Diskriminacija patoloških in nepatoloških internetnih igralcev, ki uporabljajo redke nevroanatomske značilnosti (2018)

. 2018; 9: 291.

Objavljeno na spletu 2018 junij 29. doi:  10.3389 / fpsyt.2018.00291

PMCID: PMC6033968

PMID: 30008681

Minimalizem

Motnja v spletnih igrah (IGD) se pogosto diagnosticira na podlagi devetih osnovnih meril iz zadnje različice Diagnostičnega in statističnega priročnika duševnih motenj (DSM-5). Tu smo preučili, ali je takšno kategorizacijo na osnovi simptomov mogoče prevesti v računalniško razvrščanje. Podatki o strukturni MRI (sMRI) in difuzijsko tehtani MRI (dMRI) so bili pridobljeni pri igralcih 38 z diagnozo IGD, pri običajnih igralcih 68 z diagnozo, da nimajo IGD, in pri zdravih igralcih 37. Iz MRI podatkov smo ustvarili lastnosti 108 sive snovi (GM) in strukture bele snovi (WM). Ko je bila za nevroanatomske lastnosti 108 uporabljena urejena logistična regresija, da bi izbrali pomembne za razlikovanje med skupinami, so bili neurejeni in normalni igralci predstavljeni v smislu značilnosti 43 in 21 glede na zdrave igralce, ki niso igralci. neurejeni igralci iger so bili predstavljeni glede na lastnosti 11 glede na običajne igralce. V podpornih vektorskih avtomatih (SVM), ki kot napovedovalce uporabljajo redke nevroanatomske lastnosti, so bili neurejeni in normalni igralci uspešno diskriminirani z zdravimi neigralci z natančnostjo, večjo od 98%, vendar je bila razvrstitev med neurejene in običajne igralce razmeroma zahtevna. Te ugotovitve kažejo, da bi lahko patološke in nepatološke igralce, kategorizirane z merili iz DSM-5, predstavljali redke nevroanatomske značilnosti, zlasti v zvezi z razlikovanjem tistih od zdravih posameznikov, ki ne igrajo iger.

ključne besede: motnja internetnih iger, diagnostična klasifikacija, strukturna MRI, magnetna magnetna difuzija, regulirana regresija

Predstavitev

Čeprav se že desetletja predlaga kot patološka odvisnost (), šele nedavno je bila motnja internetnih iger (IGD) navedena v Diagnostičnem in statističnem priročniku duševnih motenj (DSM). Peta izdaja DSM (DSM-5) () je IGD opredelil kot pogoj za nadaljnjo študijo in navedel devet meril za njegovo diagnozo. Pri kategorizaciji na podlagi simptomov z uporabo lestvice IGD z devetimi točkami (IGDS), predlagano v DSM-5, smo za diagnozo IGD uporabili prag petih ali več meril. Čeprav lahko ta presežek ustrezno razlikuje igralce, ki trpijo zaradi pomembne klinične okvare (), dihotomna narava predmetov IGDS neizogibno vključuje diagnostično poenostavitev ali nejasnost.

Poleg simptomov so pogosto opažene številne disfunkcije, povezane z IGD, nenazadnje nevroanatomske spremembe. Dejansko je veliko dela pokazalo, da je IGD povezan s strukturnimi spremembami v možganih: krčenje volumna sive snovi (GM) (-), zmanjšanje kortikalne debeline () in izguba celovitosti bele snovi (WM) (, ) so ponavadi prikazani. Te nevroanatomske spremembe, povezane z IGD, kažejo, da lahko takšni parametri slikanja možganov služijo kot biomarkerji za razlikovanje posameznikov z IGD od drugih posameznikov. To pomeni, da je diagnoza IGD lahko postavljena z računalniško manipulacijo nevroanatomskih biomarkerjev, ne pa s kategorizacijo na podlagi simptomov, ki temelji na DSM-5. Ti poskusi so morda v skladu s prizadevanji za preseganje opisne diagnoze z uporabo računskih pristopov k psihiatriji (), zlasti na podlagi podatkov usmerjenih pristopov, ki temeljijo na strojnem učenju (ML) za reševanje diagnoze duševnih bolezni ().

V tej raziskavi smo iskali povezavo med kategorizacijo na podlagi simptomov na podlagi IGDS in računalniško razvrščanjem z uporabo nevroanatomskih biomarkerjev pri diagnozi IGD. Ker bi nekatere možganske in WM komponente možganov verjetno vsebovale odvečne ali nepomembne informacije za diagnostično klasifikacijo, smo s pomočjo regulirane regresije želeli izbrati redke nevroanatomske značilnosti. Hipotetizirali smo, da bi bilo mogoče kategorizacijo na osnovi simptomov predstavljati v smislu redkih nevroanatomskih značilnosti, ki bi sestavljale klasifikacijske modele za diagnozo IGD. Mislili so, da so patološki igralci z diagnozo IGD bolj različni od zdravih posameznikov, ki ne igrajo iger, kot od igralcev z diagnozo, da nimajo IGD, torej nepatoloških igralcev; Tako bi lahko patološke igralce zaznamovali večje število značilnosti v primerjavi z nepatološkimi igralci v primerjavi z zdravimi posamezniki, ki ne igrajo iger. Poleg tega smo se želeli odločiti, ali se lahko nepatološki igralci manj ločijo od patoloških igralcev ali od zdravih posameznikov, ki ne igrajo iger. Nepatološke igralce lahko nejasno domnevamo, da so v smislu opisnih simptomov blizu zdravim osebam, ki ne igrajo iger, vendar smo mislili, da je takšen pojem treba potrditi s pomočjo računalniške klasifikacije.

Materiali in metode

udeleženci

Med udeleženci 237, ki igrajo internetne igrice, so bili izbrani posamezniki 106 tako, da so izključili tiste, ki so pokazali neskladje med samoporočeno IGDS in strukturiranim intervjujem s kliničnim psihologom pri diagnozi IGD ali so zamudili ali močno izkrivili podatke slikanja možganov. Na podlagi IGDS so bili posamezniki 38 (27.66 ± 5.61 let; ženske 13), ki so izpolnili vsaj pet elementov IGDS, označeni kot neurejeni igralci in posamezniki 68 (27.96 ± 6.41 leta; ženske 21), ki so izpolnili največ en element IGDS. običajni igrači. Izključeni so bili tudi posamezniki, ki so med dvema in štirimi izpolnjevali predmete IGDS, ker jih je mogoče prepoznati kot drug razred med neurejenimi in običajnimi igralci (). Poleg tega je bilo ločeno rekrutiranih 37 posameznikov (25.86 ± 4.10 let; 13 žensk), ki niso igrali internetnih iger, in jih označili za zdrave igralce iger. Pri vseh udeležencih je bila potrjena odsotnost komorbidnosti. V skladu z Helsinško deklaracijo in njenimi kasnejšimi spremembami so vsi udeleženci dobili pisno soglasje, študijo pa je odobril odbor za presojo institucij v bolnišnici St.

Pridobitev MRI podatkov

Podatki strukturne MRI (sMRI) in difuzijsko tehtane MRI (dMRI) so bili zbrani s sistemom 3 T MAGNETOM Verio (Siemens AG, Erlangen, Nemčija). Pridobitev sMRI podatkov je bila izvedena z uporabo magnetno pripravljenega hitrega gradientnega odmeva: število rezin v sagitalni ravnini = 176, debelina rezine = 1 mm, velikost matrice = 256 × 256 in v ravnini ločljivost = 1 × 1 mm . Za pridobivanje podatkov dMRI smo izvedli difuzijsko kodiranje gradienta v 30 smereh s b = 1,000 s / mm2 uporabljeno je bilo ehoplanarno slikovno zaporedje z enim posnetkom: število rezin v osni ravnini = 75, debelina rezine = 2 mm, velikost matrice = 114 × 114 in ločljivost v ravnini = 2 × 2 mm.

Obdelava MRI podatkov

Orodja, vključena v CAT12 (http://www.neuro.uni-jena.de/cat/) so bili uporabljeni za obdelavo podatkov sMRI. Slika volumna možganov je bila segmentirana v različna tkiva, vključno z GM, WM in kortikospinalno tekočino, ter prostorsko registrirana na referenčne možgane v standardnem prostoru. V morfometriji na osnovi voksela (VBM) smo količino GM, ki temelji na vokselu, ocenili tako, da smo pomnožili verjetnost, da je gensko spremenljivka, in količino voksela, nato pa so te vrednosti razdelili na celoten intrakranialni volumen, da bi se prilagodili posameznim razlikam v količini glave. Pri površinski morfometriji (SBM) smo kortikalno debelino ocenili s pomočjo metode projekcije na osnovi debeline ().

Obdelava podatkov dMRI

Orodja, vključena v FSL 5.0 (http://fsl.fmrib.ox.ac.uk/fsl/) so bili uporabljeni za obdelavo podatkov dMRI. Vse slike so bile poravnane z ničelno sliko, pridobljeno z b = 0 s / mm2 za odpravljanje vrtinčnih izkrivljanj in gibanja glave. Na vsakem voxlu v možganih je bil modeliran difuzijski tenzor in izračunani so bili parametri, pridobljeni z difuzijskim tenzorjem, vključno s frakcijsko anizotropijo (FA), srednjo difuzivnostjo (MD), osno difuzivnostjo (AD) in radialno difuzivnostjo (RD); glede na tri difuznosti vzdolž različnih osi difuzijskega tenzorja, je bil FA izračunan kot kvadratni koren vsote kvadratov razlik difuzivnosti med tremi osi, MD kot povprečna difuzivnost čez tri osi, AD pa kot največja difuzivnost vzdolž glavne osi in RD kot povprečje difuzij vzdolž dveh manjših osi. Uporaba prostorske statistike na osnovi trakta (TBSS) (), implementirani v FSL 5.0, so bili zemljevidi parametrov difuzijskega tenzorja prostorsko registrirani v referenčni možgan v standardnem prostoru in so jih nato projicirali na okostje trakta WM.

Generacija funkcij

Dva glavna koraka za oblikovanje klasifikacijskega modela sta ustvarjanje in izbira funkcij. Iz nevroanatomije smo ustvarili značilnosti, natančneje volumen in debelino skupine GM regij ter celovitost in difuzivnost niza trakta WM. Po oceni volumna GM in kortikalne debeline kot vokslinskih zemljevidov, pridobljenih iz VBM oziroma SBM, so bili parametri ocenjeni za vsako od 60 GM regij (tabela S1), sestavljeno kot v atlasu Hammers (), kot povprečje vseh voxel znotraj njega. Po oceni parametrov, ki izhajajo iz difuzijskega tenzorja, vključno s FA, MD, AD in RD kot voksalno modrimi zemljevidi na okostju trakta WM, pridobljenem iz TBSS, so bili parametri izračunani za vsak trakt XMUMX WM (tabela S2), sestavljeno kot v atlasu ICBM DTI-81 (), kot povprečje vseh voxel znotraj njega. Vsoto smo upoštevali dva parametra GM in štiri parametre WM, kar je prineslo osem kombinacij parametrov GM in WM. Za vsako kombinacijo parametrov GM in WM so vrednosti parametrov območij 60 GM in trakti 48 WM vsebovale skupno 108 nevroanatomskih značilnosti.

Izbira lastnosti z regulirano regresijo

Zmanjšanje števila funkcij je pomembno, zlasti za podatke z velikim številom funkcij in omejenim številom opazovanj. Omejeno število opazovanj glede na število lastnosti lahko povzroči prekomerno prilagajanje hrupu, regularizacija pa je tehnika, ki omogoča zmanjšanje ali preprečevanje prekomernega opremljanja z vnosom dodatnih informacij ali omejitev na model. Ker vse funkcije 108 morda ne vključujejo koristnih in potrebnih informacij za razvrščanje, smo z regulativno regresijo izbrali redek nabor funkcij. Natančneje, lasso () in elastična mreža () so bili uporabljeni za regulirano logistično regresijo. Laso vključuje kaznovalni izraz ali parameter za regulacijo, λ, ki omejuje velikost ocen koeficientov v logističnem regresijskem modelu. Ker povečanje λ vodi do več ničelnih vrednosti koeficientov, lasso ponuja model zmanjšane logistične regresije z manj napovedniki. Elastična mreža ustvarja tudi model zmanjšane logistične regresije z nastavitvijo koeficientov na nič, zlasti z vključitvijo hibridnega parametra regularizacije lasso in grebenske regresije, s čimer premaga omejitev lasoa pri obravnavi visoko koreliranih napovedovalcev ().

Za razvrstitev med vsakim parom treh skupin smo uporabili laso in elastično mrežo za prepoznavanje pomembnih napovedovalcev med nevroanatomskimi značilnostmi 108 v modelu logistične regresije. Funkcije 108 vseh posameznikov v vsakem paru treh skupin so bile standardizirane za sestavljanje podatkovne matrice, A, v katerem je vsaka vrstica predstavljala eno opazovanje, vsak stolpec pa enega napovedovalca. Da popravimo učinke starosti in spola posameznikov na parametre GM in WM, ostane matrična matrica, R, je bilo ustvarjeno: R = I-C(CTC)-1C Kje I je bila matrika identitete in C je bila matrica, ki kodira zmede covariatov starosti in spola. Nato je bila uporabljena za A pridobiti ostanke po regresiranju zmedenih kovarijatov: X = RA.

Glede na prilagojeno matrico podatkov, Xin odziv, Y, ki sta kodirala dva razreda posameznikov, za iskanje regulalizacijskega parametra uporabljena 10-kratna navzkrižna validacija (CV), λMinErr, ki je zagotovila minimalno napako v smislu odklona, ​​opredeljeno kot negativno verjetnost log-ja za preizkušeni model, povprečno ovrednotenih na krat. Ker ima krivulja CV napake pri vsakem preskusu λ, parameter regularizacije, λ1SE, ki je bila ugotovljena znotraj ene standardne napake najmanjše napake CV-ja v smeri vse večje regularizacije od λMinErr je tudi veljal. Se pravi, da so bile pri λ izbrane manjše lastnosti1SE, medtem ko so bile redke lastnosti določene pri λMinErr. Ta postopek za iskanje reguliranega logističnega regresijskega modela z manj napovedniki je bil ponovljen za vsako kombinacijo parametrov GM in WM, ki vsebujejo nevroanatomske značilnosti 108.

Delovanje izbranih funkcij

Za oceno uporabnosti redkih in manjših lastnosti smo primerjali zmogljivost med modelom z zmanjšanim številom lastnosti in modelom z vsemi funkcijami 108 v podpornih vektorskih strojih (SVM) z merjenjem krivulje delovanja sprejemnika (ROC). Z linearnim jedrom kot funkcijo jedra in hiperparametri, optimiziranimi s petkratnim življenjepisom, je bil SVM usposobljen za vse posameznike v vsakem paru treh skupin. Površina pod krivuljo ROC (AUC) je bila izračunana za vsak model kot količinsko merilo njegove učinkovitosti. DeLong testi () so bili uporabljeni za primerjavo AUC med posameznimi pari modelov. Ko se je AUC razlikoval pri a p-rednost 0.05-a, zmogljivost se je štela za neprimerljivo v dveh modelih.

Natančnost razvrstitve

Shematski postopki od nastanka in izbire značilnosti do konstrukcije klasifikacijskih modelov so predstavljeni na sliki Slika1.1. Za vsak par iz treh skupin so bili uporabljeni modeli klasifikacije SVM z uporabo izbranih funkcij kot napovedovalcev. Natančnost klasifikacijskih modelov smo ocenili tako, da smo uporabili shemo CV-jev, tako da je bila za vsakega opuščenega posameznika izračunana natančnost izven vzorca in nato povprečna za vse posameznike. Statistični pomen natančnosti je bil ocenjen z uporabo permutacijskih testov. Empirična ničelna porazdelitev za razvrstitev med vsakim parom treh skupin je bila ustvarjena z večkratnim permutiranjem nalepk posameznikov in merjenjem natančnosti, povezane s permutiranimi nalepkami. Če je bila natančnost, izmerjena za nedovoljene nalepke, večja ali enaka ničelni porazdelitvi pri a pvrednost 0.05, za katero je bilo ugotovljeno, da se bistveno razlikuje od stopnje naključja (natančnost = 50%). Poleg tega je bila vizualno predstavljena matrika zmede, ki opisuje občutljivost in specifičnost glede razlikovanja med vsakim parom treh skupin.

 

Zunanja datoteka, ki vsebuje sliko, ilustracijo itd. Ime predmeta je fpsyt-09-00291-g0001.jpg

Shematični postopki od ustvarjanja in izbire nevroanatomskih značilnosti do izdelave modelov za razvrščanje med neurejenimi igralci (DG) in zdravimi neigralci (HN), med običajnimi igralci (NG) in HN ter med DG in NG. GM, siva snov; WM, bela snov.

Rezultati

Izbira funkcij

Slika Slika22 prikaže izbrane funkcije med funkcijami 108 s svojimi ocenami koeficientov in Tabela Tabela11 opisuje povezane informacije o namestitvi regulariziranega logističnega regresijskega modela za razvrstitev med vsakim parom treh skupin. Poleg tega slika S1 prikazuje, kateri λ je povzročil najmanjšo napako CV-ja in koliko funkcij je bilo izbranih pri λ1SE kot tudi pri λMinErr. Najmanjša napaka v CV-ju je bila pri izbiri lastnosti lasso (lasso weight = 1) dobljena za razvrstitev med zdrave igralce in običajne igralce ter z elastično mrežo (lasso weight = 0.5) za drugo razvrstitev.

 

Zunanja datoteka, ki vsebuje sliko, ilustracijo itd. Ime predmeta je fpsyt-09-00291-g0002.jpg

Izbrane nevroanatomske značilnosti v regularizirani logistični regresiji za razvrstitev med vsakim parom treh skupin. Moteni igralci iger (DG) so bili označeni kot 1 v klasifikaciji med zdravimi neigralci (HN) in DG, običajni igralci (NG) kot 1 v klasifikaciji med HN in NG, DG pa kot 1 v klasifikaciji med NG in DG. Velikost stolpca predstavlja velikost koeficienta posamezne značilnosti, tako da so izbrane lastnosti ničelnih koeficientov. V upodobljenih možganih so prikazani sestavni deli sive in bele snovi, ki ustrezajo izbranim značilnostim z odličnega pogleda. Značilnosti v rdeči ali modri barvi označujejo tiste, ki so vključene v redkejše lastnosti, določene pri λ1SE kot tudi v redkih lastnostih, določenih pri λMinErr, medtem ko tiste z rumeno ali magenta označujejo tiste, ki so vključene le v redkih lastnostih. Oznake sestavin možganov so navedene v preglednicah S1 in S2. L, levo; R, prav.

Tabela 1

Podatki o ustrezni regulisani logistični regresiji za razvrstitev med vsakim parom treh skupin.

 HN proti DGHN proti NGNG proti DG
parameterGMDebelinaDebelinaobseg
 WMFARDMD
Lasso teža0.510.5
Redke funkcije, izbrane pri λMinErrNapaka v življenjepisu37.368141.7876133.3857
 Število funkcij432111
Razširjene funkcije, izbrane pri λ1SENapaka v življenjepisu46.568150.0435141.2622
 Število funkcij34121
 

Teža lasove označuje, ali je bila izvedena regulirana logistična regresija z uporabo lasso (lasso teža = 1) ali elastične mreže (masa lasso = 0.5).

HN, zdravi neigralci; DG, neurejeni igralci iger; NG, običajni igralci; GM, siva snov; WM, bela snov; FA, frakcijska anizotropija; RD, radialna difuzivnost; MD, srednja difuzivnost; CV, navzkrižna validacija.

Za razlikovanje neurejenih igralcev od zdravih, ki niso igralci, so značilnosti 43 izbrane pri λMinErr je zajemala debelino 24 GM regij in FA trakta 19 WM, in funkcije 34, izbrane pri λ1SE obsegajo debelino 15 GM regij in FA trakta 19 WM. Za razlikovanje običajnih igralcev od zdravih, ki niso igralci, so funkcije 21 izbrane pri λMinErr je obsegal debelino 12 GM regij in RD trakta 9 WM, in funkcije 12, izbrane pri λ1SE obsegajo debelino 6 GM regij in RD trakta 6 WM. V razvrstitvi med neurejene in običajne igralce so značilnosti 11, izbrane pri λMinErr obsega obseg 7 GM regij in MD trakta 4 WM ter eno funkcijo, izbrano pri λ1SE ustrezalo količini ene GM regije.

Delovanje izbranih funkcij

Med modelom z zmanjšanim številom funkcij in modelom z vsemi značilnostmi 108 je bila zmogljivost primerljiva glede na AUC pri razlikovanju med posameznimi vrstami igralcev in zdravimi neigralci s strani SVM (slika (Figure3) .3). V razvrstitvi med neurejene in običajne igralce je model s funkcijami, izbranimi pri λMinErr (AUC = 0.83, p = 0.006) ali pri λ1SE (AUC = 0.72, p <0.001) je pokazala slabše zmogljivosti kot model z vsemi 108 funkcijami (AUC = 0.90).

 

Zunanja datoteka, ki vsebuje sliko, ilustracijo itd. Ime predmeta je fpsyt-09-00291-g0003.jpg

Primerjava zmogljivosti glede na območje pod karakteristiko krivulje delovanja sprejemnika (AUC) med modeli brez in z izbiro lastnosti za razvrstitev med vsakim parom treh skupin s pomočjo podpornih vektorskih strojev. Model funkcij 108 (označen s polno črto) ustreza modelu brez izbire lastnosti, medtem ko modeli zmanjšanega števila funkcij ustrezajo tistim z redkimi in redkejšimi lastnostmi, izbranimi pri λMinErr (označeno s črtkanimi črtami) in λ1SE (označeno s črtkasto črto). HN, zdravi neigralci; DG, neurejeni igralci iger; NG, običajni igrači.

Natančnost razvrstitve

Pri razvrščanju SVM-jev s funkcijami, izbranimi pri λMinErr, natančnost je bila večja od 98%, znatno višja od stopnje naključja (p <0.001), pri razlikovanju vsake vrste igralcev od zdravih igralcev iger (slika (Figure4A) .4A). Natančnost je bila še vedno bistveno višja od stopnje naključja (p = 0.002), toda tako nizko kot 69.8% v razvrstitvi med neurejenimi in običajnimi igralci, posebej pri nizki občutljivosti (47.4%) pri pravilni identifikaciji neurejenih igralcev. Redkejše lastnosti, določene pri λ1SE razstavil podobno predstavo (slika (Slika4B) 4B), vendar so pokazali veliko nižjo občutljivost (2.6%) pri pravilnem razlikovanju neurejenih igralcev od običajnih igralcev.

 

Zunanja datoteka, ki vsebuje sliko, ilustracijo itd. Ime predmeta je fpsyt-09-00291-g0004.jpg

Zmede matrike v razvrstitvi med vsakim parom treh skupin pri uporabi () redke in (B) manjše lastnosti, določene pri λMinErr in pri λ1SEv podpornih vektorskih strojih. Spodnja desna celica predstavlja natančnost klasifikacije (ACC), resnično negativno stopnjo spodnje leve celice (TNR) ali specifičnost, resnično pozitivno stopnjo spodnje leve celice (TNR) ali občutljivost, zgornjo desno celico negativno napovedno vrednost (NPV) ) in pozitivno napovedno vrednost (srednja desna celica) (PPV). TP, resnično pozitiven; TN, resnično negativno; FP, lažno pozitiven; FN, lažno negativno.

Razprava

V tej raziskavi smo želeli preučiti, ali bi lahko patološke in nepatološke igralce, kategorizirane z IGDS, predlaganimi v DSM-5, predstavljali redki nevroanatomski značilnosti. Neurejeni in normalni igralci iger so bili predstavljeni glede na lastnosti 43 in 21 glede na zdrave igralce. Poleg tega so bili neurejeni igralci predstavljeni z značilnostmi 11 v primerjavi z običajnimi igralci. S pomočjo redkih nevroanatomskih lastnosti bi lahko neurejene in normalne igralce uspešno razlikovali od zdravih igralcev, vendar je bila razvrstitev med neurejene in običajne igralce razmeroma zahtevna.

Opisna kategorizacija IGD na osnovi simptomov temelji na IGDS, predlaganih v DSM-5. Čeprav je bila empirična veljavnost IGDS potrjena v več državah (, , ), prag pri iskanju petih ali več predmetov IGDS morda ne bo dokončna izbira, zato se lahko predlagajo drugi načini kategoriziranja posameznikov, ki igrajo internetne igre (). Ker postajajo vedno bolj dostopni več vrst kliničnih podatkov, kot so podatki o slikanju možganov, pa tudi demografski, vedenjski in simptomatski podatki, bi bilo mogoče uporabiti dodatne podatke za diagnozo duševnih bolezni. Zaradi množičnosti kvantitativnih informacij so podatki o slikanju možganov primerni za računalniške pristope in bi bili koristni za napovedovanje. Za resnično je dokazano, da imajo podatki za slikanje možganov boljše napovedne vrednosti v primerjavi z drugimi kliničnimi podatki za napovedovanje za reševanje klinično pomembnih težav ().

Ker se je diagnostična klasifikacija na podlagi ML nedavno uporabljala tudi pri drugih odvisniških vedenjih in motnjah (-) se zdi, da se kategorizacija IGD, ki temelji na simptomih, tudi sooča z izzivom klasifikacije na podlagi računalništva. Ker so v prejšnjih študijah večkrat poročali o anatomskih nepravilnostih možganov po IGD (-, ), smo menili, da so takšni nevroanatomski podatki iz možganskih slikovnih podatkov potencialni biomarkerji za diagnozo IGD. V tej raziskavi je bil naš cilj ugotoviti nabor pomembnih nevroanatomskih značilnosti, ki bi lahko zagotovile ustrezno visoko stopnjo klasifikacije, ne pa tudi pri opisovanju nevroanatomskih razlik med razredi posameznikov.

Med nevroanatomskimi značilnostmi 108 smo izbrali pomembne, temeljito regularizirano regresijo. Ko smo upoštevali osem kombinacij parametrov GM in WM, smo za razlikovanje vsakega para treh skupin izbrali različne kombinacije parametrov. Kombinacija debeline GM regij in celovitosti WM trakta je bila boljša za razlikovanje patoloških igralcev od zdravih neigralcev, medtem ko je bila kombinacija obsega GM regij in razširjenosti WM trakta boljša za razlikovanje patoloških igralcev od nepatoloških igralcev. Čeprav so številne sestavine možganov ponavadi služile kot nevroanatomske lastnosti, ki so bile pomembne za razlikovanje patoloških in nepatoloških igralcev od zdravih, ki niso igralci, so nekatere regije GM in WM označile nepatološke igralce, ne pa patološke igralce . Te ugotovitve kažejo, da morda ni univerzalno najučinkovitejše kombinacije parametrov GM in WM kot nevroanatomskih biomarkerjev, tako da je treba izbrati posebno kombinacijo parametrov GM in WM glede na skupine, ki jih je treba razvrstiti.

Manjše število redkih lastnosti za razlikovanje nepatoloških igralcev igre v primerjavi z razlikovanjem patoloških igralcev od zdravih igralcev ne kaže, da so nepatološki igralci v prehodni fazi med patološkimi igralci in zdravimi neigralci. Poleg tega manj redke značilnosti za razvrstitev med dvema vrstama igralcev iger kot razlikovanje med posameznimi vrstami igralcev in zdravimi igralci neznanke pomeni, da so bili patološki in nepatološki igralci v primerjavi z njimi manj različni nevroanatomije, kot da se razlikujejo od zdravih, ki niso igralci. Skladno s tem so razvrstitveni modeli, ustvarjeni z redkimi značilnostmi, pri razlikovanju med posameznimi vrstami igralcev in zdravih igralcev neznanke presegali 98%, natančnost pa pod 70% pri razvrstitvi med dve vrsti igralcev. Se pravi, da se nepatološki igralci razlikujejo od zdravih, ki niso igralci, pa tudi patološki igralci, vendar so pri razlikovanju med patološkimi in nepatološkimi igralci obstajale omejitve.

Zdi se, da sorazmerno majhna razlikovalnost obeh vrst igralcev kaže na nekaj pojmov. Najprej je mogoče predlagati neskladje med kategorizacijo na podlagi simptomov in klasifikacijo na podlagi izračuna. Čeprav je bil predlagani diagnostični prag pri iskanju petih ali več meril v IGDS konzervativno izbran, da se prepreči prevelika diagnoza IGD (), ni mogoče zanemariti prisotnosti igralcev, ki trpijo o pomembnih patoloških spremembah nevroanatomije, vendar ne izpolnjujejo praga IGD. Zlasti smo vključili le igralce, ki so izpolnili predmete IGDS veliko nižje od praga IGD kot običajni igralci, tako da so igralci z diagnozo IGD na splošno bolj oddaljeni od zdravih posameznikov, ki ne igrajo iger, kot je prikazano v tej študiji. Drugič, lahko opazimo izziv pri razvrščanju, ki temelji samo na nevroanatomskih biomarkerjih. Učinkovitost razvrstitve bi lahko izboljšali z vključitvijo drugih biomarkerjev, ki lahko zajamejo večje razlike med patološkimi in nepatološkimi igralci. Predvsem zato, ker se funkcionalne spremembe v možganih kažejo tudi pri IGD (-), delovanje in anatomija možganov bi lahko šteli za biomarkerje možganov. Poleg tega želimo opozoriti, da so spremembe v možganih le del večdimenzionalnega vidika odvisnosti od spletnih iger, tako da drugi dejavniki, nenazadnje različni notranji in zunanji dejavniki tveganja za odvisnost od internetnih iger (), je treba vključiti v popolnejše modele za razvrstitev med patološke in nepatološke igralce ter za razlikovanje igralcev od zdravih posameznikov, ki ne igrajo iger.

Tu smo uporabili regularizirano regresijo z uporabo ocenjevalcev, ki spodbujajo razpršitev, kot sta lasso in elastična mreža, da prepoznamo pomembne lastnosti klasifikacijskih modelov. Dejansko obstajajo metodološke razlike pri izbiri značilnosti ali zmanjšanju dimenzij, za uporabo izbranih funkcij v konstrukciji modelov pa se lahko uporabijo različni pristopi (). Naš pristop z uporabo regulirane regresije vključuje a priori domnevo o redkosti nevroanatomskih značilnosti. Pod pogojem, da je takšna predpostavka sprejemljiva, kot smo verjeli v tej študiji, bi bila lahko regulirana regresija verjeten pristop, izbrani niz redkih lastnosti pa naj bi sestavljal klasifikacijske modele ustrezno visoke učinkovitosti. Vendar je opazno, da enostavnejši klasifikacijski modeli, ki temeljijo na večji redkosti, ne kažejo vedno primerljivih ali izboljšanih zmogljivosti. Dejansko med različnimi izbirami stopnje redkosti glede na regularizacijski parameter večja redkost verjetno ne bo zagotovila boljšega modela posebej pri zahtevnejših težavah s klasifikacijo, kot je razvrstitev med patološke in nepatološke igralce.

Poleg tega smo SVM uporabili kot ML tehniko za izdelavo klasifikacijskih modelov, saj so med najbolj priljubljenimi. Za izboljšanje uspešnosti klasifikacije se lahko uporabijo druge napredne metode, čeprav primerljive učinkovitosti med različnimi metodami ni mogoče zaključiti zaradi odvisnosti uspešnosti od eksperimentalnih scenarijev (). Po drugi strani smo za primerjalno uspešnost med klasičnimi statističnimi metodami in ML tehnikami razvrstili tudi logistično regresijo in pokazali, da sta obe metodi, in sicer logistična regresija in SVM, primerljivi pri uspešnosti klasifikacije (Slika S2). Mogoče je ponoviti, da klasične statistične metode pri uspešnosti klasifikacije niso vedno slabše od tehnik ML ().

V trenutni študiji smo razkrili, da bi bilo mogoče na simptomski kategorizaciji IGD predstavljati redke nevroanatomske biomarkerje, ki so sestavljali klasifikacijske modele. Poleg tega smo dokazali, da bi se lahko nevropatološki igralci v nevroanatomiji manj razlikovali od patoloških igralcev kot od zdravih posameznikov, ki ne igrajo iger. Zato predlagamo, da čeprav se trenutni diagnostični sistemi opirajo na opisno kategorizacijo, kot je DSM-5 kot zlati standard, bo morda nepatološke igralce treba skrbno diagnosticirati z uporabo objektivnih biomarkerjev, kot so tisti, ki so povezani z nevroanatomskimi spremembami. Sprejem računalniških pristopov se zdi nepovraten trend v psihiatriji, vendar pa je za njihovo uporabo v kliničnih okoljih morda dolga pot. V naslednjih raziskavah je treba izvesti optimalno izbiro redkih lastnosti slikanja možganov in drugih kliničnih podatkov, dolgoročno pa bi ta prizadevanja spodbudila računalniško diagnozo IGD.

Avtorski prispevki

D-JK in J-WC sta bila odgovorna za koncept in oblikovanje študije. HC je opravil klinično karakterizacijo in izbiro udeležencev. CP je analiziral podatke in sestavil rokopis. Vsi avtorji so kritično pregledali vsebino in odobrili končno različico za objavo.

Izjava o konfliktu interesov

Avtorji izjavljajo, da je bila raziskava izvedena v odsotnosti komercialnih ali finančnih odnosov, ki bi se lahko razumeli kot potencialno navzkrižje interesov.

Opombe

 

Financiranje. To raziskavo je podprl program raziskovanja možganov s pomočjo Nacionalne raziskovalne fundacije Koreje (NRF), ki jo je financiralo Ministrstvo za znanost in IKT v Koreji (NRF-2014M3C7A1062893).

 

Reference

1. Mlada KS. Zasvojenost z internetom: pojav nove klinične motnje. CyberPsychol Behav. (1998) 1: 237 – 44. 10.1089 / cpb.1998.1.237 [Cross Ref]
2. Ameriško psihiatrično združenje Diagnostični in statistični priročnik duševnih motenj, 5th izdaja. Washington, DC: Založništvo Ameriškega psihiatričnega združenja; (2013).
3. Ko CH, Yen JY, Chen SH, Wang PW, Chen CS, Yen CF. Vrednotenje diagnostičnih meril motnje internetnega igranja v DSM-5 pri mladih odraslih na Tajvanu. J Psihiatr 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 in sod. . Spremenjena gostota sive snovi in ​​motena funkcionalna povezanost amigdale pri odraslih z motnjo internetnih iger. 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. Nenormalna količina sive in bele snovi v 'odvisnikih od spletnih iger'. Zasvojenec Behav. (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 in sod. . Sprememba obsega sive snovi in ​​kognitivni nadzor pri mladostnikih z motnjo spletnih iger. Spredaj Behav Neurosci. (2015) 9: 64. 10.3389 / fnbeh.2015.00064 [PMC brez članka] [PubMed] [Cross Ref]
7. Yuan K, Cheng P, Dong T, Bi Y, Xing L, Yu D in sod. . Nenormalnosti kortikalne debeline v pozni adolescenci z zasvojenostjo s spletnimi igrami. PloS ONE (2013) 8: e53055. 10.1371 / journal.pone.0053055 [PMC brez članka] [PubMed] [Cross Ref]
8. Dong G, Devito E, Huang J, Du X. Difuzijsko tenzorsko slikanje razkriva nepravilnosti talama in posteljnega cingulata v odvisnikih od spletnih iger. J Psihiatr Res. (2012) 46: 1212 – 6. 10.1016 / j.jpsychires.2012.05.015 [PMC brez članka] [PubMed] [Cross Ref]
9. Xing L, Yuan K, Bi Y, Yin J, Cai C, Feng D in sod. . Zmanjšana celovitost vlaken in kognitivni nadzor pri mladostnikih z motnjo spletnih iger. Možgani 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 in sod. . Strukturne razlike v povezljivosti leve in desne časovne režnja epilepsije. Nevroimage (2014) 100: 135 – 44. 10.1016 / j.neuroimage.2014.04.071 [PubMed] [Cross Ref]
11. Huys QJ, Maia TV, Frank MJ. Računalniška psihiatrija kot most od nevroznanosti do kliničnih aplikacij. Nat Neurosci. (2016) 19: 404 – 13. 10.1038 / nn.4238 [PMC brez članka] [PubMed] [Cross Ref]
12. Lemmens JS, Valkenburg PM, Gentile DA. Lestvica motenj spletnih iger. Ocena psihologa. (2015) 27: 567 – 82. 10.1037 / pas0000062 [PubMed] [Cross Ref]
13. Dahnke R, Yotter RA, Gaser C. Ocene debeline kortiksa in osrednje površine. Nevroimage (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 in sod. . Prostorska statistika na osnovi trakta: voxelwise analiza večpredmetnih difuzijskih podatkov. Nevroimage (2006) 31: 1487 – 505. 10.1016 / j.neuroimage.2006.02.024 [PubMed] [Cross Ref]
15. Kladiva A, Allom R, Koepp MJ, Free SL, Myers R, Lemieux L in sod. . Tridimenzionalni največji verjetnostni atlas človeških možganov s posebnim poudarkom na časovnem režnjah. Zemljevid možganov 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 in sod. . Stereotaksični atlas bele snovi, ki temelji na difuzijskem tenzorju v predlogi ICBM. Nevroimage (2008) 40: 570 – 82. 10.1016 / j.neuroimage.2007.12.035 [PMC brez članka] [PubMed] [Cross Ref]
17. Tibshirani R. Regresijsko krčenje in selekcija preko lasa. J Roy Stat Soc Ser B (1996) 58: 267 – 88.
18. Zou H, Hastie T. Regularizacija in variabilna izbira preko elastične mreže. J Roy Stat Soc Ser B (2005) 67: 301 – 20. 10.1111 / j.1467-9868.2005.00503.x [Cross Ref]
19. Theodoridis S. Strojno učenje: Bayesova in optimizacijska perspektiva. London: Academic Press; (2015).
20. Delong ER, Delong DM, Clarke-Pearson DL. Primerjava območij pod dvema ali več koreliranimi karakterističnimi krivuljami sprejemnika: neparametrični pristop. Biometrija (1988) 44: 837 – 45. 10.2307 / 2531595 [PubMed] [Cross Ref]
21. Cho SH, Kwon JH. Validacija korejske različice lestvice motnje internetnih igralnih motenj (K-IGDS): ugotovitve vzorca odraslih v skupnosti. Korejski 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. Psihometrične lastnosti kitajske lestvice motenj spletnih iger. Zasvojenec Behav. (2017) 74: 20 – 6. 10.1016 / j.addbeh.2017.05.031 [PubMed] [Cross Ref]
23. Burke Quinlan E, Dodakian L, glej J, Mckenzie A, Le V, Wojnowicz M et al. . Nevronska funkcija, poškodba in podtip možganske kapi napovedujejo, da bo zdravljenje po možganski kapi uspelo. Ann Neurol. (2015) 77: 132 – 45. 10.1002 / ana.24309 [PMC brez članka] [PubMed] [Cross Ref]
24. Pariyadath V, Stein EA, Ross TJ. Strojna razvrstitev funkcionalne povezanosti stanja počitka napoveduje stanje kajenja. Sprednji Hum Neurosci. (2014) 8: 425. 10.3389 / fnhum.2014.00425 [PMC brez članka] [PubMed] [Cross Ref]
25. Fedota JR, Stein EA. Funkcionalna povezanost v mirovanju in nikotinska odvisnost: možnosti za razvoj biomarkerjev. Ann NY Acad Sci. (2015) 1349: 64 – 82. 10.1111 / nyas.12882 [PMC brez članka] [PubMed] [Cross Ref]
26. Ahn WY, Ramesh D, Moeller FG, Vassileva J. Uporabnost pristopov strojnega učenja za prepoznavanje vedenjskih markerjev za motnje uporabe snovi: dimenzije impulzivnosti kot napovedovalci trenutne odvisnosti od kokaina. Sprednja psihiatrija (2016) 7: 34. 10.3389 / fpsyt.2016.00034 [PMC brez članka] [PubMed] [Cross Ref]
27. Ahn WY, Vassileva J. Strojno učenje identificira odvisne od vedenjskih označevalcev za odvisnost od opiata in stimulansov. Odvisi od alkohola drog. (2016) 161: 247 – 57. 10.1016 / j.drugalcdep.2016.02.008 [PMC brez članka] [PubMed] [Cross Ref]
28. Percy C, França M, Dragičević S, D'avila Garcez A. Napovedovanje samoizključitve spletnih iger na srečo: analiza uspešnosti nadzorovanih modelov strojnega učenja. 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 in sod. . Spremenjena privzeta funkcionalna povezljivost omrežja v mirovanju pri mladostnikih z odvisnostjo od spletnih iger. PloS ONE (2013) 8: e59902. 10.1371 / journal.pone.0059902 [PMC brez članka] [PubMed] [Cross Ref]
30. Meng Y, Deng W, Wang H, Guo W, Li T. Predfrontalna disfunkcija pri posameznikih z motnjo internetnih iger: metaanaliza funkcionalnih študij slikanja z magnetno resonanco. Zasvojeni 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 in sod. . Spremenjena funkcionalna povezljivost izola pri mladih odraslih z motnjo internetnega igranja. Zasvojeni Biol. (2015) 21: 743 – 51. 10.1111 / adb.12247 [PMC brez članka] [PubMed] [Cross Ref]
32. Cai C, Yuan K, Yin J, Feng D, Bi Y, Li Y in sod. . Striatum morfometrija je povezana s pomanjkanjem kognitivne kontrole in resnostjo simptomov pri motnji internetnih iger. Možganska slika. (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. Ali so možgani, odvisni od internetnih iger, blizu patološkega stanja? Zasvojeni Biol. (2017) 22: 196 – 205. 10.1111 / adb.12282 [PubMed] [Cross Ref]
34. Kuss DJ, Griffiths dr. Odvisnost od spletnih iger na srečo: sistematičen pregled empiričnih raziskav. Int J Ment Zdravstveni odvisnik. (2012) 10: 278 – 96. 10.1007 / s11469-011-9318-5 [Cross Ref]
35. Castellanos FX, Di Martino A, Craddock RC, Mehta AD, Milham MP. Klinične aplikacije funkcionalnega konekoma. Nevroimage (2013) 80: 527 – 40. 10.1016 / j.neuroimage.2013.04.083 [PMC brez članka] [PubMed] [Cross Ref]
36. Tollenaar N, Van Der Heijden P. Katera metoda napoveduje recidivizem najbolje ?: primerjava statističnih, strojnega učenja in napovednih modelov rudarjenja podatkov. J Roy Stat Soc Ser A (2013) 176: 565 – 84. 10.1111 / j.1467-985X.2012.01056.x [Cross Ref]