. 10.1016 / j.addbeh.2017.05.031 [PubMed] [Cross Ref]
23. Burke Quinlan E, Dodakian L, pozri J, Mckenzie A, Le V, Wojnowicz M., a kol. , Neurálna funkcia, poškodenie a subtyp mŕtvice predpovedajú prínosy liečby po mŕtvici. Ann Neurol. (2015) 77: 132 – 45. 10.1002 / ana.24309 [Článok bez PMC] [PubMed] [Cross Ref]
24. Pariyadath V, Stein EA, Ross TJ. Klasifikácia funkčnej konektivity v kľudovom stave pomocou strojového učenia predpovedá stav fajčenia. Predné Hum Neurosci. (2014) 8: 425. 10.3389 / fnhum.2014.00425 [Článok bez PMC] [PubMed] [Cross Ref]
25. Fedota JR, Stein EA. Funkčná konektivita v kľudovom stave a závislosť od nikotínu: vyhliadky na vývoj biomarkerov. Ann NY Acad Sci. (2015) 1349: 64 – 82. 10.1111 / nyas.12882 [Článok bez PMC] [PubMed] [Cross Ref]
26. Ahn WY, Ramesh D, Moeller FG, Vassileva J. Úžitok prístupov strojového učenia na identifikáciu markerov správania pri poruchách spojených s užívaním návykových látok: rozmery impulzivity ako prediktory súčasnej závislosti od kokaínu. Predná psychiatria (2016) 7: 34. 10.3389 / fpsyt.2016.00034 [Článok bez PMC] [PubMed] [Cross Ref]
27. Ahn WY, Vassileva J. Strojové vzdelávanie identifikuje behaviorálne markery závislé od opiátov a stimulantov. Závisí od drogového alkoholu. (2016) 161: 247 – 57. 10.1016 / j.drugalcdep.2016.02.008 [Článok bez PMC] [PubMed] [Cross Ref]
28. Percy C, França M, Dragičević S, D'avila Garcez A. Predpovedanie vylúčenia z hazardných hier online: analýza výkonnosti modelov strojového učenia pod dohľadom. Int Gambl Stud. (2016) 16: 193–210. 10.1080 / 14459795.2016.1151913 [Cross Ref]
29. Ding WN, Sun JH, Sun YW, Zhou Y, Li L, Xu JR, a kol. , Zmenená predvolená funkčná konektivita v kľudovom stave u dospievajúcich so závislosťou na internete. ONS (2013) 8: e59902. 10.1371 / journal.pone.0059902 [Článok bez PMC] [PubMed] [Cross Ref]
30. Meng Y, Deng W, Wang H, Guo W, Li T. Prefrontálna dysfunkcia u jednotlivcov s poruchou hrania na internete: metaanalýza štúdií zobrazovania funkčnej magnetickej rezonancie. 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, a kol. , Zmenená funkčná konektivita ostrovčeka v pokoji v pokoji u dospelých s poruchou hrania na internete. Addict Biol. (2015) 21: 743 – 51. 10.1111 / adb.12247 [Článok bez PMC] [PubMed] [Cross Ref]
32. Cai C, Yuan K, Yin J, Feng D, Bi Y, Li Y, a kol. , Morfometria striatu je spojená s deficitmi kognitívnej kontroly a závažnosťou symptómov pri poruche internetového hrania. Správanie mozgu. (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. Je mozog závislý od internetu takmer v patologickom stave? Addict Biol. (2017) 22: 196 – 205. 10.1111 / adb.12282 [PubMed] [Cross Ref]
34. Kuss DJ, Griffiths MD. Závislosť na internete: systematické hodnotenie empirického výskumu. Int J Ment Health Addict. (2012) 10: 278 – 96. 10.1007 / s11469-011-9318-5 [Cross Ref]
35. Castellanos FX, Di Martino A, Craddock RC, Mehta AD, Milham MP. Klinické aplikácie funkčného konektómu. Neuroimage (2013) 80: 527 – 40. 10.1016 / j.neuroimage.2013.04.083 [Článok bez PMC] [PubMed] [Cross Ref]
36. Tollenaar N, Van Der Heijden P. Ktorá metóda najlepšie predpovedá recidívu ?: porovnanie štatistických predpovedných modelov, strojového učenia a ťažby údajov. J Roy Stat Soc Ser A (2013) 176: 565 – 84. 10.1111 / j.1467-985X.2012.01056.x [Cross Ref]