จิตเวชศาสตร์ด้านหน้า. 2018; 9: 291
เผยแพร่ออนไลน์ 2018 Jun 29 ดอย: 10.3389 / fpsyt.2018.00291
PMCID: PMC6033968
PMID: 30008681
สวนสาธารณะ Chang-hyun,1 จีวอนชอน,1 ฮยอนโช,1,2 และ ไดจินคิม1,*
นามธรรม
ความผิดปกติของการเล่นเกมทางอินเทอร์เน็ต (IGD) มักจะได้รับการวินิจฉัยบนพื้นฐานของเกณฑ์เก้าประการจากคู่มือการวินิจฉัยและสถิติของความผิดปกติทางจิตรุ่นล่าสุด (DSM-5) ที่นี่เราตรวจสอบว่าการจัดหมวดหมู่ตามอาการดังกล่าวสามารถแปลเป็นการจัดหมวดหมู่ตามการคำนวณ โครงสร้าง MRI (sMRI) และข้อมูลการกระจายน้ำหนัก MRI (dMRI) ได้มาจากนักเล่นเกม 38 ที่ได้รับการวินิจฉัยว่าเป็น IGD, นักเล่นเกมทั่วไป 68 ที่วินิจฉัยว่าไม่มี IGD และ 37 ผู้ที่ไม่ใช่นักเล่นเกมเพื่อสุขภาพ เราสร้างคุณสมบัติ 108 ของโครงสร้างสสารเทา (GM) และโครงสร้างสสารขาว (WM) จากข้อมูล MRI เมื่อถดถอยโลจิสติกปกติถูกนำไปใช้กับคุณสมบัติทางประสาทวิทยา 108 เพื่อเลือกสิ่งที่สำคัญสำหรับความแตกต่างระหว่างกลุ่มเกมเมอร์ที่ไม่เป็นระเบียบและปกติถูกแสดงในแง่ของคุณสมบัติ 43 และ 21 ตามลำดับในความสัมพันธ์กับ นักเล่นเกมที่ไม่เป็นระเบียบถูกแสดงในรูปแบบของคุณสมบัติ 11 ที่เกี่ยวข้องกับเกมเมอร์ปกติ ในการสนับสนุนเวกเตอร์แมชชีน (SVM) โดยใช้คุณสมบัติทางประสาทวิทยาเชิงกระจัดกระจายเป็นตัวทำนายนักเล่นเกมที่ไม่เป็นระเบียบและปกติได้รับการจำแนกได้สำเร็จโดยมีความแม่นยำมากกว่า 98% จากผู้ที่ไม่ใช่ผู้เล่นที่มีสุขภาพดี แต่การจำแนกระหว่าง การค้นพบเหล่านี้ชี้ให้เห็นว่านักเล่นเกมทางพยาธิวิทยาและพยาธิวิทยาที่ไม่ได้จัดหมวดหมู่ตามเกณฑ์จาก DSM-5 สามารถแสดงได้ด้วยคุณสมบัติทางประสาทวิทยาที่กระจัดกระจายโดยเฉพาะอย่างยิ่งในบริบทของการแยกแยะผู้ที่มีสุขภาพดี
บทนำ
แม้ว่าจะได้รับการแนะนำว่าติดยาเสพติดทางพยาธิวิทยามานานหลายทศวรรษ (1) เป็นเพียงเมื่อเร็ว ๆ นี้ที่ความผิดปกติของการเล่นเกมทางอินเทอร์เน็ต (IGD) ได้รับการจดทะเบียนในคู่มือการวินิจฉัยและสถิติของความผิดปกติทางจิต (DSM) รุ่นที่ห้าของ DSM (DSM-5) (2) ระบุว่า IGD เป็นเงื่อนไขสำหรับการศึกษาต่อและให้เกณฑ์เก้าเกณฑ์สำหรับการวินิจฉัย ในการจัดหมวดหมู่ตามอาการโดยใช้มาตราส่วน IGD เก้ารายการ (IGDS) ที่เสนอใน DSM − 5 เกณฑ์ของการประสบกับห้าเกณฑ์หรือมากกว่านั้นถูกนำไปใช้กับการวินิจฉัยโรคของ IGD แม้ว่าจุดตัดนี้อาจแยกความแตกต่างของผู้เล่นเกมที่มีความบกพร่องทางคลินิกอย่างมีนัยสำคัญ (3) ลักษณะการแบ่งขั้วของรายการ IGDS ย่อมเกี่ยวข้องกับการวินิจฉัยขนาดใหญ่หรือความคลุมเครือ
นอกจากอาการต่าง ๆ ความผิดปกติที่เกี่ยวข้องกับ IGD นั้นมักจะสังเกตได้ว่ามีการเปลี่ยนแปลงทางระบบประสาทไม่น้อย อันที่จริงร่างกายที่สำคัญในการทำงานแสดงให้เห็นว่า IGD เกี่ยวข้องกับการเปลี่ยนแปลงโครงสร้างในสมอง: การหดตัวของปริมาณสสารสีเทา (GM) (4-6) การลดความหนาของเยื่อหุ้มสมอง (7) และการสูญเสียความสมบูรณ์ของสสาร (WM) (8, 9) ได้รับการแสดงโดยทั่วไป การเปลี่ยนแปลงทางระบบประสาทที่เกี่ยวข้องกับ IGD เหล่านี้ชี้ให้เห็นว่าพารามิเตอร์การถ่ายภาพสมองนั้นสามารถทำหน้าที่เป็นผู้ตรวจสอบทางชีวภาพเพื่อแยกความแตกต่างระหว่างบุคคลที่มี IGD จากบุคคลอื่น นั่นคือการวินิจฉัยของ IGD อาจทำผ่านการจัดการเชิงคำนวณของนักชีววิทยา biomarkers มากกว่าผ่านการจำแนกประเภทตามอาการตาม DSM-5 ความพยายามเหล่านี้อาจสอดคล้องกับความพยายามในการก้าวข้ามการวินิจฉัยเชิงพรรณนาโดยใช้วิธีการคำนวณทางจิตเวชศาสตร์ (10) วิธีการที่ใช้ข้อมูลเป็นหลักโดยอาศัยการเรียนรู้ของเครื่องจักร (ML) เพื่อจัดการกับการวินิจฉัยโรคทางจิต (11).
ในการศึกษานี้เราค้นหาการเชื่อมโยงระหว่างการจัดกลุ่มตามอาการบนพื้นฐานของ IGDS และการจำแนกตามการคำนวณโดยใช้ biomarkers neuroanatomical ในการวินิจฉัยของ IGD เนื่องจากส่วนประกอบของ GM และ WM ของสมองน่าจะมีข้อมูลซ้ำซ้อนหรือไม่เกี่ยวข้องสำหรับการจำแนกประเภทการวินิจฉัยเราจึงพยายามเลือกคุณสมบัติทางประสาทวิทยาที่กระจัดกระจายโดยใช้การถดถอยแบบปกติ เราตั้งสมมติฐานว่าการจำแนกประเภทตามอาการสามารถแสดงในแง่ของคุณสมบัติทางระบบประสาทที่กระจัดกระจายที่จะเขียนแบบจำลองการจำแนกประเภทสำหรับการวินิจฉัยโรคของ IGD นักเล่นเกมทางพยาธิวิทยาที่วินิจฉัยด้วย IGD นั้นมีความคิดที่แตกต่างจากบุคคลทั่วไปที่ไม่เล่นเกมมากกว่าคนที่เล่นเกมที่วินิจฉัยว่าไม่มี IGD นั่นคือนักเล่นเกมที่ไม่ใช่พยาธิวิทยา ดังนั้นนักเล่นเกมที่มีลักษณะทางพยาธิวิทยาอาจมีลักษณะที่หลากหลายกว่าเมื่อเทียบกับนักเล่นเกมที่ไม่ใช่พยาธิวิทยาที่เกี่ยวข้องกับผู้ที่มีสุขภาพดีที่ไม่ใช่นักเล่นเกม นอกจากนี้เราต้องการที่จะตัดสินใจว่านักเล่นเกมที่ไม่ใช่พยาธิวิทยานั้นสามารถแยกความแตกต่างจากนักเล่นเกมที่มีพยาธิสภาพหรือจากคนที่มีสุขภาพดีที่ไม่ใช่เกมได้ นักเล่นเกมที่ไม่ใช่ทางพยาธิวิทยาอาจถูกสันนิษฐานว่าใกล้เคียงกับคนที่ไม่เล่นเกมเพื่อสุขภาพในแง่ของอาการบรรยาย แต่เราคิดว่าแนวคิดดังกล่าวจำเป็นต้องได้รับการตรวจสอบโดยวิธีการจำแนกตามการคำนวณ
วัสดุและวิธีการ
ผู้เข้าร่วมกิจกรรม
ในบรรดาผู้เข้าร่วม 237 ที่เล่นเกมบนอินเทอร์เน็ตบุคคล 106 ได้รับการคัดเลือกโดยไม่รวมผู้ที่แสดงความไม่ตรงกันระหว่าง IGDS ที่รายงานด้วยตนเองและการสัมภาษณ์แบบมีโครงสร้างกับนักจิตวิทยาคลินิกในการวินิจฉัยโรค IGD หรือพลาดข้อมูลการถ่ายภาพสมองผิดเพี้ยน บนพื้นฐานของ IGDS บุคคล 38 (27.66 ± 5.61 ปีหญิง 13) ที่พึงพอใจอย่างน้อยห้ารายการ IGDS ถูกระบุว่าเป็นนักเล่นเกมที่ไม่เป็นระเบียบและบุคคล 68 (27.96 ± 6.41 ผู้หญิง) ซึ่งมีความพึงพอใจมากที่สุดหนึ่งรายการ IGDS นักเล่นเกมทั่วไป บุคคลที่มีความพึงพอใจรายการ IGDS ระหว่างสองถึงสี่คนก็ถูกแยกออกเพราะพวกเขาอาจถูกมองว่าเป็นอีกคลาสหนึ่งระหว่างผู้เล่นที่ไม่เป็นระเบียบและผู้เล่นปกติ (12). นอกจากนี้บุคคล 37 คน (25.86 ± 4.10 ปีหญิง 13 คน) ที่ไม่เล่นเกมบนอินเทอร์เน็ตได้รับคัดเลือกแยกกันและพวกเขาถูกระบุว่าไม่ใช่นักเล่นเกมที่มีสุขภาพดี ยืนยันการไม่มีโรคประจำตัวในผู้เข้าร่วมทั้งหมด ได้รับความยินยอมเป็นลายลักษณ์อักษรจากผู้เข้าร่วมทั้งหมดตามปฏิญญาเฮลซิงกิและการแก้ไขในภายหลังและการศึกษานี้ได้รับการอนุมัติโดยคณะกรรมการพิจารณาสถาบันที่โรงพยาบาลโซลเซนต์แมรีกรุงโซลประเทศเกาหลี
การได้มาซึ่งข้อมูล MRI
โครงสร้าง MRI (sMRI) และข้อมูล MRI (dMRI) แบบกระจายน้ำหนักถูกรวบรวมโดยใช้ระบบ 3 T MAGNETOM Verio (Siemens AG, Erlangen, Germany) การได้มาซึ่งข้อมูล sMRI นั้นได้ดำเนินการโดยใช้ลำดับการสะท้อนแสงแบบไล่ระดับสีอย่างรวดเร็วในการดึงดูดแม่เหล็ก: จำนวนชิ้นในระนาบ sagittal = 176, ความหนาของชิ้น = 1, ขนาดเมทริกซ์ = 256 × 256 และในระนาบมติ = 1 × 1 mm . สำหรับการได้มาซึ่งข้อมูล dMRI การเข้ารหัสการไล่ระดับสีแบบกระจายได้ดำเนินการในทิศทาง 30 ด้วย b = 1,000 s / mm2 และใช้การถ่ายภาพต่อเนื่องแบบสะท้อนภาพเดียว: จำนวนชิ้นในระนาบแกน = 75, ความหนาของชิ้น = 2 mm, ขนาดเมทริกซ์ = 114 × 114 และความละเอียดในระนาบ = 2 × 2 มม.
การประมวลผลข้อมูล MRI
เครื่องมือที่รวมอยู่ใน CAT12 (http://www.neuro.uni-jena.de/cat/) ถูกใช้เพื่อประมวลผลข้อมูล sMRI ภาพปริมาตรของสมองถูกแบ่งออกเป็นเนื้อเยื่อต่าง ๆ รวมถึง GM, WM, และ corticospinal fluid รวมไปถึงการลงทะเบียนเชิงพื้นที่กับสมองอ้างอิงในพื้นที่มาตรฐาน ใน voxel-based morphometry (VBM) ปริมาตร gm-voxel-wise ถูกประเมินโดยการคูณความน่าจะเป็นที่จะเป็น gm โดยปริมาตรของ voxel จากนั้นค่าเหล่านั้นจะถูกหารด้วยปริมาตร intracranial ทั้งหมดเพื่อปรับความแตกต่างของปริมาตรของหัว ในพื้นผิว morphometry (SBM), ความหนาเยื่อหุ้มสมองถูกประเมินโดยใช้วิธีการฉายความหนาตาม (13).
กำลังประมวลผลข้อมูล dMRI
เครื่องมือที่รวมอยู่ใน FSL 5.0 (http://fsl.fmrib.ox.ac.uk/fsl/) ถูกใช้เพื่อประมวลผลข้อมูล dMRI ภาพทั้งหมดถูกปรับให้เป็นภาพ null ที่ได้มาด้วย b = 0 s / mm2 เพื่อแก้ไขความผิดเพี้ยนของกระแสวนและการเคลื่อนไหวของศีรษะ แบบจำลองการแพร่กระจายเทนเซอร์ในแต่ละ voxel ภายในสมองและพารามิเตอร์ที่ได้มาจากการกระจายของเทนเซอร์รวมถึงเศษส่วน anisotropy (FA), ค่าเฉลี่ยการแพร่กระจาย (MD), การแพร่กระจายตามแนวแกน (AD) และการกระจายรัศมี (RD) ให้สาม diffusivities ตามแกนต่าง ๆ ของเมตริกซ์การแพร่กระจายเอฟเอถูกคำนวณเป็นสแควร์รูทของผลรวมของกำลังสองของความแตกต่าง diffusivity ระหว่างสามแกน, MD เป็นค่าเฉลี่ยการแพร่กระจายทั่วทั้งสามแกน, AD เป็น diffusivity ที่ยิ่งใหญ่ที่สุดตามแกนหลัก และ RD เป็นค่าเฉลี่ยของความฟุ้งกระจายตามแนวแกนย่อยสองแกน การใช้สถิติเชิงพื้นที่ (TBSS) (14) ดำเนินการใน FSL 5.0 แผนที่ของพารามิเตอร์การกระจายตัวของเทนเซอร์นั้นได้รับการลงทะเบียนกับสมองอ้างอิงในอวกาศมาตรฐานแล้วจึงถูกนำไปวางบนโครงกระดูกทางเดิน WM
การสร้างคุณสมบัติ
สองขั้นตอนที่สำคัญสำหรับการออกแบบแบบจำลองการจำแนกประเภทคือการสร้างและเลือกคุณลักษณะ เราสร้างคุณลักษณะจาก neuroanatomy โดยเฉพาะปริมาตรและความหนาของชุดของภูมิภาคจีเอ็มและความสมบูรณ์และการแพร่กระจายของชุดของ WM ผืน หลังจากประเมินปริมาณ GM และความหนาของเปลือกนอกเป็นแผนที่ voxel-wise ที่ได้มาจาก VBM และ SBM ตามลำดับพารามิเตอร์จะถูกประเมินสำหรับแต่ละภูมิภาคของ 60 GM (ตาราง S1) จัดเรียงเหมือนในแผนที่ค้อน (15) เป็นค่าเฉลี่ยของ voxels ทั้งหมดที่อยู่ภายใน มีการประมาณค่าพารามิเตอร์ที่ได้จากการกระจายของเทนเซอร์รวมถึง FA, MD, AD และ RD เป็นแผนที่แบบ voxel-wise บนโครงกระดูกทางเดิน WM ที่ได้มาจาก TBSS พารามิเตอร์ถูกคำนวณสำหรับแต่ละ 48 WM ในตาราง (ตาราง S2) จัดเรียงตามในแผนที่ ICBM DTI-81 (16) เป็นค่าเฉลี่ยของ voxels ทั้งหมดที่อยู่ภายใน โดยสรุปเราพิจารณาสองพารามิเตอร์ของ GM และ WM สี่พารามิเตอร์ซึ่งให้ผลรวมกันแปดพารามิเตอร์ของ GM และ WM สำหรับการรวมกันของพารามิเตอร์ GM และ WM แต่ละค่าพารามิเตอร์ของภูมิภาค 60 GM และ 48 WM ผืนประกอบด้วยองค์ประกอบ 108 คุณสมบัติทางประสาทวิทยาทั้งหมด
การเลือกคุณสมบัติโดยการถดถอยปกติ
การลดจำนวนคุณลักษณะเป็นสิ่งสำคัญโดยเฉพาะอย่างยิ่งสำหรับข้อมูลที่มีคุณสมบัติจำนวนมากและมีข้อสังเกตจำนวน จำกัด จำนวนที่ จำกัด ของการสังเกตที่เกี่ยวข้องกับจำนวนของคุณสมบัติอาจนำไปสู่การ overfitting เสียงและการทำให้เป็นมาตรฐานเป็นเทคนิคที่ช่วยลดหรือป้องกันการ overfitting โดยการแนะนำข้อมูลเพิ่มเติมหรือข้อ จำกัด ในรูปแบบ เนื่องจากฟีเจอร์ 108 ทั้งหมดอาจไม่มีข้อมูลที่เป็นประโยชน์และจำเป็นสำหรับการจัดหมวดหมู่เราจึงเลือกชุดของคุณสมบัติแบบเบาบางโดยใช้การถดถอยแบบปกติ โดยเฉพาะบ่วงบาศ (17) และยืดหยุ่นสุทธิ (18) ถูกใช้สำหรับการถดถอยโลจิสติกปกติ Lasso รวมถึงโทษระยะหรือพารามิเตอร์ normalization,, ที่ จำกัด ขนาดของการประมาณค่าสัมประสิทธิ์ในรูปแบบการถดถอยโลจิสติก เนื่องจากการเพิ่มขึ้นของλนำไปสู่ค่าสัมประสิทธิ์ที่มีค่าเป็นศูนย์มากขึ้น Lasso จึงจัดทำแบบจำลองการถดถอยแบบโลจิสติกส์ที่ลดลงโดยมีตัวพยากรณ์น้อยลง ตาข่ายยืดหยุ่นยังสร้างแบบจำลองการถดถอยโลจิสติกที่ลดลงโดยการตั้งค่าสัมประสิทธิ์เป็นศูนย์โดยเฉพาะอย่างยิ่งโดยการรวมพารามิเตอร์การทำให้เป็นมาตรฐานลูกผสมของ Lasso และสันเขาถดถอยลงไปเอาชนะข้อ จำกัด ของเชือกในการรักษาตัวพยากรณ์ที่สัมพันธ์กันสูง19).
สำหรับการจัดหมวดหมู่ระหว่างแต่ละคู่ของทั้งสามกลุ่มเราใช้เชือกและตาข่ายยืดหยุ่นเพื่อระบุตัวทำนายที่สำคัญในคุณสมบัติ 108 neuroanatomic ในรูปแบบการถดถอยโลจิสติก คุณสมบัติ 108 ของแต่ละบุคคลในแต่ละคู่ของทั้งสามกลุ่มได้รับการสร้างมาตรฐานเพื่อสร้างเมทริกซ์ข้อมูล Aซึ่งแต่ละแถวแสดงถึงการสังเกตหนึ่งครั้งและแต่ละคอลัมน์แสดงตัวทำนายหนึ่งตัว เพื่อแก้ไขผลกระทบของอายุและเพศของแต่ละบุคคลที่มีต่อพารามิเตอร์ GM และ WM เมทริกซ์การขึ้นรูปที่เหลือ Rถูกสร้างขึ้น: R = I-C(CTC)-1C ที่ไหน I เป็นเมทริกซ์เอกลักษณ์และ C เป็นเมทริกซ์การเข้ารหัส covariates รบกวนอายุและเพศ มันถูกนำไปใช้กับ A เพื่อรับของเหลือจากการถดถอย covariates: X = RA.
รับเมทริกซ์ข้อมูลที่ปรับ Xและการตอบสนอง Y, ที่เขียนโค้ดสองคลาสของแต่ละบุคคล 10-fold cross-validation (CV) ถูกใช้เพื่อค้นหาพารามิเตอร์การทำให้เป็นมาตรฐาน, λMinErrซึ่งให้ข้อผิดพลาดขั้นต่ำในแง่ของความเบี่ยงเบนหมายถึงความน่าจะเป็นบันทึกเชิงลบสำหรับแบบจำลองที่ทดสอบโดยเฉลี่ยในช่วงการตรวจสอบความถูกต้อง หรืออีกวิธีหนึ่งเนื่องจากกราฟโค้งมีข้อผิดพลาดในแต่ละλทดสอบพารามิเตอร์การทำให้เป็นมาตรฐาน, λ1SEพบว่าภายในข้อผิดพลาดมาตรฐานเดียวของข้อผิดพลาด CV ขั้นต่ำในทิศทางของการเพิ่มการทำให้เป็นมาตรฐานจากλMinErr ก็ถือว่ายัง นั่นคือคุณสมบัติการแยกคำถูกเลือกที่λ1SEในขณะที่คุณสมบัติเบาบางถูกกำหนดที่λMinErr. ขั้นตอนการค้นหารูปแบบการถดถอยโลจิสติกปกติที่มีการทำนายน้อยกว่านี้ถูกทำซ้ำสำหรับการรวมกันของพารามิเตอร์ GM และ WM ทุกอันประกอบไปด้วยคุณสมบัติทางประสาทวิทยา 108
ประสิทธิภาพการทำงานของคุณสมบัติที่เลือก
ในการประเมินประโยชน์ของคุณสมบัติเบาบางและสปอร์เซอร์การเปรียบเทียบประสิทธิภาพระหว่างโมเดลที่มีจำนวนฟีเจอร์ลดลงและโมเดลด้วยฟีเจอร์ 108 ทั้งหมดในเครื่องเวกเตอร์รองรับ (SVM) โดยการวัดเส้นโค้งลักษณะการทำงานของเครื่องรับ (ROC) ด้วยเคอร์เนลเชิงเส้นเป็นฟังก์ชั่นเคอร์เนลและพารามิเตอร์หลายมิติที่ปรับให้เหมาะสมโดย CV ห้าเท่าทำให้ SVM ได้รับการฝึกฝนสำหรับบุคคลทุกคนในแต่ละคู่ของทั้งสามกลุ่ม พื้นที่ใต้เส้นโค้ง ROC (AUC) ถูกคำนวณสำหรับแต่ละรุ่นเป็นการวัดเชิงปริมาณของประสิทธิภาพ การทดสอบ DeLong (20) ใช้เพื่อเปรียบเทียบ AUC ระหว่างแบบจำลองแต่ละคู่ เมื่อ AUC ต่างกันที่ p- ค่า 0.05 ประสิทธิภาพถูกพิจารณาว่าไม่สามารถเปรียบเทียบได้ในสองรุ่น
ความแม่นยำในการจำแนกประเภท
ขั้นตอนแผนผังจากการสร้างและการเลือกคุณสมบัติไปยังการสร้างแบบจำลองการจำแนกประเภทจะแสดงในรูป Figure1.1. สำหรับแต่ละคู่ของทั้งสามกลุ่มจะมีการสร้างแบบจำลองการจำแนกประเภท SVM โดยใช้คุณสมบัติที่เลือกเป็นตัวทำนาย เราประเมินความถูกต้องของแบบจำลองการจำแนกประเภทโดยใช้แบบแผนการลาออกหนึ่งครั้งเช่นความถูกต้องในการจำแนกประเภทออกจากตัวอย่างถูกคำนวณสำหรับแต่ละคนที่เหลือจากนั้นคำนวณค่าเฉลี่ยของบุคคลทั้งหมด นัยสำคัญทางสถิติของความถูกต้องถูกประเมินโดยใช้การทดสอบการเปลี่ยนแปลง การแจกแจงโมฆะเชิงประจักษ์สำหรับการจำแนกระหว่างแต่ละคู่ของทั้งสามกลุ่มนั้นถูกสร้างขึ้นโดยอนุญาตให้ป้ายชื่อของบุคคลและการวัดความแม่นยำที่เกี่ยวข้องกับป้ายกำกับที่อนุญาตซ้ำ ๆ เมื่อความแม่นยำที่วัดได้สำหรับป้ายกำกับที่ไม่ได้ส่งสูงกว่าหรือเท่ากับการแจกแจงโมฆะที่ p- ค่า 0.05 ซึ่งกำหนดให้แตกต่างอย่างมีนัยสำคัญจากระดับโอกาส (ความแม่นยำ = 50%) นอกจากนี้เมทริกซ์ความสับสนยังแสดงให้เห็นภาพเพื่ออธิบายความไวและความเฉพาะเจาะจงเกี่ยวกับความแตกต่างระหว่างแต่ละคู่ของทั้งสามกลุ่ม
ขั้นตอนแผนผังตั้งแต่การสร้างและการเลือกคุณสมบัติทางประสาทวิทยาไปจนถึงการสร้างแบบจำลองสำหรับการจำแนกระหว่างนักเล่นเกมที่ไม่เป็นระเบียบ (DG) และผู้ที่ไม่ใช่นักเล่นเกมที่มีสุขภาพดี (HN) ระหว่างเกมปกติ (NG) และ HN และระหว่าง DG และ NG จีเอ็มสสารสีเทา; WM, เรื่องสีขาว
ผลสอบ
การเลือกคุณสมบัติ
รูป Figure22 แสดงคุณสมบัติที่เลือกระหว่างคุณสมบัติ 108 พร้อมการประมาณค่าสัมประสิทธิ์และตาราง Table11 อธิบายข้อมูลการกระชับที่เกี่ยวข้องของรูปแบบการถดถอยโลจิสติกปกติสำหรับการจำแนกระหว่างแต่ละคู่ของทั้งสามกลุ่ม นอกจากนี้รูปที่ S1 แสดงให้เห็นว่าλให้ข้อผิดพลาด CV ขั้นต่ำและเลือกจำนวนฟีเจอร์ที่λ1SE เช่นเดียวกับที่λMinErr. ข้อผิดพลาด CV ขั้นต่ำได้รับในการเลือกคุณสมบัติโดย lasso (lasso weight = 1) สำหรับการจัดหมวดหมู่ระหว่างผู้ที่ไม่ใช่นักเล่นเกมที่มีสุขภาพดีและนักเล่นเกมปกติและโดยสุทธิที่ยืดหยุ่น (lasso weight = 0.5) สำหรับการจำแนกประเภทอื่น
คุณลักษณะทางกายวิภาคของระบบประสาทที่เลือกในการถดถอยโลจิสติกอย่างสม่ำเสมอสำหรับการจำแนกระหว่างแต่ละคู่ของสามกลุ่ม เกมเมอร์ที่ไม่เรียงลำดับ (DG) ได้รับการเข้ารหัสเป็น 1 ในการจัดประเภทระหว่างผู้ที่ไม่ใช่นักเล่นเกมที่มีสุขภาพดี (HN) และ DG นักเล่นเกมปกติ (NG) เป็น 1 ในการจัดประเภทระหว่าง HN และ NG และ DG เป็น 1 ในการจัดประเภทระหว่าง NG และ DG ขนาดของแท่งแสดงถึงขนาดของค่าสัมประสิทธิ์ของคุณลักษณะที่เกี่ยวข้องดังนั้นจึงมีการเลือกคุณสมบัติของสัมประสิทธิ์ที่ไม่ใช่ศูนย์ สมองที่แสดงผลแสดงให้เห็นถึงสสารสีเทาและส่วนประกอบของสสารสีขาวที่สอดคล้องกับคุณสมบัติที่เลือกจากมุมมองที่เหนือกว่า คุณลักษณะที่เป็นสีแดงหรือสีน้ำเงินหมายถึงคุณลักษณะที่รวมอยู่ในคุณลักษณะของสปอร์เซอร์ซึ่งกำหนดที่λ1SE เช่นเดียวกับในคุณสมบัติเบาบางกำหนดที่λMinErrในขณะที่สีเหลืองหรือสีม่วงหมายถึงสิ่งที่รวมอยู่ในคุณสมบัติเบาบางเท่านั้น ฉลากของส่วนประกอบสมองมีอยู่ในตาราง S1 และ S2. L ซ้าย R ขวา
1 ตาราง
ข้อมูลที่เหมาะสมของการถดถอยโลจิสติกปกติสำหรับการจำแนกระหว่างแต่ละคู่ของทั้งสามกลุ่ม
HN กับ DG | HN กับ NG | NG กับ DG | ||
---|---|---|---|---|
พารามิเตอร์ | GM | ความหนา | ความหนา | ปริมาณ |
WM | FA | RD | MD | |
บ่วงบาศน้ำหนัก | 0.5 | 1 | 0.5 | |
คุณสมบัติเบาบางที่เลือกที่λMinErr | ข้อผิดพลาด CV | 37.3681 | 41.7876 | 133.3857 |
จำนวนของคุณสมบัติ | 43 | 21 | 11 | |
คุณสมบัติ Sparser ถูกเลือกที่λ1SE | ข้อผิดพลาด CV | 46.5681 | 50.0435 | 141.2622 |
จำนวนของคุณสมบัติ | 34 | 12 | 1 |
น้ำหนักของเชือกแสดงให้เห็นว่าการถดถอยโลจิสติกที่ทำเป็นประจำนั้นดำเนินการโดยใช้เชือก (Lasso weight = 1) หรือตาข่ายยืดหยุ่น (Lasso weight = 0.5).
HN ผู้ที่ไม่ใช่นักเล่นเกมเพื่อสุขภาพ DG นักเล่นเกมที่ไม่เป็นระเบียบ NG นักเล่นเกมทั่วไป จีเอ็มสสารสีเทา; WM, เรื่องสีขาว; FA, เศษส่วน anisotropy; RD, การแพร่กระจายในแนวรัศมี; MD หมายถึงการแพร่กระจาย CV การตรวจสอบข้าม.
ในการเลือกปฏิบัติของนักเล่นเกมที่ไม่เป็นระเบียบจากผู้ที่ไม่ใช่ผู้เล่นที่มีสุขภาพดีคุณลักษณะของ 43 ที่เลือกไว้ที่λMinErr ประกอบด้วยความหนาของภูมิภาค 24 GM และ FA ของ 19 WM ผืนและคุณสมบัติ 34 ที่เลือกที่λ1SE ประกอบด้วยความหนาของภูมิภาค 15 GM และ FA ของ 19 WM ผืน ในความแตกต่างของนักเล่นเกมทั่วไปจากผู้ที่ไม่ใช่นักเล่นเกมเพื่อสุขภาพคุณสมบัติของ 21 ที่เลือกไว้ที่λMinErr ประกอบด้วยความหนาของภูมิภาค 12 GM และ RD ของ 9 WM ผืนและคุณสมบัติ 12 ที่เลือกที่λ1SE ประกอบด้วยความหนาของภูมิภาค 6 GM และ RD ของ 6 WM ผืน ในการจัดประเภทระหว่างผู้เล่นที่ไม่เป็นระเบียบและผู้เล่นทั่วไปคุณสมบัติของ 11 ที่เลือกไว้ที่λMinErr ประกอบด้วยปริมาณของภูมิภาค 7 GM และ MD ของ 4 WM ผืนและคุณสมบัติหนึ่งที่เลือกที่λ1SE สอดคล้องกับปริมาณของภูมิภาคจีเอ็มหนึ่งแห่ง
ประสิทธิภาพการทำงานของคุณสมบัติที่เลือก
ระหว่างรุ่นที่มีฟีเจอร์ที่ลดลงและรุ่นที่มีฟีเจอร์ 108 ทั้งหมดประสิทธิภาพนั้นเทียบเท่าในแง่ของ AUC ในการแยกแยะระหว่างนักเล่นเกมแต่ละประเภทและผู้ที่ไม่ใช่ผู้มีสุขภาพดีโดย SVM (Figure3) .3) ในการจัดประเภทระหว่างผู้เล่นที่ไม่เป็นระเบียบและผู้เล่นปกติรุ่นที่มีคุณสมบัติที่เลือกจะอยู่ที่ atMinErr (AUC = 0.83 p = 0.006) หรือที่λ1SE (AUC = 0.72 p <0.001) พบว่ามีประสิทธิภาพต่ำกว่ารุ่นที่มีคุณสมบัติ 108 ประการ (AUC = 0.90)
การเปรียบเทียบประสิทธิภาพในแง่ของพื้นที่ภายใต้เส้นโค้งลักษณะการทำงานของเครื่องรับ (AUC) ระหว่างรุ่นที่ไม่มีและมีการเลือกคุณสมบัติสำหรับการจำแนกระหว่างแต่ละคู่ของทั้งสามกลุ่มโดยการสนับสนุนเครื่องเวกเตอร์ รูปแบบของคุณสมบัติ 108 (ระบุโดยเส้นทึบ) สอดคล้องกับที่ไม่มีการเลือกคุณสมบัติในขณะที่รุ่นของคุณสมบัติที่ลดลงนั้นสอดคล้องกับคุณสมบัติที่มีการกระจายแบบเบาบางMinErr (ระบุโดยเส้นประ) และλ1SE (ระบุโดยเส้นประจุด) ตามลำดับ HN ผู้ที่ไม่ใช่นักเล่นเกมเพื่อสุขภาพ DG นักเล่นเกมที่ไม่เป็นระเบียบ NG นักเล่นเกมทั่วไป
ความแม่นยำในการจำแนกประเภท
ในการจำแนกประเภทโดย SVM โดยใช้คุณสมบัติที่เลือกที่λMinErrความแม่นยำมากกว่า 98% สูงกว่าระดับโอกาส (p <0.001) ในความแตกต่างของนักเล่นเกมแต่ละประเภทจากนักเล่นเกมที่ไม่แข็งแรง (รูปที่ (Figure4A) .4A) ความแม่นยำยังคงสูงกว่าระดับโอกาสอย่างมีนัยสำคัญ (p = 0.002) แต่ต่ำที่สุดเท่าที่ 69.8% ในการจัดประเภทระหว่างนักเล่นเกมที่ไม่เป็นระเบียบและปกติโดยเฉพาะการแสดงความไวต่ำ (47.4%) ในการระบุที่ถูกต้องของนักเล่นเกมที่วุ่นวาย คุณสมบัติตัวแยกคำที่กำหนดไว้ที่λ1SE แสดงประสิทธิภาพที่คล้ายกัน (รูปที่ (Figure4B) 4B) แต่มีความไวที่ต่ำกว่ามาก (2.6%) ในความแตกต่างที่ถูกต้องของนักเล่นเกมที่ไม่เป็นระเบียบจากนักเล่นเกมทั่วไป
เมทริกซ์ความสับสนในการจำแนกระหว่างแต่ละคู่ของสามกลุ่มเมื่อใช้ (A) กระจัดกระจายและ (B) คุณสมบัติตัวแยกวิเคราะห์ที่กำหนดที่λMinErr และที่λ1SEตามลำดับในการสนับสนุนเครื่องเวกเตอร์ เซลล์ล่างขวาแสดงถึงความถูกต้องในการจัดหมวดหมู่ (ACC), อัตราการลบเซลล์ซ้ายล่างที่แท้จริง (TNR) หรือความจำเพาะ, อัตราบวกเซลล์ที่แท้จริงกลางล่างล่าง (TNR) หรือความไว, ค่าพยากรณ์ลบเซลล์บนขวา (NPV) ) และค่าการทำนายผลบวกของเซลล์กลางขวา (PPV) TP จริงบวก TN, ลบจริง FP บวกเท็จ; FN เป็นค่าลบที่เป็นเท็จ
การสนทนา
ในการศึกษานี้เราต้องการตรวจสอบว่านักเล่นเกมทางพยาธิวิทยาและพยาธิวิทยาที่ไม่ได้จัดหมวดหมู่ด้วย IGDS ที่เสนอใน DSM-5 สามารถแสดงได้ด้วยคุณสมบัติทางประสาทวิทยาเชิงกระจัดกระจาย นักเล่นเกมที่ไม่เป็นระเบียบและปกติถูกนำเสนอในรูปแบบของคุณสมบัติ 43 และ 21 ตามลำดับซึ่งสัมพันธ์กับผู้ที่ไม่ใช่นักเล่นเกมเพื่อสุขภาพ นอกจากนี้ผู้เล่นเกมที่ไม่เป็นระเบียบนั้นถูกนำเสนอในรูปแบบของคุณสมบัติ 11 ที่เกี่ยวข้องกับผู้เล่นเกมปกติ การใช้คุณสมบัติทางประสาทวิทยาแบบกระจัดกระจายทำให้ผู้เล่นเกมที่ไม่เป็นระเบียบและปกติสามารถจำแนกได้อย่างประสบความสำเร็จจากผู้ที่ไม่ใช่นักเล่นเกมที่มีสุขภาพดี แต่การจำแนกระหว่างผู้เล่นเกมที่ไม่เป็นระเบียบและปกตินั้นค่อนข้างท้าทาย
การจำแนกหมวดหมู่ตามอาการของ IGD ด้วย IGDS ที่เสนอใน DSM-5 นั้นได้รับการยอมรับอย่างกว้างขวาง แม้ว่าความถูกต้องเชิงประจักษ์ของ IGDS ได้รับการยืนยันในหลายประเทศ (3, 21, 22) เกณฑ์การพบไอเท็ม IGDS ตั้งแต่ห้ารายการขึ้นไปอาจไม่ใช่ตัวเลือกที่ชัดเจนและอาจแนะนำวิธีการจัดประเภทบุคคลที่เล่นเกมบนอินเทอร์เน็ต (12) เนื่องจากข้อมูลทางคลินิกหลายประเภทเช่นข้อมูลการถ่ายภาพสมองเช่นเดียวกับข้อมูลด้านประชากรพฤติกรรมและอาการแสดงให้เห็นว่ามีอยู่มากขึ้นข้อมูลเพิ่มเติมอาจถูกนำมาใช้เพื่อการวินิจฉัยโรคทางจิต โดยเฉพาะอย่างยิ่งเนื่องจากความหนาแน่นของข้อมูลเชิงปริมาณข้อมูลการถ่ายภาพสมองเหมาะสำหรับวิธีการคำนวณและจะเป็นประโยชน์สำหรับการทำนาย อันที่จริงข้อมูลการถ่ายภาพสมองได้แสดงให้เห็นว่ามีค่าการทำนายที่เหนือกว่าเมื่อเปรียบเทียบกับข้อมูลทางคลินิกอื่น ๆ ในการทำนายสำหรับการแก้ปัญหาที่เกี่ยวข้องทางคลินิก (23).
เนื่องจากการจำแนกประเภทการวินิจฉัยตาม ML ได้ถูกนำไปใช้กับพฤติกรรมเสพติดและความผิดปกติอื่น ๆ (24-28) การจัดหมวดหมู่ตามอาการของ IGD ก็ดูเหมือนจะเผชิญกับความท้าทายของการจัดหมวดหมู่ตามการคำนวณ เนื่องจากความผิดปกติทางกายวิภาคของสมองหลังจาก IGD ได้รับการรายงานซ้ำ ๆ ในการศึกษาก่อนหน้า (5-7, 9) เราได้พิจารณาข้อมูลทางระบบประสาทดังกล่าวจากข้อมูลการถ่ายภาพสมองที่มีศักยภาพไบโอมาร์คเกอร์สำหรับการวินิจฉัยของ IGD ในการศึกษานี้เป้าหมายของเราคือการระบุชุดของคุณสมบัติทางประสาทวิทยาที่สำคัญที่สามารถให้ประสิทธิภาพการจำแนกประเภทที่สูงเพียงพอนอกเหนือจากการอธิบายความแตกต่างทางระบบประสาทระหว่างชั้นเรียนของบุคคล
เราเลือกสิ่งที่สำคัญในบรรดาคุณสมบัติทางประสาทวิทยาของ 108 ซึ่งเป็นการถดถอยแบบสม่ำเสมอ เมื่อเราพิจารณาการรวมกันของพารามิเตอร์ GM และ WM แปดชุดการเลือกชุดของพารามิเตอร์ที่แตกต่างกันสำหรับการแยกแยะแต่ละคู่ของทั้งสามกลุ่ม การรวมกันของความหนาของภูมิภาคจีเอ็มและความสมบูรณ์ของ WM tracts นั้นดีกว่าสำหรับการจำแนกนักเล่นเกมทางพยาธิวิทยาจากผู้ที่ไม่ใช่นักเล่นเกมที่มีสุขภาพดีในขณะที่การรวมกันของปริมาณของภูมิภาคจีเอ็มและการแพร่กระจายของ จากนักเล่นเกมที่ไม่ใช่พยาธิวิทยา นอกจากนี้แม้ว่าส่วนประกอบของสมองส่วนใหญ่จะทำหน้าที่เป็นคุณสมบัติทางระบบประสาทที่มีความสำคัญสำหรับความแตกต่างของนักเล่นเกมทางพยาธิวิทยาและที่ไม่ใช่พยาธิวิทยาจากผู้ที่ไม่ใช่นักเล่นเกมที่มีสุขภาพดี แต่บางภูมิภาค GM และ WM เป็นลักษณะของนักเล่นเกมที่ไม่ใช่พยาธิวิทยา . การค้นพบนี้บ่งชี้ว่าอาจไม่มีการผสมผสานที่ดีที่สุดของพารามิเตอร์ GM และ WM ในฐานะนักชีววิทยาทางประสาทเพื่อให้การเลือกเฉพาะของพารามิเตอร์ GM และ WM เป็นไปตามกลุ่มที่จะจัดประเภท
จำนวนของคุณสมบัติกระจัดกระจายสำหรับนักเล่นเกมที่ไม่ใช่ทางพยาธิวิทยาจำนวนน้อยเมื่อเทียบกับความแตกต่างของนักเล่นเกมทางพยาธิวิทยาจากผู้ที่ไม่ใช่นักเล่นเกมที่มีสุขภาพดีแสดงให้เห็นว่านักเล่นเกมที่ไม่ใช่พยาธิวิทยานั้น นักเล่นเกมที่ไม่ใช่ นอกจากนี้คุณสมบัติกระจัดกระจายน้อยกว่าสำหรับการจำแนกระหว่างสองประเภทของนักเล่นเกมกว่าสำหรับการเลือกปฏิบัติระหว่างแต่ละประเภทของนักเล่นเกมและผู้ที่ไม่ใช่นักเล่นเกมเพื่อสุขภาพหมายถึงว่านักเล่นเกมทางพยาธิวิทยาและไม่ใช่พยาธิวิทยานั้นแตกต่างกัน ของ neuroanatomy กว่าพวกเขาแตกต่างจากนักเล่นเกมที่ไม่มีสุขภาพ ดังนั้นแบบจำลองการจำแนกประเภทที่สร้างขึ้นด้วยคุณสมบัติการกระจัดกระจายจึงให้ความแม่นยำมากกว่า 98% ในการเลือกปฏิบัติระหว่างผู้เล่นแต่ละประเภทและผู้ที่ไม่ใช่นักเล่นเกมเพื่อสุขภาพ แต่ความถูกต้องต่ำกว่า 70% ในการจัดประเภทระหว่างนักเล่นเกมทั้งสองประเภท นั่นคือนักเล่นเกมที่ไม่ใช่พยาธิวิทยานั้นมีความแตกต่างจากผู้ที่ไม่ใช่นักเล่นเกมที่มีสุขภาพดีและนักเล่นเกมทางพยาธิวิทยา แต่มีข้อ จำกัด ในการแยกแยะระหว่างนักเล่นเกมที่มีพยาธิสภาพและที่ไม่ใช่พยาธิวิทยา
ความแตกต่างที่ค่อนข้างต่ำระหว่างผู้เล่นเกมทั้งสองประเภทนี้ดูเหมือนจะแนะนำแนวคิดเล็กน้อย ประการแรกอาจมีข้อเสนอที่ไม่ตรงกันระหว่างการจัดประเภทตามอาการและการจำแนกตามการคำนวณอาจได้รับการเสนอ แม้ว่าเกณฑ์การวินิจฉัยที่เสนอของการประสบห้าหรือมากกว่าเกณฑ์ใน IGDS ได้รับการแต่งตั้งอย่างระมัดระวังเพื่อป้องกันการวินิจฉัยเกิน IGD (12) การปรากฏตัวของนักเล่นเกมที่ทุกข์ทรมานกับการเปลี่ยนแปลงทางพยาธิสภาพในระบบประสาท แต่ไม่เป็นที่น่าพอใจตามเกณฑ์ IGD อาจไม่ถูกมองข้าม โดยเฉพาะอย่างยิ่งเรารวมเกมเมอร์ที่มีความพึงพอใจกับไอเท็ม IGDS ต่ำกว่าเกณฑ์ IGD เป็นเกมเมอร์ทั่วไปดังนั้นนักเล่นเกมที่ได้รับการวินิจฉัยว่าไม่มี IGD นั้นโดยทั่วไปอาจอยู่ห่างจากบุคคลที่มีสุขภาพดี ประการที่สองความท้าทายในการจำแนกประเภทขึ้นอยู่กับนักชีววิทยา biomarkers เท่านั้นที่อาจถูกบันทึกไว้ ประสิทธิภาพการจำแนกประเภทสามารถปรับปรุงได้โดยรวมถึงนักชีวภาพอื่น ๆ ที่สามารถจับความแตกต่างระหว่างนักเล่นเกมทางพยาธิวิทยาและผู้ที่ไม่ใช่พยาธิวิทยา โดยเฉพาะอย่างยิ่งเนื่องจากการเปลี่ยนแปลงการทำงานในสมองก็แสดงให้เห็นใน IGD (29-33) ฟังก์ชั่นเช่นเดียวกับกายวิภาคของสมองถือได้ว่าเป็น biomarkers สมอง นอกจากนี้เราต้องการทราบว่าการเปลี่ยนแปลงในสมองเป็นเพียงส่วนหนึ่งของแง่มุมหลายมิติของการติดการเล่นเกมอินเทอร์เน็ตเพื่อให้ปัจจัยอื่น ๆ ไม่น้อยกว่าปัจจัยเสี่ยงภายในและภายนอกที่หลากหลายสำหรับการติดเกมบนอินเทอร์เน็ต (34) ควรรวมอยู่ในแบบจำลองที่สมบูรณ์มากขึ้นสำหรับการจำแนกระหว่างนักเล่นเกมทางพยาธิวิทยาและไม่ใช่ทางพยาธิวิทยารวมถึงความแตกต่างของนักเล่นเกมจากบุคคลที่มีสุขภาพดีที่ไม่ใช่เกม
ที่นี่เราได้ใช้การถดถอยแบบปกติโดยใช้เครื่องมือประมาณค่าสปอร์ที่ได้รับการส่งเสริมเช่น sparsity และ lasso net เพื่อระบุคุณสมบัติที่สำคัญสำหรับแบบจำลองการจำแนกประเภท มีการเปลี่ยนแปลงวิธีการจริง ๆ ในการเลือกคุณสมบัติหรือการลดขนาดและอาจใช้วิธีการที่หลากหลายสำหรับการใช้คุณสมบัติที่เลือกในการสร้างแบบจำลอง (35) วิธีการของเราโดยใช้การถดถอยปกติทำให้เกิดข้อสันนิษฐานเบื้องต้นเกี่ยวกับ sparsity ในลักษณะทางระบบประสาท หากว่าสมมติฐานดังกล่าวเป็นที่ยอมรับได้เนื่องจากเราเชื่อว่าในการศึกษานี้การถดถอยปกติอาจเป็นวิธีที่น่าเชื่อถือและคาดว่าชุดคุณสมบัติกระจัดกระจายที่เลือกไว้จะประกอบด้วยรูปแบบการจำแนกที่มีประสิทธิภาพสูงเพียงพอ แต่เป็นที่น่าสังเกตว่ารูปแบบการจำแนกประเภทที่ง่ายกว่านั้นขึ้นอยู่กับความกระจัดกระจายที่มากขึ้นอาจไม่สามารถเทียบเคียงหรือปรับปรุงประสิทธิภาพได้เสมอไป แน่นอนในบรรดาทางเลือกที่แตกต่างกันของระดับของ sparsity ตามพารามิเตอร์ normalization, sparsity มากขึ้นไม่น่าจะให้รูปแบบการทำงานที่ดีขึ้นโดยเฉพาะในปัญหาการจำแนกปัญหาที่ท้าทายมากขึ้นเช่นการจำแนกระหว่างนักเล่นเกมทางพยาธิวิทยาและไม่ใช่พยาธิวิทยา
นอกจากนี้เรายังใช้ SVM เป็นเทคนิค ML สำหรับการสร้างแบบจำลองการจัดหมวดหมู่เพราะเป็นรุ่นที่ได้รับความนิยมมากที่สุด วิธีการขั้นสูงอื่น ๆ อาจถูกนำมาใช้เพื่อปรับปรุงประสิทธิภาพการจัดหมวดหมู่แม้ว่าประสิทธิภาพการเปรียบเทียบระหว่างวิธีการที่แตกต่างกันอาจไม่สามารถสรุปได้เพราะการพึ่งพาของประสิทธิภาพในสถานการณ์การทดลอง (19) ในทางตรงกันข้ามสำหรับการเปรียบเทียบระหว่างวิธีการทางสถิติแบบดั้งเดิมและเทคนิค ML เราทำการจำแนกโดยการถดถอยโลจิสติกเช่นกันและแสดงให้เห็นว่าวิธีการสองวิธีคือการถดถอยโลจิสติกและ SVM นั้นเทียบได้กับการจำแนกประเภท S2) อาจจะเป็นที่กล่าวซ้ำ ๆ ว่าวิธีการทางสถิติแบบดั้งเดิมนั้นไม่ได้ด้อยกว่าเทคนิค ML ในการจำแนกประเภท (36).
ในการศึกษาปัจจุบันเราได้เปิดเผยว่าการจำแนกประเภทตาม IGD ของอาการสามารถแสดงในรูปของ biomarkers ทางประสาทวิทยาที่กระจัดกระจายที่ประกอบด้วยแบบจำลองการจำแนกประเภท นอกจากนี้เราได้แสดงให้เห็นว่านักเล่นเกมที่ไม่ใช่พยาธิวิทยานั้นสามารถแยกแยะความแตกต่างจากนักเล่นเกมทางพยาธิวิทยาได้น้อยกว่าผู้ที่มีสุขภาพดีที่ไม่ใช่คนเล่นเกมในแง่ของระบบประสาท เราจึงแนะนำว่าถึงแม้ว่าระบบการวินิจฉัยในปัจจุบันนั้นใช้การจำแนกประเภทแบบพรรณนาเช่น DSM-5 เป็นมาตรฐานทองคำนักเล่นเกมที่ไม่ใช่พยาธิวิทยาอาจต้องได้รับการวินิจฉัยอย่างระมัดระวังมากขึ้นโดยการใช้ไบโอมาร์คเกอร์เป้าหมายเช่นที่เกี่ยวข้องกับการเปลี่ยนแปลงทางระบบประสาท การยอมรับแนวทางการคำนวณดูเหมือนจะเป็นแนวโน้มที่ไม่สามารถย้อนกลับได้ในด้านจิตเวช แต่อาจมีทางยาวที่จะนำไปใช้ในทางปฏิบัติกับสภาพแวดล้อมทางคลินิก ค้นหาการเลือกคุณสมบัติกระจัดกระจายที่เหมาะสมที่สุดจากการถ่ายภาพสมองและข้อมูลทางคลินิกอื่น ๆ ที่จะต้องดำเนินการในการศึกษาครั้งต่อไปและในระยะยาวความพยายามเหล่านี้จะส่งเสริมการวินิจฉัยการคำนวณตาม IGD
ผลงานผู้แต่ง
D-JK และ J-WC มีหน้าที่รับผิดชอบในการศึกษาแนวคิดและการออกแบบ HC ทำการศึกษาลักษณะทางคลินิกและการคัดเลือกผู้เข้าร่วม CP วิเคราะห์ข้อมูลและร่างต้นฉบับ ผู้เขียนทุกคนได้ตรวจสอบเนื้อหาและวิจารณ์ขั้นสุดท้ายเพื่อเผยแพร่
คำชี้แจงความขัดแย้งทางผลประโยชน์
ผู้เขียนประกาศว่าการวิจัยได้ดำเนินการในกรณีที่ไม่มีความสัมพันธ์ทางการค้าหรือทางการเงินใด ๆ ที่อาจตีความได้ว่าเป็นความขัดแย้งทางผลประโยชน์ที่อาจเกิดขึ้น
เชิงอรรถ
เงินทุน การวิจัยนี้ได้รับการสนับสนุนโดยโครงการวิจัยวิทยาศาสตร์สมองผ่านมูลนิธิวิจัยแห่งชาติเกาหลี (NRF) ซึ่งได้รับทุนสนับสนุนจากกระทรวงวิทยาศาสตร์และเทคโนโลยีสารสนเทศในเกาหลี (NRF-2014M3C7A1062893)
วัสดุเสริม
วัสดุเสริมสำหรับบทความนี้สามารถดูได้ทางออนไลน์ที่: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material
อ้างอิง