Kuchagua Watumiaji wa mtandao wa Pathological na mashirika yasiyo ya patholojia Kutumia vipengele vya Neuroanatomical Sparse (2018)

. 2018; 9: 291.

Imechapishwa mtandaoni 2018 Juni 29. do:  10.3389 / fpsyt.2018.00291

PMCID: PMC6033968

PMID: 30008681

abstract

Ugonjwa wa michezo ya kubahatisha mtandao (IGD) mara nyingi hutolewa kwa msingi wa vigezo tisa vya msingi kutoka kwa toleo la hivi karibuni la Mwongozo wa Utambuzi na Takwimu wa Matatizo ya Kisaikolojia (DSM-5). Hapa, sisi kuchunguza kama vile dalili-msingi categorization inaweza kutafsiriwa katika kuhesabu computation makao. Takwimu za MRI (sMRI) na data za MRI (dMRI) za kupotoshwa zilipatikana katika gamers za 38 zilizotambuliwa na IGD, gamers ya kawaida ya 68 inayoonekana kama haikuwa na IGD, na 37 yasiyo ya gamers. Tumezalisha vipengele vya 108 vya suala la kijivu (GM) na muundo nyeupe (WM) kutoka kwa data ya MRI. Wakati regressionist regression ya vifaa ilitumika kwa 108 vipengele vya neuroanatomical kuchagua cha muhimu muhimu kwa tofauti kati ya makundi, wasiwasi na gamers kawaida walikuwa kuwakilishwa kwa vipengele vya 43 na 21, kwa mtiririko huo, kuhusiana na wasio na gamers afya, wakati gamers wasiwasi waliwakilishwa kwa suala la vipengele vya 11 kuhusiana na gamers ya kawaida. Katika mashine za vector kusaidia (SVM) kwa kutumia vipengele vidogo vya neuroanatomical kama predictors, gamers wasiwasi na kawaida walikuwa kuchaguliwa kwa mafanikio, kwa usahihi zaidi ya 98%, kutoka yasiyo ya gamers afya, lakini uainishaji kati ya gamers wasiwasi na kawaida ilikuwa vigumu sana. Matokeo haya yanaonyesha kuwa gamers ya pathological na isiyo ya patholojia kama jumuiya na vigezo kutoka DSM-5 inaweza kuwakilishwa na vipengele vidogo vya neva, hasa katika mazingira ya kuwachagua wale kutoka kwa watu wasiokuwa na michezo ya kubahatisha.

Keywords: ugonjwa wa michezo ya michezo ya kubahatisha, utaratibu wa uchunguzi, MRI ya kimuundo, MRI iliyosababishwa na mchanganyiko, regression over regression

kuanzishwa

Ingawa wamependekezwa kuwa madawa ya kulevya kwa miaka mingi (), hivi karibuni tu kwamba ugonjwa wa michezo ya kubahatisha Internet (IGD) uliorodheshwa katika Mwongozo wa Utambuzi na Takwimu wa Matatizo ya Matibabu (DSM). Toleo la tano la DSM (DSM-5) () kutambuliwa IGD kama hali ya utafiti zaidi na kutoa vigezo tisa vya kuchunguza. Katika makundi ya msingi ya dalili kwa kutumia kipengee cha IGD kilichopendekezwa (IGDS) kilichopendekezwa katika DSM-5, kizingiti cha kufikia vigezo tano au zaidi kilikutumiwa kwa ugonjwa wa IGD. Ingawa hatua hii ya kukata inaweza kutofautisha gamers kuteseka kwa uharibifu mkubwa wa kliniki (), asili ya dhahabu ya vitu vya IGD inawezekana kuhusisha upungufu wa ugonjwa au uchafu.

Mbali na dalili, aina tofauti za dysfunction zinazohusiana na IGD zinaonekana mara nyingi, sio mabadiliko ya neuroanatomical. Kwa hakika, kazi kubwa ya kazi imeonyesha kwamba IGD inahusishwa na mabadiliko ya miundo katika ubongo: kupigwa kwa kiasi kijivu (GM) (kiasi)-), kupungua kwa unene wa kamba (), na kupoteza uaminifu wa suala nyeupe (WM) (, ) imeonyeshwa kawaida. Mabadiliko haya ya neuroanatomical yanayohusiana na IGD yanaonyesha kuwa vigezo vya ubongo vile vya ubongo vinaweza kutumika kama biomarkers ili kutofautisha watu wenye IGD kutoka kwa watu wengine. Hiyo ni, uchunguzi wa IGD unaweza kufanywa kwa njia ya uendeshaji wa kompyuta ya biomarkers ya neva, badala ya kupangiliwa kwa dalili kulingana na DSM-5. Majaribio haya yanaweza kuwa sawa na jitihada za kuhamia zaidi ya utambuzi unaoelezea kwa kutumia mbinu za kompyuta za akili (), mbinu maalum za data inayotokana na kujifunza mashine (ML) ili kukabiliana na ugonjwa wa akili ().

Katika utafiti huu, tulitafuta kiungo kati ya jumuiya ya msingi ya dalili kwa misingi ya ugawaji wa IGDS na uhesabuji wa hesabu kwa kutumia biomarkers ya neuroanatomical katika ugonjwa wa IGD. Kwa sababu baadhi ya vipengele vya GM na WM ya ubongo ingekuwa ni pamoja na taarifa nyekundu au zisizo na maana kwa uainishaji wa uchunguzi, tulitaka kuchagua vipengele vidogo vya neuroanatomical kwa kutumia udhibiti wa regularized. Tunafikiri kuwa makundi ya msingi ya dalili yanaweza kusimamishwa kwa suala la vipengele vidogo vya neuroanatomical ambavyo vinaweza kutengeneza mifano ya uainishaji ya utambuzi wa IGD. Gamers pathological zilizoambukizwa na IGD walidhani kuwa ni tofauti zaidi kutoka kwa watu wasiokuwa na michezo ya kubahatisha afya kuliko kutoka kwa gamers wanaogunduliwa kuwa hawana IGD, yaani, gamers zisizo za patholojia; hivyo, gamers pathological inaweza kuwa na idadi kubwa ya makala ikilinganishwa na gamers yasiyo ya pathological, kuhusiana na yasiyo ya michezo ya kubahatisha watu binafsi. Kwa kuongeza, tulitaka kuamua kama gamers zisizo za patholojia zinaweza kutofautiana kidogo kutoka kwa gamers ya patholojia au kutoka kwa watu wasiokuwa na michezo ya kubahatisha afya. Gamers yasiyo ya pathological inaweza kuwa bila shaka kudhani kuwa karibu na watu wasiokuwa na michezo ya kubahatisha afya kwa suala la dalili za maelezo, lakini tulidhani kwamba wazo kama hilo linahitaji kuthibitishwa kwa njia ya uainishaji wa msingi.

Vifaa na mbinu

Washiriki

Miongoni mwa washiriki wa 237 wanaocheza michezo ya mtandao, watu wa 106 walichaguliwa kwa kuwatenga wale ambao walionyesha tofauti kati ya IGDS binafsi na taarifa ya mahojiano na kisaikolojia ya kliniki katika uchunguzi wa IGD au wamekosa au kupotosha data ya ubongo ya imaging. Kwa misingi ya IGDS, watu wa 38 (miaka 27.66 ± 5.61, wanawake wa 13) ambao walidhiria angalau vitu vitano vya IGDS vilikuwa vilivyochaguliwa gamers zilizoharibika na watu wa 68 (miaka 27.96 ± 6.41, wanawake wa 21) ambao wameshikilia bidhaa nyingi za IGDS zilikuwa zimeandikwa gamers ya kawaida. Watu ambao walikamilisha vitu vya IGD kati ya mbili na nne pia vilitengwa, kwa sababu wanaweza kutambuliwa kama darasa lingine kati ya gamers zilizoharibika na za kawaida (). Kwa kuongezea, watu 37 (miaka 25.86 ± 4.10; wanawake 13) wasiocheza michezo inayotegemea mtandao waliajiriwa kando, na waliitwa wenye afya wasio wachezaji. Kutokuwepo kwa comorbidities kwa washiriki wote ilithibitishwa. Idhini iliyoandikwa ya habari ilipatikana kutoka kwa washiriki wote kulingana na Azimio la Helsinki na marekebisho yake ya baadaye, na utafiti huo ulikubaliwa na Bodi ya Ukaguzi wa Taasisi katika Hospitali ya Seoul St. Mary, Seoul, Korea.

Upatikanaji wa data za MRI

Takwimu za MRI (sMRI) na takwimu za MRI (dMRI) za kupotoshwa zilikusanywa kwa kutumia mfumo wa 3 T MAGNETOM Verio (Siemens AG, Erlangen, Ujerumani). Upatikanaji wa data ya SMRI ulifanyika kwa kutumia mlolongo wa haraka wa magnetization ulioandaliwa: nambari ya vipande kwenye ndege ya sagittal = 176, unene wa kipande = 1 mm, ukubwa wa matriki = 256 × 256, na uamuzi wa ndege = 1 × 1 mm . Kwa upatikanaji wa takwimu za DMRI, encoding ya kutafakari ya utambulisho ilifanyika katika maelekezo ya 30 na b = 1,000 s / mm2 na mlolongo wa picha moja ya kupiga picha uliotumika: idadi ya vipande kwenye ndege ya axial = 75, unene wa kipande = 2 mm, ukubwa wa matriki = 114 × 114, na uamuzi wa ndege = 2 × 2 mm.

Usindikaji wa data za MRI

Zana zimejumuishwa katika CAT12 (http://www.neuro.uni-jena.de/cat/) ilitumiwa kutengeneza data za SMRI. Picha ya ukubwa wa ubongo iligawanyika katika tishu tofauti, ikiwa ni pamoja na GM, WM, na maji ya corticospinal pamoja na spatially iliyosajiliwa na ubongo wa kumbukumbu katika nafasi ya kawaida. Katika morphometry makao ya voxel (VBM), kiasi cha GM cha busara cha voxel kinakadiriwa na kuongeza uwezekano wa kuwa GM kwa kiasi cha voxel, na kisha maadili hayo yaligawanyika kwa kiasi cha jumla cha kutosha ili kurekebisha tofauti tofauti kwa kiasi kikubwa. Katika morphometry ya msingi ya uso (SBM), unene wa kamba ilifikiriwa kutumia mbinu ya unene wa makadirio ().

Usindikaji wa data ya DMRI

Zana zimejumuishwa katika FSL 5.0 (http://fsl.fmrib.ox.ac.uk/fsl/) waliajiriwa kutengeneza data ya DMRI. Picha zote zilirejeshwa kwenye picha ya null iliyopatikana na b = 0 s / mm2 ili kurekebisha upotofu wa sasa uliopotoka na mwendo wa kichwa. Tensor ya ugawanyiko ilifanyika kwa kila voxel ndani ya ubongo, na vigezo vinavyotokana na mchanganyiko, ikiwa ni pamoja na sehemu ya anisotropy (FA), maana ya kutofautiana (MD), axial diffusivity (AD), na diffusivity radial (RD), zilihesabiwa; alipewa tofauti tatu kwa misingi tofauti ya tensor ya kupatanishwa, FA ilihesabiwa kama mzizi wa mraba wa jumla ya mraba wa tofauti za tofauti kati ya shaba tatu, MD kama tofauti ya wastani katika pembe tatu, AD kama tofauti kubwa zaidi kwenye mhimili mkuu , na RD kama wastani wa diffusivities pamoja na shoka mbili ndogo. Kutumia takwimu za eneo la msingi (TBSS) () kutekelezwa katika FSL 5.0, ramani za vigezo vinavyotokana na mchanganyiko zilikuwa zimeandikishwa kwa ubongo wa kumbukumbu katika nafasi ya kawaida, na kisha zilipangwa kwenye mifupa ya WM.

Kizazi cha kipengele

Hatua mbili kuu za kubuni mtindo wa uainishaji ni kipengele cha kizazi na uteuzi. Tumezalisha vipengele kutokana na neuroanatomy, hasa kiasi na unene wa seti ya mikoa ya GM na uaminifu na utofauti wa seti ya WW chati. Baada ya kukadiria kiasi cha GM na uwiano wa kamba kama ramani za busara za voxel zilizopatikana kutoka kwa VBM na SBM, kwa mtiririko huo, vigezo vilipimwa kwa kila mikoa ya 60 GM (Jedwali S1), iliyopigwa kama kwenye atlas ya Hammer (), kama wastani katika voxels zote ndani yake. Baada ya kulinganishwa kwa vigezo vinavyotokana na tensor, ikiwa ni pamoja na FA, MD, AD, na RD kama ramani za busara za voxel kwenye mifupa ya WM inayopatikana kutoka kwa TBSS, vigezo vilizingatiwa kwa kila aina ya 48 WM (Jedwali S2), iliyopangwa kama ilivyo kwenye ICBM DTI-81 atlas (), kama wastani katika voxels zote ndani yake. Kwa jumla, tulizingatia vigezo viwili vya GM na vigezo vinne vya WM, ambayo ilitoa mchanganyiko nane wa vigezo vya GM na WM. Kwa kila mchanganyiko wa vigezo vya GM na WM, maadili ya parameter ya mikoa ya 60 GM na matangazo ya 48 WM yalijumuisha jumla ya vipengele vya neuroanatomical vya 108.

Uchaguzi wa kipengele na regressionist regression

Kupunguza idadi ya vipengele ni muhimu, hasa kwa data na idadi kubwa ya vipengele na idadi ndogo ya uchunguzi. Idadi ndogo ya uchunguzi kuhusiana na idadi ya vipengele inaweza kusababisha kufungia kelele, na regularization ni mbinu inayowezesha kupunguza au kuzuia overfitting kwa kuanzisha maelezo ya ziada au vikwazo kwa mfano. Kwa sababu vipengele vyote vya 108 havijumuisha habari muhimu na muhimu kwa ajili ya uainishaji, tumechagua seti ya vipengele vingi kwa kutumia matumizi ya regression. Hasa, lasso () na wavu wa kuunganisha () kutumika kwa regressionist regressionistic logistic. Lasso ni pamoja na muda wa adhabu, au parameter regularization, λ, ambayo inakabiliwa na ukubwa wa makadirio ya mgawo katika mfano wa regression ya vifaa. Kwa sababu ongezeko la λ linasababisha coefficients yenye thamani zaidi ya zero, lasso hutoa mfano wa kupunguzwa kwa vifaa na kupunguzwa kwa wachache. Kivuli cha kuunganisha hutoa pia kupunguzwa kwa njia ya kurekebisha vifaa kwa kuweka coefficients kwa sifuri, hasa ikiwa ni pamoja na parameter ya mseto wa mseto wa lasso na regression regression, kushinda upeo wa lasso katika kutibu predictors sana uhusiano.).

Kwa uainishaji kati ya kila jozi ya vikundi vitatu, tumeomba nyavu ya lasso na elastic kutambua predictors muhimu kati ya vipengele vya neuroanatomu vya 108 katika mfano wa regression wa vifaa. Vipengele vya 108 vya watu wote katika kila jozi ya vikundi vitatu vilitengenezwa kwa kutunga tumbo la data, A, ambayo kila safu iliwakilisha uchunguzi mmoja na kila safu iliwakilisha mtabiri mmoja. Ili kurekebisha athari za umri wa mtu na jinsia kwenye vigezo vya GM na WM, tumbo linaloundwa. R, ilizalishwa: R = I-C(CTC)-1C ambapo I ilikuwa tumbo la utambulisho na C ilikuwa coding coding confonding covariates ya umri na ngono. Ilikuwa kisha kutumika kwa A ili kupata mabaki baada ya kuondokana na covariates zilizochanganyikiwa: X = RA.

Kutokana na matrix ya data yaliyobadilishwa, X, na majibu, Y, ambayo imechukua makundi mawili ya watu binafsi, 10 mara msalaba-uthibitishaji (CV) ilitumiwa kutafuta parameter regularization, λMinErr, ambayo imetoa hitilafu ya chini kwa suala la upungufu, unafafanuliwa kama uwezekano mdogo wa uwezekano kwa mfano uliopimwa uliopanuliwa juu ya folda za kuthibitisha. Vinginevyo, kwa sababu Curve ya CV ina makosa katika kila λ iliyojaribiwa, parameter ya regularization, λ1SE, iliyopatikana ndani ya kosa moja ya kawaida ya kosa la chini la CV kwa uongozi wa kuongezeka kwa regularization kutoka λMinErr pia ilizingatiwa. Hiyo ni, vipengele vya uchachezi vilichaguliwa katika λ1SE, ambapo vipengele vidogo vimeamua saa λMinErr. Utaratibu huu wa kutafuta mfumo wa regression wa vifaa vya regression na wachapishaji wachache ulirudiwa kwa kila mchanganyiko wa vigezo vya GM na WM zinazojumuisha vipengele vya neuroanatomical vya 108.

Utendaji wa vipengele vilivyochaguliwa

Ili kuchunguza manufaa ya vipengele vidogo na vichache, utendaji ulilinganishwa kati ya mfano na idadi ndogo ya vipengele na mfano na vipengele vyote vya 108 katika mashine za vector vya msaada (SVMs) kwa kupima safu ya uendeshaji (ROC) ya mpokeaji. Kwa kernel linear kama kazi ya kernel na hyperparameters iliyoboreshwa na CV mara tano, SVM ilifundishwa kwa watu wote katika kila jozi ya vikundi vitatu. Eneo chini ya mkondo wa ROC (AUC) lilipimwa kwa kila mfano kama kipimo cha kiasi cha utendaji wake. DeLong vipimo () waliajiriwa kulinganisha AUC kati ya kila jozi ya mifano. Wakati AUC ikilinganishwa na pkizuizi cha 0.05, utendaji ulifikiriwa kuwa haufananishwa na mifano miwili.

Uainishaji usahihi

Taratibu za kimkakati kutoka kwa kizazi na uteuzi wa vipengele kwa ujenzi wa mifano ya uainishaji ni iliyotolewa katika Kielelezo Kielelezo1.1. Kwa kila jozi ya vikundi vitatu, mifano ya uainishaji wa SVM ilizalishwa kwa kutumia vipengele vilivyochaguliwa kama predictors. Tuligundua usahihi wa mifano ya uainishaji kwa kutumia mpango wa CV-moja-nje, kama usahihi wa uainishaji wa sampuli ulipimwa kwa kila mtu binafsi wa kushoto na kisha ukadiriwa kila mtu. Umuhimu wa takwimu wa usahihi ulipimwa kwa kutumia vipimo vya vibali. Usambazaji wa null usio na maandishi kwa kugawa kati ya kila jozi ya vikundi vitatu ulijitokeza kwa kuruhusu vibali vya watu binafsi na kupima usahihi unaohusishwa na maandiko yaliyoruhusiwa. Wakati usahihi kupimwa kwa maandiko yaliyothibitishwa ilikuwa ya juu kuliko au sawa na usambazaji wa null katika pkizuizi cha 0.05, kilichoamua kuwa tofauti kabisa na kiwango cha nafasi (usahihi = 50%). Kwa kuongeza, tumbo la kuchanganyikiwa lilifanyika kuelezea unyeti na uwazi kuhusu tofauti kati ya kila jozi ya vikundi vitatu.

 

Faili ya nje ambayo inashikilia picha, mfano, nk Jina la jina ni fpsyt-09-00291-g0001.jpg

Taratibu za kikaboni kutoka kwa kizazi na uteuzi wa vipengele vya neuroanatomical kwa ujenzi wa mifano ya uainishaji kati ya gamers walio na matatizo (DG) na wasio na gamers afya (HN), kati ya gamers ya kawaida (NG) na HN, na kati ya DG na NG. GM, suala la kijivu; WM, jambo nyeupe.

Matokeo

Uchaguzi wa kipengele

Kielelezo Kielelezo22 huonyesha vipengele vilivyochaguliwa kati ya vipengele vya 108 na makadirio yao ya mgawo, na Jedwali Jedwali11 inaelezea habari zinazofaa zinazohusiana na regressionist regressionistic logistic regression kwa ajili ya uainishaji kati ya kila jozi ya makundi matatu. Kwa kuongeza, Mchoro S1 inaonyesha ambayo λ ilitoa kosa la chini la CV na jinsi vipengele vingi vimechaguliwa katika λ1SE kama vile katika λMinErr. Hitilafu ya chini ya CV ilipatikana katika uteuzi wa kipengele na lasso (lasso uzito = 1) kwa ugawaji kati ya wasio na gamers walio na afya na gamers ya kawaida na wavu wa elastic (lasso uzito = 0.5) kwa uainishaji mwingine.

 

Faili ya nje ambayo inashikilia picha, mfano, nk Jina la jina ni fpsyt-09-00291-g0002.jpg

Vipengele vilivyochaguliwa vya neuroanatomical katika regression ya vifaa vya kawaida kwa uainishaji kati ya kila jozi ya vikundi vitatu. Gamers zilizoharibika (DG) ziliorodheshwa kama 1 katika uainishaji kati ya wasio-kamari wenye afya (HN) na DG, wachezaji wa kawaida (NG) kama 1 katika uainishaji kati ya HN na NG, na DG kama 1 katika uainishaji kati ya NG na DG. Saizi ya baa inawakilisha saizi ya mgawo wa kipengee husika, kama vile sifa za mgawo zisizo sifuri huchaguliwa. Akili zilizotolewa zinaonyesha vitu vya kijivu na vitu vyeupe vinavyolingana na sifa zilizochaguliwa kutoka kwa mtazamo bora. Vipengele vya nyekundu au hudhurungi huonyesha zilizojumuishwa katika vipengee vya sparser vilivyoamuliwa kwa λ1SE kama vile katika vipengele vidogo vilivyowekwa katika λMinErr, ambapo wale wenye rangi ya njano au magenta wanaonyesha wale ambao wamejumuisha tu katika vipengele vifupi. Maandiko ya vipengele vya ubongo ni kama ilivyoonyeshwa kwenye Majedwali S1 na S2. L, kushoto; R, sawa.

Meza 1

Maelezo ya kufaa kwa regressionist regressionistic logistic kwa uainishaji kati ya kila jozi ya makundi matatu.

 HN vs DGHN dhidi ya NGNG vs DG
KigezoGMUneneUneneKiasi
 WMFARDMD
Uzito wa Lasso0.510.5
Vipengele vichache vichaguliwa katika λMinErrHitilafu ya CV37.368141.7876133.3857
 Hapana ya vipengele432111
Vipengee vya Sparser vilichaguliwa katika λ1SEHitilafu ya CV46.568150.0435141.2622
 Hapana ya vipengele34121
 

Uzito wa lasso unaonyesha kama regressionist regressionistic vifaa ulifanyika kwa kutumia lasso (lasso uzito = 1) au elastic net (lasso uzito = 0.5).

HN, wasio na gamers wenye afya; DG, gamers wasiwasi; NG, gamers ya kawaida; GM, suala la kijivu; WM, jambo nyeupe; FA, anisotropi ya sehemu; RD, diffusivity radial; MD, maana ya utofauti; CV, uthibitisho wa msalaba.

Katika ubaguzi wa gamers walioharibika kutoka kwa wasio na gamers afya, vipengele 43 kuchaguliwa katika λMinErr lilikuwa na unene wa mikoa ya 24 GM na FA ya matangazo ya 19 WM, na vipengele vya 34 vilivyochaguliwa katika λ1SE lilikuwa na unene wa mikoa ya 15 GM na FA ya vichwa vya XMUMX WM. Kwa tofauti ya gamers ya kawaida kutoka kwa wasio na gamers wenye afya, vipengele vya 19 vilichaguliwa katika λMinErr lilikuwa na unene wa mikoa ya 12 GM na RD ya vichwa vya XMUMX WM, na vipengele vya 9 vilichaguliwa katika λ1SE lilikuwa na unene wa mikoa ya 6 GM na RD ya vichwa vya XMUMX WM. Katika ubaguzi kati ya gamers zilizoharibika na za kawaida, vipengele vya 6 vilichaguliwa katika λMinErr ilijumuisha kiasi cha mikoa ya 7 GM na MD ya vichwa vya XMUMX WM, na kipengele kimoja kilichochaguliwa katika λ1SE limefanana na kiasi cha mkoa mmoja wa GM.

Utendaji wa vipengele vilivyochaguliwa

Kati ya mfano na idadi ndogo ya vipengele na mfano na vipengele vyote vya 108, utendaji ulifananishwa na suala la AUC katika ubaguzi kati ya kila aina ya gamers na wasio na gamers afya na SVMs (Kielelezo (Kielelezo3) .3). Katika ubaguzi kati ya gamers zilizoharibika na ya kawaida, mfano na vipengele vilivyochaguliwa ama katika λMinErr (AUC = 0.83, p = 0.006) au katika λ1SE (AUC = 0.72, p <0.001) ilionyesha utendaji duni kuliko mfano na sifa zote 108 (AUC = 0.90).

 

Faili ya nje ambayo inashikilia picha, mfano, nk Jina la jina ni fpsyt-09-00291-g0003.jpg

Kulinganisha utendaji kwa suala la eneo chini ya mkondo wa uendeshaji wa upokeaji (AUC) kati ya mifano bila na na uteuzi wa kipengele kwa uainishaji kati ya kila jozi ya makundi matatu na mashine za vector msaada. Mfano wa vipengele vya 108 (zinaonyeshwa na mstari imara) vinahusiana na kwamba bila uteuzi wa vipengele, wakati mifano ya kupunguzwa kwa idadi ya vipengele yanahusiana na wale walio na vipengele vidogo na vya sparser waliochaguliwa katika λMinErr (imeonyeshwa na mstari wa dashed) na λ1SE (imeonyeshwa na dash-dot line), kwa mtiririko huo. HN, wasio na gamers wenye afya; DG, gamers wasiwasi; NG, gamers ya kawaida.

Uainishaji usahihi

Katika utaratibu wa SVM kwa kutumia vipengele vilivyochaguliwa katika λMinErr, usahihi ulikuwa mkubwa kuliko 98%, kikubwa zaidi kuliko kiwango cha nafasi (p <0.001), kwa tofauti ya kila aina ya wachezaji kutoka kwa wasio-michezo wenye afya (Kielelezo (Kielelezo4A) .4A). Usahihi bado ulikuwa mkubwa zaidi kuliko kiwango cha nafasi (p = 0.002) lakini chini ya 69.8% katika uainishaji kati ya gamers zilizoharibika na za kawaida, hasa kuonyesha usikivu mdogo (47.4%) katika utambulisho sahihi wa gamers zilizoharibika. Vipengele vya sparser vinatambuliwa katika λ1SE ilionyesha utendaji sawa (Kielelezo (Kielelezo4B) 4B) lakini ilionyesha unyeti wa chini sana (2.6%) katika tofauti sahihi ya gamers zilizoharibika kutoka gamers ya kawaida.

 

Faili ya nje ambayo inashikilia picha, mfano, nk Jina la jina ni fpsyt-09-00291-g0004.jpg

Matrices ya kuchanganyikiwa katika uainishaji kati ya kila jozi ya vikundi vitatu wakati wa kutumia (A) kidogo na (B) Vipengele vya uchezaji vimeamua saa λMinErr na saa λ1SE, kwa mtiririko huo, katika mashine za vector kusaidia. Kiini cha chini cha kulia kinamaanisha usahihi wa uainishaji (ACC), kiini cha chini cha kushoto cha kweli hasi (TNR) au upeo, kiwango cha chini cha kati cha kiini cha kweli (TNR) au uelewa, thamani ya juu ya kiini hasi ya utabiri (NPV ), na thamani ya predictive ya kiini cha katikati ya kulia (PPV). TP, chanya kweli; TN, hasi ya kweli; FP, chanya chanya; FN, hasi hasi.

Majadiliano

Katika utafiti huu, tulitaka kuchunguza kama gamers ya pathological na yasiyo ya patholojia kama jumuiya na IGDS iliyopendekezwa katika DSM-5 inaweza kuwakilishwa na vipengele vidogo vya neuroanatomical. Gamers zilizoharibika na za kawaida ziliwakilishwa kulingana na vipengele vya 43 na 21, kwa mtiririko huo, kuhusiana na wasio na gamers wenye afya. Kwa kuongeza, gamers zilizoharibika ziliwakilishwa kulingana na vipengele vya 11 kuhusiana na gamers ya kawaida. Kutumia vipengele vidogo vya neuroanatomical, gamers zilizoharibika na za kawaida zinaweza kuchaguliwa kwa mafanikio kutoka kwa wasio na gamers wenye afya, lakini uainishaji kati ya gamers zilizoharibika na wa kawaida ulikuwa vigumu sana.

Makundi ya maelezo ya dalili ya IGD na IGDS iliyopendekezwa katika DSM-5 inachukuliwa sana. Ingawa uhalali wa uandishi wa IGDS umethibitishwa katika nchi nyingi (, , ), kizingiti cha kupata vitu tano au zaidi vya IGDS inaweza kuwa chaguo la uhakika, na njia zingine za kugawa watu wanaocheza michezo ya mtandao zinaweza kupendekezwa (). Kwa kuwa data nyingi za kliniki, kama data ya ubongo ya ubongo pamoja na data ya idadi ya watu, tabia, na dalili, zinazidi kupatikana, data zaidi inaweza kutumika kwa ajili ya ugonjwa wa akili. Hasa, kwa sababu ya habari ya kiasi, maelezo ya ubongo ya ubongo yanafaa kwa njia za kompyuta na ingekuwa muhimu kwa utabiri. Kwa hakika, data ya uchunguzi wa ubongo imeonyeshwa kuwa na maadili bora ya kuzingatia ikilinganishwa na data nyingine za kliniki katika utabiri wa kutatua shida ya kliniki ().

Kama utaratibu wa uchunguzi wa ML uliotumika hivi karibuni kwa tabia nyingine za kulevya na matatizo (-), ugawaji wa dalili za IGD pia inaonekana kukabiliana na changamoto ya uhesabuji wa msingi. Kwa sababu hali isiyo ya kawaida ya ubongo ifuatayo IGD imesimuliwa mara kwa mara katika masomo ya awali (-, ), tulitambua taarifa hizo za neuroanatomical kutoka kwa ubunifu wa ubunifu wa data za biomarkers kwa ajili ya uchunguzi wa IGD. Katika utafiti huu, lengo letu lilikuwa ni kutambua kipengele cha vipengele muhimu vya neuroanatomical ambavyo vinaweza kutoa utendaji wa kutosha wa uainishaji, zaidi ya kuelezea tofauti za neuroanatomical kati ya madarasa ya watu binafsi.

Tulichagua mambo muhimu, kati ya vipengele vya neuroanatomical vya 108, udhibiti wa udhibiti uliowekwa kikamilifu. Tulizingatia mchanganyiko nane wa vigezo vya GM na WM, mchanganyiko tofauti wa vigezo walichaguliwa kwa kutofautisha kila jozi ya vikundi vitatu. Mchanganyiko wa unene wa mikoa ya GM na uaminifu wa mistari ya WM ilikuwa bora kwa kutofautisha gamers pathological kutoka wasio na gamers afya, wakati mchanganyiko wa kiasi cha mikoa GM na diffusivity ya WM tracts ilikuwa bora kwa kutofautisha gamers pathological kutoka gamers zisizo za patholojia. Aidha, ingawa vipengele vingi vya ubongo kawaida kutumika kama vipengele vya neuroanatomic ambazo zilikuwa muhimu kwa tofauti ya gamers ya pathological na yasiyo ya patholojia kutoka kwa wasio na gamers afya, baadhi ya mikoa GM na WM tracts sifa gamers yasiyo ya pathological, lakini si gamers pathological . Matokeo haya yanaonyesha kwamba haipaswi kuwa na mchanganyiko bora zaidi wa ulimwengu wa vigezo vya GM na WM kama biomarkers ya neuroanatomical, ili mchanganyiko maalum wa GM na WM vigezo unapaswa kuchaguliwa kulingana na vikundi vinavyowekwa.

Nambari ndogo ya vipengele vidogo kwa tofauti ya gamers zisizo za patholojia ikilinganishwa na tofauti ya gamers pathological, kutoka gamers yasiyo ya afya, inaonyesha kuwa gamers yasiyo ya pathological ni katika hatua ya mpito kati ya gamers pathological na afya yasiyo ya gamers. Kwa kuongeza, vipengele vichache vidogo kwa uainishaji kati ya aina mbili za gamers kuliko ubaguzi kati ya kila aina ya gamers na wasio na gamers afya wanaonyesha kuwa gamers na pathological yasiyo ya pathological walikuwa chini tofauti kwa kila mmoja katika suala ya neuroanatomy kuliko wao kuwa tofauti kutoka afya yasiyo ya gamers. Kwa hivyo, mifano ya uainishaji iliyotengenezwa kwa vipengele vidogo yalitoa usahihi zaidi ya 98% katika ubaguzi kati ya kila aina ya gamers na wasio na gamers afya lakini usahihi chini ya 70% katika uainishaji kati ya aina mbili ya gamers. Hiyo ni, gamers zisizo za patholojia zilikuwa za kutofautisha kutoka kwa wasio na gamers wenye afya pamoja na gamers ya pathological walikuwa, lakini kulikuwa na mapungufu katika kutofautisha kati ya gamers ya pathological na yasiyo ya patholojia.

Tofauti hii ya chini kati ya aina mbili za gamers inaonekana inaonyesha mawazo machache. Kwanza, kutofautiana kati ya makundi ya msingi ya dalili na uainishaji wa msingi wa hesabu inaweza kupendekezwa. Ingawa kizingiti kilichopendekezwa cha uchunguzi wa kufikia vigezo tano au zaidi katika IGDS kilikuwa kikiandaliwa kwa uhifadhi ili kuzuia uchunguzi wa IGD (), kuwepo kwa gamers kuna matatizo makubwa ya pathological katika neuroanatomy lakini si kuridhisha kizingiti IGD haiwezi kupuuzwa. Hasa, sisi tu ni pamoja na gamers ambao wamejaa vitu vya IGDS chini sana kuliko kizingiti cha IGD kama gamers ya kawaida, ili gamers zilizoonekana kama hazina IGD inaweza kuwa mbali zaidi na watu wasiokuwa na michezo ya kubahatisha afya kuliko ilivyoonyeshwa katika utafiti huu. Pili, changamoto katika ugawaji kutegemewa tu juu ya biomarkers ya nyuzi za damu inaweza kuzingatiwa. Uainishaji utendaji unaweza kuboreshwa kwa kuhusisha biomarkers nyingine ambayo inaweza kupata tofauti kubwa kati ya pathological na yasiyo ya pathological gamers. Hasa, kwa sababu mabadiliko ya kazi katika ubongo yanaonyeshwa pia katika IGD (-), kazi pamoja na anatomy ya ubongo inaweza kuchukuliwa kama biomarkers ya ubongo. Aidha, tunataka kutambua kuwa mabadiliko katika ubongo yanajumuisha tu sehemu ya vipengele mbalimbali vya utumiaji wa michezo ya kubahatisha michezo, hivyo kwamba mambo mengine, sio sababu mbalimbali za hatari za ndani na nje za utumiaji wa michezo ya kubahatisha mtandao (), inapaswa kuingizwa katika mifano kamili zaidi kwa ajili ya uainishaji kati ya gamers pathological na zisizo za patholojia pamoja na tofauti ya gamers kutoka watu wasiokuwa na michezo ya kubahatisha afya.

Hapa, tumefanya udhibiti wa regression, kwa kutumia makadirio ya kuhamasisha sparsity kama vile lasso na nyavu ya kuunganisha, kutambua vipengele muhimu kwa mifano ya uainishaji. Kuna kweli tofauti za mbinu katika uteuzi wa kipengele au kupunguza dimensionality, na njia mbalimbali zinaweza kutumika kwa matumizi ya vipengele vilivyochaguliwa katika ujenzi wa mfano (). Njia yetu kwa kutumia regression ya regression inahusisha mawazo ya priori kuhusu sparsity katika vipengele vya neuroanatomical. Kutokana na kwamba dhana kama hiyo inakubalika, kama tulivyoamini katika utafiti huu, regression ya regression inaweza kuwa mbinu plausible, na seti ya kuchaguliwa ya vipengele wachache ingekuwa kutarajia kutengeneza mifano ya uainishaji wa utendaji wa kutosha juu. Lakini ni dhahiri kwamba mifano rahisi ya uainishaji inayotokana na sparsity kubwa haiwezi kila mara kuonyesha utendaji kulinganishwa au kuboreshwa. Hakika, kati ya uchaguzi tofauti wa kiwango cha sparsity kulingana na parameter regularization, sparsity kubwa hakuwa na uwezekano wa kutoa mfano bora zaidi katika matatizo magumu zaidi ya uainishaji, kama uainishaji kati ya pathological na yasiyo ya pathological gamers.

Kwa kuongeza, tumeutumia SVM kama mbinu ya ML kwa kujenga mitindo ya uainishaji, kwa sababu ni miongoni mwa wengi maarufu. Mbinu nyingine za juu zinaweza kutumika kuboresha utendaji wa uainishaji, ingawa utendaji wa kulinganisha kati ya mbinu tofauti hauwezi kukamilika kwa sababu ya utegemezi wa utendaji kwenye matukio ya majaribio (). Kwa upande mwingine, kwa utendaji wa kulinganisha kati ya mbinu za kawaida za takwimu na mbinu za ML, tumefanya uainishaji na regression ya vifaa pia na kuonyesha kwamba njia mbili, yaani regression ya vifaa na SVM, zilifanana na utendaji wa uainishaji (Kielelezo S2). Inaweza kupitiwa kuwa mbinu za kawaida za takwimu sio daima duni kwa mbinu za ML katika utendaji wa uainishaji ().

Katika utafiti wa sasa, tumefunulia kuwa jumuiya ya IGD inayowekwa na dalili inaweza kuonyeshwa kwa suala la biomarkers za nishati za neva ambazo zinajumuisha mifano ya aina. Zaidi ya hayo, tumeonyesha kuwa gamers zisizo za patholojia zinaweza kutofautiana kidogo kutoka kwa gamers ya patholojia kuliko kutoka kwa watu wasiokuwa na michezo ya kubahatisha afya, kwa suala la neuroanatomy. Kwa hiyo tunashauri kwamba ingawa mifumo ya sasa ya uchunguzi inategemea makundi ya ufafanuzi kama vile DSM-5 kama viwango vya dhahabu, gamers zisizo za patholojia zinahitajika kuambukizwa kwa utunzaji zaidi kwa kutumia biomarkers ya lengo kama vile zinazohusiana na mabadiliko ya neuroanatomical. Kupitishwa kwa mbinu za kompyuta huonekana kuwa hali isiyoweza kurekebishwa katika uelewaji wa akili, lakini kunaweza kuwa na njia ndefu ya kwenda kwa kutumia vibaya mazingira ya kliniki. Tafuta uteuzi bora wa vipengele vifupi kutoka kwenye picha ya ubongo na data nyingine za kliniki inahitaji kufanywa katika masomo yafuatayo, na kwa muda mrefu, jitihada hizi zinaweza kukuza uchunguzi wa msingi wa IGD.

Michango ya Mwandishi

D-JK na J-WC walihusika na dhana ya utafiti na kubuni. HC ilifanya sifa za kliniki na uteuzi wa washiriki. CP ilichambua data na ikaandika waraka. Waandishi wote walipitia upya maudhui na kupitishwa toleo la mwisho la kuchapishwa.

Migogoro ya taarifa ya riba

Waandishi wanatangaza kuwa utafiti ulifanyika bila kutokuwepo na uhusiano wowote wa biashara au wa kifedha ambao unaweza kuitwa kama mgogoro wa maslahi.

Maelezo ya chini

 

Fedha. Utafiti huu uliungwa mkono na Programu ya Utafiti wa Sayansi ya Ubongo kupitia Shirika la Taifa la Utafiti la Korea (NRF) linalopatiwa na Wizara ya Sayansi na Teknolojia nchini Korea (NRF-2014M3C7A1062893).

 

 

Vifaa vya ziada

Nyenzo ya ziada kwa makala hii inaweza kupatikana mtandaoni kwa: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material

Marejeo

1. Young KS. Matumizi ya kulevya kwa mtandao: kuibuka kwa ugonjwa mpya wa kliniki. CyberPsychol Behav. (1998) 1: 237-44. 10.1089 / cpb.1998.1.237 [Msalaba wa Msalaba]
2. Chama cha Psychiatric ya Marekani Utambuzi na Mwongozo wa Takwimu wa Matatizo ya Akili, Toleo la 5th. Washington, DC: Association ya Psychiatric ya Marekani Kuchapisha; (2013).
3. Ko CH, Yen JY, Chen SH, Wang PW, Chen CS, Yen CF. Tathmini ya vigezo vya uchunguzi wa ugonjwa wa michezo ya kubahatisha Internet katika DSM-5 kati ya vijana wazima nchini Taiwan. J Psychiatr Res. (2014) 53: 103-10. 10.1016 / j.jpsychires.2014.02.008 [PubMed] [Msalaba wa Msalaba]
4. Ko CH, Hsieh TJ, Wang PW, Lin WC, Yen CF, Chen CS, et al. . Ilibadilika wiani wa sura ya kijivu na kuchanganyikiwa kuunganishwa kwa kazi ya amygdala kwa watu wazima wenye ugonjwa wa michezo ya kubahatisha. Prog Neuropsychopharmacol Biol Psychiatry (2015) 57: 185-92. 10.1016 / j.pnpbp.2014.11.003 [PubMed] [Msalaba wa Msalaba]
5. Lin X, Dong G, Wang Q, Du X. Suala la kawaida la kijivu na suala nyeupe kiasi katika 'addicts ya michezo ya kubahatisha mtandao'. Mbaya Behav. (2015) 40: 137-143. 10.1016 / j.addbeh.2014.09.010 [PubMed] [Msalaba wa Msalaba]
6. Wang H, Jin C, Yuan K, Shakir TM, Mao C, Niu X, et al. . Mabadiliko ya kiasi kijivu na udhibiti wa utambuzi katika vijana wenye ugonjwa wa michezo ya michezo ya kubahatisha. Front Behav Neurosci. (2015) 9: 64. 10.3389 / fnbeh.2015.00064 [Makala ya bure ya PMC] [PubMed] [Msalaba wa Msalaba]
7. Yuan K, Cheng P, Dong T, Bi Y, Xing L, Yu D, et al. . Ukosefu wa kutofautiana wa ukingo mwishoni mwishoni mwa ujana wa michezo ya kubahatisha. PloS ONE (2013) 8: e53055. 10.1371 / journal.pone.0053055 [Makala ya bure ya PMC] [PubMed] [Msalaba wa Msalaba]
8. Dong G, Devito E, Huang J, Du X. Maonyesho ya kuchanganyikiwa ya kutafakari huonyesha thalamus na posterior cingulate isiyosababishwa na cortex katika utumiaji wa michezo ya kubahatisha. J Psychiatr Res. (2012) 46: 1212-6. 10.1016 / j.jpsychires.2012.05.015 [Makala ya bure ya PMC] [PubMed] [Msalaba wa Msalaba]
9. Xing L, Yuan K, Bi Y, Yin J, Cai C, Feng D, et al. . Kupunguza uaminifu wa fiber na udhibiti wa utambuzi katika vijana wenye ugonjwa wa michezo ya michezo ya kubahatisha. Resin ya ubongo. (2014) 1586: 109-17. 10.1016 / j.brainres.2014.08.044 [PubMed] [Msalaba wa Msalaba]
10. Besson P, Dinkelacker V, Valabugua R, Thivard L, Leclerc X, Baulac M, et al. . Tofauti ya kuunganishwa kwa miundo katika kifafa ya kifafa ya kifafa ya kushoto. Nuru (2014) 100: 135-44. 10.1016 / j.neuroimage.2014.04.071 [PubMed] [Msalaba wa Msalaba]
11. Huys QJ, Maia TV, Frank MJ. Ufuatiliaji wa akili kama daraja kutoka kwa neuroscience hadi maombi ya kliniki. Nat Neurosci. (2016) 19: 404-13. 10.1038 / nn.4238 [Makala ya bure ya PMC] [PubMed] [Msalaba wa Msalaba]
12. Lemmens JS, PM wa Valkenburg, DA Mataifa. Kiwango cha ugonjwa wa michezo ya michezo ya kubahatisha. Tathmini ya Psycho. (2015) 27: 567-82. 10.1037 / pas0000062 [PubMed] [Msalaba wa Msalaba]
13. Dahnke R, Yotter RA, Gaser C. Cortical unene na makadirio ya uso wa kati. Nuru (2013) 65: 336-48. 10.1016 / j.neuroimage.2012.09.050 [PubMed] [Msalaba wa Msalaba]
14. Smith SM, Jenkinson M, Johansen-Berg H, Rueckert D, Nichols TE, Mackay CE, et al. . Takwimu za eneo la anga: uchambuzi wa voxelwise wa takwimu nyingi za usambazaji. Nuru (2006) 31: 1487-505. 10.1016 / j.neuroimage.2006.02.024 [PubMed] [Msalaba wa Msalaba]
15. Hammer A, Allom R, Koepp MJ, Free SL, Myers R, Lemieux L, et al. . Tatu ya kiwango cha juu cha athari ya ubongo wa binadamu, na kutaja hasa kwa lobe ya muda. Hum Brain Mapp. (2003) 19: 224-47. 10.1002 / hbm.10123 [PubMed] [Msalaba wa Msalaba]
16. Mori S, Oishi K, Jiang H, Jiang L, Li X, Akhter K, et al. . Athari ya stereotaxic nyeupe ya msingi kulingana na taswira ya kutangaza diffusion katika template ya ICBM. Nuru (2008) 40: 570-82. 10.1016 / j.neuroimage.2007.12.035 [Makala ya bure ya PMC] [PubMed] [Msalaba wa Msalaba]
17. Tibshirani R. Ukandamizaji wa ukandamizaji wa ukandamizaji na uteuzi kupitia lasso. J Roy Stat Soc Ser B (1996) 58: 267-88.
18. Zou H, Hastie T. Regularization na uteuzi wa kutofautiana kupitia wavu wa chini. J Roy Stat Soc Ser B (2005) 67: 301-20. 10.1111 / j.1467-9868.2005.00503.x [Msalaba wa Msalaba]
19. Theodoridis S. Mafunzo ya Machine: Mtazamo wa Bayesian na Biashara. London: Press Academic; (2015).
20. Delong ER, Delong DM, Clarke-Pearson DL. Kulinganisha maeneo yaliyo chini ya vipimo viwili vinavyohusiana na upokeaji wa kupokea mbili: au njia isiyo ya pembeni. Biometrics (1988) 44: 837-45. 10.2307 / 2531595 [PubMed] [Msalaba wa Msalaba]
21. Cho SH, Kwon JH. Uthibitishaji wa toleo la Kikorea la Kiwango cha Matatizo ya Uchezaji wa Michezo (K-IGDS): matokeo kutoka kwa sampuli ya jamii ya watu wazima. Kikorea J Clin Psychol. (2017) 36: 104-17. 10.15842 / kjcp.2017.36.1.010 [Msalaba wa Msalaba]
22. Sigerson L, Li AYL, MWU wa Cheung, Luk JW, Cheng C. Mali ya kisaikolojia ya wadogo wa Kiitaliano wa michezo ya michezo ya michezo ya kubahatisha. Mbaya Behav. (2017) 74: 20-6. 10.1016 / j.addbeh.2017.05.031 [PubMed] [Msalaba wa Msalaba]
23. Burke Quinlan E, Dodakian L, Angalia J, Mckenzie A, Le V, Wojnowicz M, et al. . Kazi ya Neural, kuumia, na kiharusi subtype kutabiri faida ya matibabu baada ya kiharusi. Ann Neurol. (2015) 77: 132-45. 10.1002 / ana.24309 [Makala ya bure ya PMC] [PubMed] [Msalaba wa Msalaba]
24. Pariyadath V, Stein EA, Ross TJ. Ufafanuzi wa kujifunza mashine ya kupumzika hali ya kuunganishwa kwa kazi hutabiri hali ya sigara. Front Hum Neurosci. (2014) 8: 425. 10.3389 / fnhum.2014.00425 [Makala ya bure ya PMC] [PubMed] [Msalaba wa Msalaba]
25. Fedota JR, Stein EA. Kuunganishwa kwa hali ya utendaji kazi na kulevya ya nikotini: matarajio ya maendeleo ya biomarker. Ann NY Acad Sci. (2015) 1349: 64-82. 10.1111 / nyas.12882 [Makala ya bure ya PMC] [PubMed] [Msalaba wa Msalaba]
26. Ahn WY, Ramesh D, Moeller FG, Vassileva J. Uwezo wa njia za kujifunza mashine kutambua matatizo ya tabia kwa matatizo ya matumizi ya madawa: vipimo vya impulsivity kama predictors ya utegemezi wa sasa wa cocaine. Psychiatry ya mbele (2016) 7: 34. 10.3389 / fpsyt.2016.00034 [Makala ya bure ya PMC] [PubMed] [Msalaba wa Msalaba]
27. Ahn WY, Vassileva J. Machine-learning hutambulisha alama za tabia za kidunia kwa utegemezi wa opiate na kusisimua. Dawa ya Dawa Inategemea. (2016) 161: 247-57. 10.1016 / j.drugalcdep.2016.02.008 [Makala ya bure ya PMC] [PubMed] [Msalaba wa Msalaba]
28. Percy C, França M, Dragičević S, D'avila Garcez A. Kutabiri kamari mkondoni kujitenga: uchambuzi wa utendaji wa mifano inayosimamiwa ya kujifunza mashine. Int Gambl Stud. (2016) 16: 193-210. 10.1080 / 14459795.2016.1151913 [Msalaba wa Msalaba]
29. Ding WN, Sun JH, Sun YW, Zhou Y, Li L, Xu JR, et al. . Ilibadilika kuunganishwa kwa kazi ya hali ya kupumua ya mtandao kwa vijana walio na utumiaji wa kulevya kwa mtandao. PloS ONE (2013) 8: e59902. 10.1371 / journal.pone.0059902 [Makala ya bure ya PMC] [PubMed] [Msalaba wa Msalaba]
30. Meng Y, Deng W, Wang H, Guo W, Li T. Upungufu wa mapendeleo kwa watu binafsi wenye ugonjwa wa michezo ya michezo ya kubahatisha: uchambuzi wa meta wa tafiti za ufunuo wa ufunuo wa magnetic resonance. Addict Biol. (2015) 20: 799-808. 10.1111 / adb.12154 [PubMed] [Msalaba wa Msalaba]
31. Zhang JT, Yao YW, Li CSR, Zang YF, Shen ZJ, Liu L, et al. . Uingilizi wa hali ya kupumzika ya utendaji wa insula kwa vijana wadogo wenye ugonjwa wa michezo ya michezo. Addict Biol. (2015) 21: 743-51. 10.1111 / adb.12247 [Makala ya bure ya PMC] [PubMed] [Msalaba wa Msalaba]
32. Cai C, Yuan K, Yin J, Feng D, Bi Y, Li Y, et al. . Morphometry ya kupima inahusishwa na upungufu wa udhibiti wa utambuzi na ukali wa dalili katika ugonjwa wa michezo ya kubahatisha. Uzoefu wa Ubongo Behav. (2016) 10: 12-20. 10.1007 / s11682-015-9358-8 [PubMed] [Msalaba wa Msalaba]
33. Park C, Chun JW, Cho H, Jung YC, Choi J, Kim DJ. Je, ubongo wa mtandao wa michezo ya kubahatisha ni karibu na hali ya patholojia? Addict Biol. (2017) 22: 196-205. 10.1111 / adb.12282 [PubMed] [Msalaba wa Msalaba]
34. Kuss DJ, MD Griffiths. Uvutaji wa michezo ya kubahatisha mtandao: mapitio ya utaratibu wa utafiti wa ufundi. Int J Ment Afya Addict. (2012) 10: 278-96. 10.1007 / s11469-011-9318-5 [Msalaba wa Msalaba]
35. Castellanos FX, Di Martino A, Craddock RC, Mehta AD, Mbunge wa Milham. Matumizi ya kliniki ya kuunganishwa kwa kazi. Nuru (2013) 80: 527-40. 10.1016 / j.neuroimage.2013.04.083 [Makala ya bure ya PMC] [PubMed] [Msalaba wa Msalaba]
36. Tollenaar N, Van Der Heijden P. Ni njia ipi ambayo inabiri recidivism bora?: Kulinganisha kwa mifano ya takwimu, vifaa vya kujifunza na madini ya utabiri wa madini. J Roy Stat Soc Ser A (2013) 176: 565-84. 10.1111 / j.1467-985X.2012.01056.x [Msalaba wa Msalaba]