Phân biệt các game thủ Internet bệnh lý và không bệnh lý bằng cách sử dụng các tính năng thần kinh thưa thớt (2018)

. KHAI THÁC; 2018: 9.

Xuất bản trực tuyến 2018 Jun 29. doi:  10.3389 / fpsyt.2018.00291

PMCID: PMC6033968

PMID: 30008681

Tóm tắt

Rối loạn chơi game trên Internet (IGD) thường được chẩn đoán dựa trên chín tiêu chí cơ bản từ phiên bản mới nhất của Cẩm nang Chẩn đoán và Thống kê Rối loạn Tâm thần (DSM-5). Ở đây, chúng tôi đã kiểm tra xem phân loại dựa trên triệu chứng như vậy có thể được dịch thành phân loại dựa trên tính toán hay không. Dữ liệu MRI cấu trúc (sMRI) và MRI có trọng số khuếch tán (dMRI) đã thu được trong các game thủ 38 được chẩn đoán mắc IGD, các game thủ bình thường 68 được chẩn đoán là không có IGD và các game thủ không khỏe mạnh 37. Chúng tôi đã tạo ra các tính năng 108 của cấu trúc chất xám (GM) và chất trắng (WM) từ dữ liệu MRI. Khi hồi quy logistic thường xuyên được áp dụng cho các tính năng thần kinh 108 để chọn các tính năng quan trọng để phân biệt giữa các nhóm, các game thủ bị rối loạn và bình thường được đại diện theo các tính năng 43 và 21, tương ứng với các game thủ không khỏe mạnh, trong khi đó các game thủ bị rối loạn được thể hiện dưới dạng các tính năng 11 liên quan đến các game thủ bình thường. Trong các máy vectơ hỗ trợ (SVM) sử dụng các tính năng thần kinh thưa thớt như dự đoán, các game thủ bị rối loạn và bình thường đã bị phân biệt thành công, với độ chính xác vượt quá 98%, từ những người không chơi game khỏe mạnh, nhưng việc phân loại giữa các game thủ bị rối loạn và bình thường là tương đối khó khăn. Những phát hiện này cho thấy các game thủ bệnh lý và không bệnh lý được phân loại theo tiêu chí từ DSM-5 có thể được thể hiện bằng các đặc điểm thần kinh thưa thớt, đặc biệt là trong bối cảnh phân biệt đối xử với những người khỏe mạnh không chơi game.

Từ khóa: rối loạn chơi game internet, phân loại chẩn đoán, MRI cấu trúc, MRI có sức nặng lan tỏa, hồi quy thường xuyên

Giới thiệu

Mặc dù đã được đề nghị là nghiện bệnh lý trong nhiều thập kỷ (), chỉ gần đây, rối loạn chơi game Internet (IGD) đã được liệt kê trong Hướng dẫn chẩn đoán và thống kê rối loạn tâm thần (DSM). Phiên bản thứ năm của DSM (DSM-5) () xác định IGD là điều kiện để nghiên cứu thêm và cung cấp chín tiêu chí để chẩn đoán nó. Trong phân loại dựa trên triệu chứng sử dụng thang đo IGD gồm chín mục (IGDS) được đề xuất trong DSM − 5, một ngưỡng trải nghiệm năm tiêu chí trở lên đã được áp dụng để chẩn đoán IGD. Mặc dù điểm giới hạn này có thể phân biệt đầy đủ các game thủ bị suy giảm lâm sàng đáng kể (), bản chất phân đôi của các mục IGDS chắc chắn liên quan đến sự đơn giản hóa chẩn đoán hoặc sự mơ hồ.

Bên cạnh các triệu chứng, một loạt các rối loạn chức năng liên quan đến IGD thường được quan sát, không chỉ là những thay đổi về thần kinh. Thật vậy, một khối lượng công việc đáng kể đã chỉ ra rằng IGD có liên quan đến sự thay đổi cấu trúc trong não: sự co rút của khối lượng chất xám (GM) (–), giảm độ dày vỏ não () và mất tính toàn vẹn của chất trắng (WM) (, ) đã được chứng minh điển hình. Những thay đổi về thần kinh liên quan đến IGD cho thấy rằng các thông số hình ảnh não như vậy có thể đóng vai trò là dấu ấn sinh học để phân biệt các cá nhân với IGD với các cá nhân khác. Đó là, chẩn đoán IGD có thể được thực hiện thông qua thao tác tính toán các dấu ấn sinh học thần kinh, thay vì phân loại dựa trên triệu chứng dựa trên DSM-5. Những nỗ lực này có thể phù hợp với những nỗ lực vượt ra ngoài chẩn đoán mô tả bằng cách sử dụng các phương pháp tính toán cho tâm thần học (), cụ thể là các phương pháp dựa trên dữ liệu dựa trên học máy (ML) để giải quyết chẩn đoán bệnh tâm thần ().

Trong nghiên cứu này, chúng tôi đã tìm kiếm một liên kết giữa phân loại dựa trên triệu chứng trên cơ sở phân loại IGDS và phân loại dựa trên tính toán bằng cách sử dụng dấu ấn sinh học thần kinh trong chẩn đoán IGD. Do một số thành phần GM và WM của não có thể bao gồm thông tin dư thừa hoặc không liên quan để phân loại chẩn đoán, chúng tôi đã tìm cách chọn các đặc điểm thần kinh thưa thớt bằng cách sử dụng hồi quy thường xuyên. Chúng tôi đã đưa ra giả thuyết rằng phân loại dựa trên triệu chứng có thể được biểu diễn dưới dạng các đặc điểm thần kinh thưa thớt sẽ tạo ra các mô hình phân loại để chẩn đoán IGD. Các game thủ bệnh lý được chẩn đoán mắc IGD được cho là giống với những người khỏe mạnh không chơi game hơn so với các game thủ được chẩn đoán là không mắc IGD, nghĩa là các game thủ không bệnh lý; do đó, các game thủ bệnh lý có thể được đặc trưng bởi số lượng tính năng lớn hơn so với các game thủ không bệnh lý, liên quan đến các cá nhân khỏe mạnh không chơi game. Ngoài ra, chúng tôi muốn quyết định xem các game thủ không bệnh lý có thể ít phân biệt với các game thủ bệnh lý hoặc từ các cá nhân khỏe mạnh không chơi game. Các game thủ không bệnh lý có thể được cho là mơ hồ gần với những người khỏe mạnh không chơi game về các triệu chứng mô tả, nhưng chúng tôi nghĩ rằng một khái niệm như vậy cần phải được xác nhận bằng cách phân loại dựa trên tính toán.

Vật liệu và phương pháp

Những người tham gia

Trong số những người tham gia 237 chơi các trò chơi dựa trên Internet, các cá nhân 106 đã được chọn bằng cách loại trừ những người thể hiện sự không phù hợp giữa IGDS tự báo cáo và một cuộc phỏng vấn có cấu trúc với một nhà tâm lý học lâm sàng trong chẩn đoán IGD hoặc đã bỏ sót hoặc làm sai lệch dữ liệu hình ảnh não. Trên cơ sở các cá nhân IGDS, các cá nhân 38 (các năm 27.66 ± game thủ bình thường. Các cá nhân thỏa mãn các mục IGDS giữa hai và bốn cũng bị loại trừ, vì họ có thể được phân biệt là một lớp khác giữa các game thủ bị rối loạn và bình thường (). Ngoài ra, 37 cá nhân (25.86 ± 4.10 tuổi; 13 nữ) không chơi trò chơi dựa trên Internet đã được tuyển chọn riêng biệt và họ được dán nhãn là những người không chơi game lành mạnh. Sự vắng mặt của các bệnh đi kèm ở tất cả những người tham gia đã được xác nhận. Sự đồng ý bằng văn bản đã được thông báo từ tất cả những người tham gia theo Tuyên bố của Helsinki và các sửa đổi sau đó của nó, và nghiên cứu đã được phê duyệt bởi Hội đồng xét duyệt thể chế tại Bệnh viện St. Mary's Seoul, Seoul, Hàn Quốc.

Thu thập dữ liệu MRI

Dữ liệu MRI cấu trúc (sMRI) và MRI có trọng số khuếch tán (dMRI) được thu thập bằng hệ thống 3 T MAGNETOM Verio (Siemens AG, Erlangen, Đức). Việc thu thập dữ liệu sMRI được thực hiện bằng chuỗi phản hồi độ dốc nhanh được chuẩn bị từ hóa: số lát cắt trong mặt phẳng sagittal = 176, độ dày lát = 1 mm, kích thước ma trận = 256 × 256 và độ phân giải trong mặt phẳng = 1 × 1 mm . Để thu thập dữ liệu dMRI, mã hóa gradient khuếch tán được thực hiện theo hướng 30 với b = 1,000 s / mm2 và một chuỗi hình ảnh phản xạ phẳng bắn một lần đã được sử dụng: số lát cắt trong mặt phẳng trục = 75, độ dày lát = 2 mm, kích thước ma trận = 114 × 114 và độ phân giải trong mặt phẳng = 2 × 2 mm.

Xử lý dữ liệu MRI

Các công cụ có trong CAT12 (http://www.neuro.uni-jena.de/cat/) đã được sử dụng để xử lý dữ liệu sMRI. Hình ảnh thể tích não được phân thành các mô khác nhau, bao gồm GM, WM và dịch vỏ não cũng như được đăng ký không gian cho một não tham chiếu trong không gian tiêu chuẩn. Trong hình thái học dựa trên voxel (VBM), thể tích GM thông minh của voxel được ước tính bằng cách nhân xác suất biến đổi gen với thể tích của một voxel, và sau đó các giá trị đó được chia cho tổng thể tích nội sọ để điều chỉnh sự khác biệt về thể tích đầu. Trong hình thái học bề mặt (SBM), độ dày vỏ được ước tính bằng phương pháp độ dày dựa trên phép chiếu ().

Xử lý dữ liệu dMRI

Các công cụ có trong FSL 5.0 (http://fsl.fmrib.ox.ac.uk/fsl/) đã được sử dụng để xử lý dữ liệu dMRI. Tất cả các hình ảnh được sắp xếp lại thành hình ảnh null có được với b = 0 s / mm2 để điều chỉnh cho các biến dạng dòng điện gây ra và chuyển động đầu. Một tenxơ khuếch tán được mô hình hóa ở mỗi voxel trong não, và các thông số có nguồn gốc tenxơ khuếch tán, bao gồm dị hướng phân đoạn (FA), độ khuếch tán trung bình (MD), độ khuếch tán dọc trục (AD) và độ khuếch tán xuyên tâm (RD), đã được tính toán; đưa ra ba độ khuếch tán dọc theo các trục khác nhau của một tenxơ khuếch tán, FA được tính là căn bậc hai của tổng bình phương chênh lệch khuếch tán giữa ba trục, MD là độ khuếch tán trung bình trên ba trục, AD là độ khuếch tán lớn nhất dọc theo trục chính và RD là trung bình của độ khuếch tán dọc theo hai trục nhỏ. Sử dụng thống kê không gian dựa trên đường truyền (TBSS) () được triển khai trong FSL 5.0, các bản đồ của các tham số có nguồn gốc khuếch tán đã được đăng ký không gian cho một bộ não tham chiếu trong không gian tiêu chuẩn và sau đó chúng được chiếu lên khung xương của WM.

Tạo tính năng

Hai bước chính để thiết kế một mô hình phân loại là tạo và lựa chọn tính năng. Chúng tôi đã tạo ra các tính năng từ phẫu thuật thần kinh, cụ thể là khối lượng và độ dày của một tập hợp các vùng GM và tính toàn vẹn và độ khuếch tán của một tập hợp các vùng WM. Sau khi ước tính khối lượng GM và độ dày vỏ não như các bản đồ thông minh voxel thu được từ VBM và SBM, các thông số được đánh giá cho từng vùng của 60 GM (Bảng S1), được phân loại như trong tập bản đồ Hammer (), là mức trung bình trên tất cả các voxels trong đó. Có ước tính các tham số có nguồn gốc kéo căng, bao gồm FA, MD, AD và RD dưới dạng ánh xạ voxel trên khung xương WM thu được từ TBSS, các tham số được tính toán cho từng vùng của 48 WM (Bảng S2), được phân loại như trong tập bản đồ ICBM DTI-81 (), là mức trung bình trên tất cả các voxels trong đó. Tóm lại, chúng tôi đã xem xét hai tham số của GM và bốn tham số của WM, mang lại tám kết hợp tham số GM và WM. Đối với mỗi sự kết hợp của các tham số GM và WM, các giá trị tham số của các vùng 60 GM và các vùng 48 WM bao gồm tổng số các tính năng thần kinh 108.

Lựa chọn tính năng bằng hồi quy thường xuyên

Việc giảm số lượng các tính năng rất quan trọng, đặc biệt đối với dữ liệu có số lượng lớn các tính năng và số lượng quan sát hạn chế. Số lượng quan sát hạn chế liên quan đến số lượng tính năng có thể dẫn đến quá mức nhiễu và chính quy là một kỹ thuật cho phép giảm hoặc ngăn chặn quá mức bằng cách đưa ra thông tin bổ sung hoặc các ràng buộc trên mô hình. Vì tất cả các tính năng 108 có thể không bao gồm thông tin hữu ích và cần thiết để phân loại, chúng tôi đã chọn một bộ tính năng thưa thớt bằng cách áp dụng hồi quy chính quy. Cụ thể là Lasso () và lưới đàn hồi () đã được sử dụng cho hồi quy logistic thường xuyên. Lasso bao gồm một điều khoản phạt hoặc tham số chính quy,, ràng buộc kích thước của các ước tính hệ số trong mô hình hồi quy logistic. Bởi vì sự gia tăng λ dẫn đến các hệ số có giá trị bằng 0 hơn, Lasso cung cấp mô hình hồi quy logistic giảm với ít dự đoán hơn. Mạng đàn hồi cũng tạo ra một mô hình hồi quy logistic giảm bằng cách đặt các hệ số về 0, đặc biệt bằng cách bao gồm một tham số chính quy lai của hồi quy lasso và sườn núi, khắc phục giới hạn của lasso trong điều trị các yếu tố dự báo tương quan cao ().

Để phân loại giữa mỗi cặp của ba nhóm, chúng tôi đã áp dụng lưới Lasso và lưới đàn hồi để xác định các yếu tố dự đoán quan trọng trong số các đặc điểm thần kinh 108 trong mô hình hồi quy logistic. Các tính năng 108 của tất cả các cá nhân trong mỗi cặp của ba nhóm đã được chuẩn hóa để soạn một ma trận dữ liệu, A, trong đó mỗi hàng đại diện cho một quan sát và mỗi cột đại diện cho một dự đoán. Để hiệu chỉnh ảnh hưởng của tuổi và giới tính của các cá nhân lên các thông số GM và WM, một ma trận hình thành dư, R, đã được tạo ra: R = I–C(CTC)-1C Ở đâu I là một ma trận danh tính và C là một ma trận mã hóa đồng biến gây nhiễu của tuổi và giới. Sau đó, nó đã được áp dụng cho A để thu được phần dư sau khi hồi quy các đồng biến gây nhiễu: X = RA.

Cho ma trận dữ liệu điều chỉnh, Xvà phản hồi Y, được mã hóa hai lớp của các cá nhân, xác thực chéo (CV) lần gập được sử dụng để tìm kiếm một tham số chính quy,MinErr, đã cung cấp lỗi tối thiểu về độ lệch, được định nghĩa là khả năng ghi nhật ký âm đối với mô hình được kiểm tra trung bình trên các nếp gấp xác thực. Ngoài ra, do đường cong CV có lỗi tại mỗi được kiểm tra, tham số chính quy,1SE, đã được tìm thấy trong một lỗi tiêu chuẩn của lỗi CV tối thiểu theo hướng tăng tính chính quy từMinErr cũng đã được xem xét. Đó là, các tính năng sperer đã được chọn tại1SE, trong khi các tính năng thưa thớt được xác định tạiMinErr. Quy trình tìm kiếm mô hình hồi quy logistic thường xuyên với ít dự đoán hơn được lặp lại cho mọi kết hợp các tham số GM và WM bao gồm các tính năng thần kinh 108.

Hiệu suất của các tính năng được chọn

Để đánh giá tính hữu dụng của các tính năng thưa thớt và thưa thớt, hiệu năng được so sánh giữa mô hình với số lượng tính năng giảm và mô hình với tất cả các tính năng 108 trong các máy vectơ hỗ trợ (SVM) bằng cách đo đường cong đặc tính vận hành máy thu (ROC). Với hạt nhân tuyến tính là hàm nhân và siêu đường kính được tối ưu hóa bằng CV năm lần, một SVM đã được đào tạo cho tất cả các cá nhân trong mỗi cặp của ba nhóm. Vùng bên dưới đường cong ROC (AUC) được tính toán cho mỗi mô hình như là một phép đo định lượng về hiệu suất của nó. Xét nghiệm DeLong () đã được sử dụng để so sánh AUC giữa mỗi cặp mô hình. Khi AUC khác nhau ở một p-giá trị của 0.05, hiệu suất được coi là không thể so sánh trong hai mô hình.

Phân loại chính xác

Các quy trình sơ đồ từ việc tạo và lựa chọn các tính năng đến việc xây dựng các mô hình phân loại được trình bày trong Hình Hình1.1. Đối với mỗi cặp của ba nhóm, các mô hình phân loại SVM đã được tạo bằng cách sử dụng các tính năng được chọn làm công cụ dự đoán. Chúng tôi đã đánh giá độ chính xác của các mô hình phân loại bằng cách sử dụng sơ đồ CV bỏ đi, sao cho độ chính xác của phân loại ngoài mẫu được tính cho từng cá nhân bỏ đi và sau đó nó được tính trung bình trên tất cả các cá nhân. Ý nghĩa thống kê của độ chính xác được ước tính bằng cách sử dụng các thử nghiệm hoán vị. Một phân phối null theo kinh nghiệm để phân loại giữa mỗi cặp của ba nhóm được tạo ra bằng cách liên tục hoán vị nhãn của các cá nhân và đo độ chính xác liên quan đến nhãn thấm. Khi độ chính xác được đo cho các nhãn chưa được cấp cao hơn hoặc bằng phân phối null tại p-giá trị của 0.05, được xác định là khác biệt đáng kể so với mức cơ hội (độ chính xác = 50%). Ngoài ra, một ma trận nhầm lẫn đã được hình dung để mô tả độ nhạy và độ đặc hiệu liên quan đến sự khác biệt giữa mỗi cặp của ba nhóm.

 

Một tệp bên ngoài chứa hình ảnh, hình minh họa, v.v ... Tên đối tượng là fpsyt-09-00291-g0001.jpg

Các quy trình sơ đồ từ việc tạo và lựa chọn các tính năng thần kinh đến việc xây dựng các mô hình để phân loại giữa các game thủ bị rối loạn (DG) và các game thủ không khỏe mạnh (HN), giữa các game thủ bình thường (NG) và HN, và giữa DG và NG. GM, chất xám; WM, chất trắng.

Kết quả

Lựa chọn tính năng

Hình Hình22 hiển thị các tính năng được chọn trong số các tính năng 108 với ước tính hệ số của chúng và Bảng Bảng11 mô tả thông tin phù hợp có liên quan của mô hình hồi quy logistic thường xuyên để phân loại giữa mỗi cặp của ba nhóm. Ngoài ra, hình S1 cho thấy mang lại lỗi CV tối thiểu và có bao nhiêu tính năng được chọn tại1SE cũng như tạiMinErr. Lỗi CV tối thiểu đã đạt được trong lựa chọn tính năng của lasso (lasso weight = 1) để phân loại giữa những người không chơi game khỏe mạnh và các game thủ bình thường và bằng lưới đàn hồi (lasso weight = 0.5) cho phân loại khác.

 

Một tệp bên ngoài chứa hình ảnh, hình minh họa, v.v ... Tên đối tượng là fpsyt-09-00291-g0002.jpg

Các đặc trưng thần kinh được chọn lọc trong hồi quy logistic chính quy để phân loại giữa từng cặp ba nhóm. Những người chơi bị rối loạn (DG) được mã là 1 trong phân loại giữa những người không phải là game thủ khỏe mạnh (HN) và DG, những người chơi bình thường (NG) là 1 trong phân loại giữa HN và NG, và DG là 1 trong phân loại giữa NG và DG. Kích thước của một thanh thể hiện kích thước của hệ số của đối tượng địa lý tương ứng, sao cho đối tượng địa lý có hệ số khác XNUMX là những đối tượng được chọn. Các bộ não được kết xuất mô tả các thành phần chất xám và chất trắng tương ứng với các đặc điểm đã chọn từ một góc nhìn cao cấp. Các tính năng màu đỏ hoặc xanh lam cho biết các đặc điểm có trong các đối tượng địa lý thưa thớt hơn được xác định tại λ1SE cũng như trong các tính năng thưa thớt được xác định tạiMinErr, trong khi những màu vàng hoặc đỏ tươi chỉ những cái chỉ bao gồm trong các tính năng thưa thớt. Các nhãn của các thành phần não được quy định trong Bảng S1 và S2. L, trái; R, phải.

Bảng 1

Thông tin phù hợp của hồi quy logistic thường xuyên để phân loại giữa mỗi cặp của ba nhóm.

 HN vs DGHN so với NGNG so với DG
Tham sốGMbề dầybề dầyKhối lượng
 WMFARDMD
Trọng lượng Lasso0.510.5
Các tính năng thưa thớt được chọn tạiMinErrLỗi CV37.368141.7876133.3857
 Số tính năng432111
Tính năng Sparser được chọn tại1SELỗi CV46.568150.0435141.2622
 Số tính năng34121
 

Trọng lượng Lasso cho biết liệu hồi quy logistic thường xuyên được thực hiện bằng cách sử dụng lasso (lasso weight = 1) hoặc lưới đàn hồi (lasso weight = 0.5).

HN, người không chơi game khỏe mạnh; DG, game thủ rối loạn; NG, game thủ bình thường; GM, chất xám; WM, chất trắng; FA, dị hướng phân đoạn; RD, độ khuếch tán xuyên tâm; MD, độ khuếch tán trung bình; CV, xác nhận chéo.

Trong sự phân biệt đối xử của các game thủ bị rối loạn từ những người không chơi game lành mạnh, các tính năng 43 được chọn tạiMinErr bao gồm độ dày của các vùng 24 GM và FA của các vùng 19 WM và các tính năng 34 được chọn tại1SE bao gồm độ dày của các vùng 15 GM và FA của các vùng 19 WM. Để phân biệt các game thủ bình thường với những người không chơi game lành mạnh, các tính năng 21 được chọn tạiMinErr bao gồm độ dày của các vùng 12 GM và RD của các vùng 9 WM và các tính năng 12 được chọn tại1SE bao gồm độ dày của các vùng 6 GM và RD của các vùng 6 WM. Trong phân loại giữa các game thủ bị rối loạn và bình thường, các tính năng 11 được chọn tạiMinErr bao gồm khối lượng các vùng 7 GM và MD của các vùng 4 WM và một tính năng được chọn tại1SE tương ứng với khối lượng của một khu vực GM.

Hiệu suất của các tính năng được chọn

Giữa mô hình với số lượng tính năng giảm và mô hình có tất cả các tính năng 108, hiệu suất có thể so sánh về AUC về sự phân biệt giữa từng loại game thủ và những người không chơi game lành mạnh bởi các SVM (Hình (Hình3) .3). Trong phân loại giữa các game thủ bị rối loạn và bình thường, mô hình với các tính năng được chọn ở mứcMinErr (AUC = 0.83, p = 0.006) hoặc tại λ1SE (AUC = 0.72, p <0.001) cho thấy hiệu suất kém hơn so với mô hình có tất cả 108 tính năng (AUC = 0.90).

 

Một tệp bên ngoài chứa hình ảnh, hình minh họa, v.v ... Tên đối tượng là fpsyt-09-00291-g0003.jpg

So sánh hiệu suất về mặt khu vực dưới đường cong đặc tính vận hành máy thu (AUC) giữa các mô hình không có và với lựa chọn tính năng để phân loại giữa mỗi cặp ba nhóm bằng máy vectơ hỗ trợ. Mô hình các tính năng 108 (được biểu thị bằng đường liền nét) tương ứng với không có lựa chọn tính năng, trong khi các mô hình giảm số lượng tính năng tương ứng với các tính năng thưa thớt và thưa thớt được chọn tạiMinErr (biểu thị bằng đường đứt nét) và1SE (được biểu thị bằng dòng dấu chấm), tương ứng. HN, người không chơi game khỏe mạnh; DG, game thủ rối loạn; NG, game thủ bình thường.

Phân loại chính xác

Trong phân loại theo SVM bằng các tính năng được chọn tạiMinErr, độ chính xác cao hơn 98%, cao hơn đáng kể so với mức cơ hội (p <0.001), trong sự phân biệt của từng loại giao tử với những người không chơi game khỏe mạnh (Hình (Hình4A) .4A). Độ chính xác vẫn cao hơn đáng kể so với mức cơ hội (p = 0.002) nhưng thấp đến mức 69.8% trong phân loại giữa các game thủ bị rối loạn và bình thường, đặc biệt cho thấy độ nhạy thấp (47.4%) trong việc xác định chính xác các game thủ bị rối loạn. Các tính năng sperer được xác định tại1SE trưng bày hiệu suất tương tự (Hình (Hình4B) 4B) nhưng cho thấy độ nhạy thấp hơn nhiều (2.6%) trong việc phân biệt chính xác các game thủ bị rối loạn với các game thủ bình thường.

 

Một tệp bên ngoài chứa hình ảnh, hình minh họa, v.v ... Tên đối tượng là fpsyt-09-00291-g0004.jpg

Ma trận nhầm lẫn trong phân loại giữa mỗi cặp ba nhóm khi sử dụng (A) thưa thớt và (B) tính năng sperer xác định tạiMinErr và tại1SE, tương ứng, trong các máy vectơ hỗ trợ. Tế bào bên phải phía dưới biểu thị độ chính xác phân loại (ACC), tỷ lệ âm tính thực tế của tế bào bên trái (TNR) hoặc độ đặc hiệu, tỷ lệ dương tính thực tế của tế bào trung bình thấp hơn (TNR) hoặc độ nhạy, giá trị tiên đoán âm tính tế bào trên bên phải (NPV ) và giá trị tiên đoán dương tế bào giữa bên phải (PPV). TP, thật tích cực; TN, âm tính thật; FP, dương tính giả; FN, âm tính giả.

Thảo luận

Trong nghiên cứu này, chúng tôi đã tìm cách kiểm tra xem các game thủ bệnh lý và không bệnh lý như được phân loại với IGDS được đề xuất trong DSM-5 có thể được thể hiện bằng các đặc điểm thần kinh thưa thớt hay không. Các game thủ bị rối loạn và bình thường được đại diện theo các tính năng 43 và 21, tương ứng, liên quan đến các game thủ không khỏe mạnh. Ngoài ra, các game thủ bị rối loạn được thể hiện dưới dạng các tính năng 11 liên quan đến các game thủ bình thường. Sử dụng các tính năng thần kinh thưa thớt, các game thủ bị rối loạn và bình thường có thể bị phân biệt thành công với những người không chơi game khỏe mạnh, nhưng việc phân loại giữa các game thủ bị rối loạn và bình thường là tương đối khó khăn.

Phân loại mô tả dựa trên triệu chứng của IGD với IGDS được đề xuất trong DSM-5 đang được áp dụng rộng rãi. Mặc dù giá trị thực nghiệm của IGDS đã được xác nhận ở nhiều quốc gia (, , ), ngưỡng trải nghiệm năm hoặc nhiều mục IGDS có thể không phải là một lựa chọn nhất định và các cách khác để phân loại các cá nhân chơi trò chơi dựa trên Internet có thể được đề xuất (). Do nhiều loại dữ liệu lâm sàng, như dữ liệu hình ảnh não cũng như dữ liệu nhân khẩu học, hành vi và triệu chứng, ngày càng có sẵn, dữ liệu bổ sung có thể được sử dụng tốt hơn để chẩn đoán bệnh tâm thần. Đặc biệt, do tính đại chúng của thông tin định lượng, dữ liệu hình ảnh não phù hợp với các phương pháp tính toán và sẽ hữu ích cho dự đoán. Thật vậy, dữ liệu hình ảnh não đã được chứng minh là có giá trị tiên đoán vượt trội so với dữ liệu lâm sàng khác trong dự đoán để giải quyết vấn đề liên quan đến lâm sàng ().

Vì phân loại chẩn đoán dựa trên ML gần đây đã được áp dụng cho các hành vi và rối loạn gây nghiện khác (–), phân loại dựa trên triệu chứng của IGD cũng xuất hiện để đối mặt với thách thức phân loại dựa trên tính toán. Bởi vì những bất thường về giải phẫu của não sau IGD đã được báo cáo nhiều lần trong các nghiên cứu trước đây (–, ), chúng tôi đã xem xét thông tin thần kinh như vậy từ các dấu ấn sinh học tiềm năng dữ liệu hình ảnh não để chẩn đoán IGD. Trong nghiên cứu này, mục tiêu của chúng tôi là xác định một tập hợp các đặc điểm thần kinh quan trọng có thể cung cấp hiệu suất phân loại cao đầy đủ, ngoài việc mô tả sự khác biệt về thần kinh giữa các lớp của các cá nhân.

Chúng tôi đã chọn những yếu tố quan trọng, trong số các tính năng thần kinh 108, hồi quy chính quy triệt để. Khi chúng tôi xem xét tám kết hợp tham số GM và WM, các kết hợp tham số khác nhau đã được chọn để phân biệt từng cặp của ba nhóm. Sự kết hợp giữa độ dày của các khu vực GM và tính toàn vẹn của các vùng WM là tốt hơn để phân biệt các game thủ bệnh lý với những người không chơi game khỏe mạnh, trong khi sự kết hợp giữa khối lượng của các khu vực GM và độ khuếch tán của các vùng WM là tốt hơn để phân biệt các game thủ bệnh lý từ các game thủ không bệnh lý. Hơn nữa, mặc dù nhiều thành phần não thường đóng vai trò là các đặc điểm thần kinh rất quan trọng để phân biệt các game thủ bệnh lý và không bệnh lý với các game thủ không khỏe mạnh, một số vùng GM và WM đặc trưng cho các game thủ không bệnh lý, nhưng không phải là các game thủ bệnh lý . Những phát hiện này chỉ ra rằng có thể không có sự kết hợp tốt nhất giữa các thông số GM và WM như các dấu ấn sinh học thần kinh, do đó, cần phải lựa chọn một sự kết hợp cụ thể của các thông số GM và WM theo các nhóm.

Số lượng nhỏ hơn các tính năng thưa thớt để phân biệt các game thủ không bệnh lý so với sự khác biệt của các game thủ bệnh lý, từ những người không chơi game lành mạnh, phản ánh rằng các game thủ không bệnh lý đang ở giai đoạn chuyển tiếp giữa các game thủ bệnh hoạn và khỏe mạnh người không chơi game. Ngoài ra, các tính năng thưa thớt hơn để phân loại giữa hai loại game thủ so với sự phân biệt giữa từng loại game thủ và những người không chơi game lành mạnh biểu thị rằng các game thủ bệnh hoạn và không bệnh hoạn ít khác biệt với nhau về mặt thuật ngữ của phẫu thuật thần kinh hơn là không giống với những người không chơi game khỏe mạnh. Theo đó, các mô hình phân loại được tạo ra với các tính năng thưa thớt mang lại độ chính xác vượt quá 98% trong phân biệt đối xử giữa từng loại game thủ và những người không chơi game lành mạnh nhưng độ chính xác dưới 70% trong phân loại giữa hai loại game thủ. Đó là, các game thủ không bệnh lý có thể phân biệt với các game thủ không khỏe mạnh cũng như các game thủ bệnh lý, nhưng có những hạn chế trong việc phân biệt giữa các game thủ bệnh lý và không bệnh lý.

Sự phân biệt tương đối thấp này giữa hai loại game thủ dường như gợi ý một vài khái niệm. Thứ nhất, một sự không phù hợp giữa phân loại dựa trên triệu chứng và phân loại dựa trên tính toán có thể được đề xuất. Mặc dù ngưỡng chẩn đoán được đề xuất là trải qua năm tiêu chí trở lên trong IGDS đã được chọn một cách thận trọng để ngăn ngừa chẩn đoán quá mức về IGD (), sự hiện diện của các game thủ chịu những thay đổi bệnh lý đáng kể trong phẫu thuật thần kinh nhưng không thỏa mãn ngưỡng IGD có thể không được coi thường. Đặc biệt, chúng tôi chỉ bao gồm các game thủ thỏa mãn các mục IGDS thấp hơn nhiều so với ngưỡng IGD như các game thủ bình thường, do đó, các game thủ được chẩn đoán là không có IGD nói chung có thể cách xa các cá nhân khỏe mạnh không chơi game hơn trong nghiên cứu này. Thứ hai, một thách thức trong phân loại chỉ dựa vào dấu ấn sinh học thần kinh có thể được ghi nhận. Hiệu suất phân loại có thể được cải thiện bằng cách bao gồm các dấu ấn sinh học khác có thể thu được sự khác biệt lớn hơn giữa các game thủ bệnh lý và không bệnh lý. Đặc biệt, vì những thay đổi chức năng trong não cũng được thể hiện trong IGD (–), chức năng cũng như giải phẫu của não có thể được coi là dấu ấn sinh học não. Ngoài ra, chúng tôi muốn lưu ý rằng những thay đổi trong não chỉ là một phần của các khía cạnh đa chiều của nghiện chơi game Internet, do đó, các yếu tố khác, nhất là các yếu tố rủi ro bên trong và bên ngoài khác nhau đối với nghiện chơi game Internet (), nên được đưa vào các mô hình đầy đủ hơn để phân loại giữa các game thủ bệnh lý và không bệnh lý cũng như phân biệt các game thủ với các cá nhân khỏe mạnh không chơi game.

Ở đây, chúng tôi đã sử dụng hồi quy thường xuyên, sử dụng các công cụ ước tính thúc đẩy thưa thớt như lasso và lưới đàn hồi, để xác định các tính năng quan trọng cho các mô hình phân loại. Thực tế, có các biến thể phương pháp trong lựa chọn tính năng hoặc giảm kích thước, và nhiều cách tiếp cận khác nhau có thể được sử dụng để sử dụng các tính năng được chọn trong xây dựng mô hình (). Cách tiếp cận của chúng tôi bằng cách sử dụng hồi quy thường xuyên đòi hỏi một giả định tiên nghiệm liên quan đến sự thưa thớt trong các đặc điểm thần kinh. Với điều kiện là một giả định như vậy có thể chấp nhận được, như chúng tôi tin trong nghiên cứu này, hồi quy chính quy có thể là một cách tiếp cận hợp lý và tập hợp các tính năng thưa thớt được lựa chọn sẽ tạo ra các mô hình phân loại có hiệu suất cao tương xứng. Nhưng điều đáng chú ý là các mô hình phân loại đơn giản hơn dựa trên độ thưa thớt lớn hơn có thể không phải lúc nào cũng thể hiện hiệu suất tương đương hoặc được cải thiện. Thật vậy, trong số các lựa chọn khác nhau về mức độ thưa thớt theo một tham số chính quy, độ thưa thớt lớn hơn không có khả năng cung cấp một mô hình hoạt động tốt hơn cụ thể trong các vấn đề phân loại khó khăn hơn, chẳng hạn như phân loại giữa các game thủ bệnh lý và không bệnh lý.

Ngoài ra, chúng tôi đã sử dụng các SVM như một kỹ thuật ML để xây dựng các mô hình phân loại, bởi vì chúng là một trong những mô hình phổ biến nhất. Các phương pháp nâng cao khác có thể được sử dụng để cải thiện hiệu suất phân loại, mặc dù hiệu suất so sánh giữa các phương pháp khác nhau có thể không được kết luận do sự phụ thuộc của hiệu suất vào các kịch bản thử nghiệm (). Mặt khác, để thực hiện so sánh giữa các phương pháp thống kê cổ điển và kỹ thuật ML, chúng tôi đã tiến hành phân loại bằng hồi quy logistic và cho thấy hai phương pháp, đó là hồi quy logistic và SVM, có thể so sánh được trong hiệu suất phân loại (Hình S2). Có thể lặp đi lặp lại rằng các phương pháp thống kê cổ điển không phải lúc nào cũng thua kém các kỹ thuật ML trong hiệu suất phân loại ().

Trong nghiên cứu hiện tại, chúng tôi đã tiết lộ rằng phân loại IGD dựa trên triệu chứng có thể được biểu diễn dưới dạng các dấu ấn sinh học thần kinh thưa thớt bao gồm các mô hình phân loại. Hơn nữa, chúng tôi đã chứng minh rằng các game thủ không bệnh lý có thể ít phân biệt với các game thủ bệnh lý hơn so với các cá nhân khỏe mạnh không chơi game, về mặt giải phẫu thần kinh. Do đó, chúng tôi đề nghị rằng mặc dù các hệ thống chẩn đoán hiện tại dựa vào phân loại mô tả như DSM-5 là tiêu chuẩn vàng, các game thủ không bệnh lý có thể cần được chẩn đoán cẩn thận hơn bằng cách sử dụng các dấu ấn sinh học khách quan như những thay đổi liên quan đến thần kinh. Áp dụng các phương pháp tính toán dường như là một xu hướng không thể đảo ngược trong tâm thần học, nhưng có thể còn một chặng đường dài để áp dụng thực tế vào những môi trường lâm sàng. Tìm kiếm lựa chọn tối ưu các tính năng thưa thớt từ hình ảnh não và dữ liệu lâm sàng khác cần được tiến hành trong các nghiên cứu tiếp theo, và về lâu dài, những nỗ lực này sẽ thúc đẩy chẩn đoán IGD dựa trên tính toán.

Sự đóng góp của tác giả

D-JK và J-WC chịu trách nhiệm về khái niệm và thiết kế nghiên cứu. HC đã tiến hành đặc tính lâm sàng và lựa chọn người tham gia. CP đã phân tích dữ liệu và phác thảo bản thảo. Tất cả các tác giả đã phê bình nội dung và phê duyệt phiên bản cuối cùng để xuất bản.

Xung đột về tuyên bố lãi suất

Các tác giả tuyên bố rằng nghiên cứu được thực hiện trong trường hợp không có bất kỳ mối quan hệ thương mại hoặc tài chính nào có thể được hiểu là xung đột lợi ích tiềm năng.

Chú thích

 

Kinh phí. Nghiên cứu này được Chương trình nghiên cứu khoa học não hỗ trợ thông qua Quỹ nghiên cứu quốc gia Hàn Quốc (NRF) do Bộ Khoa học và CNTT tại Hàn Quốc tài trợ (NRF-2014M3C7A1062893).

 

 

Tài liệu bổ trợ

Tài liệu bổ sung cho bài viết này có thể được tìm thấy trực tuyến tại: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material

dự án

KHAI THÁC. KS trẻ. Nghiện Internet: sự xuất hiện của một rối loạn lâm sàng mới. Hành vi CyberPologistsol. (1) 1998: 1 tầm 237. 44 / cpb.10.1089 [Cross Ref]
KHAI THÁC. Cẩm nang Chẩn đoán và Thống kê của Hiệp hội Tâm thần Hoa Kỳ về Rối loạn Tâm thần, Phiên bản 2th. Washington, DC: Nhà xuất bản Hiệp hội Tâm thần Hoa Kỳ; (5).
KHAI THÁC. Ko CH, Yen JY, Chen SH, Wang PW, Chen CS, Yen CF. Đánh giá các tiêu chuẩn chẩn đoán rối loạn chơi game Internet trong DSM-3 ở những người trẻ tuổi ở Đài Loan. J Tâm thần Res. (5) 2014: 53 tầm 103. 10 / j.jpsychires.10.1016 [PubMed] [Cross Ref]
KHAI THÁC. Ko CH, Hsieh TJ, Wang PW, Lin WC, Yen CF, Chen CS, et al. . Thay đổi mật độ chất xám và làm gián đoạn kết nối chức năng của amygdala ở người lớn bị rối loạn chơi game Internet. Prog Neuropsychopharmacol Biol Tâm thần học (4) 2015: 57 lối 185. 92 / j.pnpbp.10.1016 [PubMed] [Cross Ref]
KHAI THÁC. Lin X, Dong G, Wang Q, Du X. Chất xám bất thường và khối lượng chất trắng trong 'Người nghiện chơi game Internet'. Nghiện hành vi. (5) 2015: 40 tầm 137. 143 / j.addbeh.10.1016 [PubMed] [Cross Ref]
KHAI THÁC. Wang H, Jin C, Yuan K, Shakir TM, Mao C, Niu X, et al. . Sự thay đổi về khối lượng chất xám và kiểm soát nhận thức ở thanh thiếu niên mắc chứng rối loạn chơi game trên internet. Mặt trước Behav Neurosci. (6) 2015: 9. 64 / fnbeh.10.3389 [Bài viết miễn phí của PMC] [PubMed] [Cross Ref]
KHAI THÁC. Yuan K, Cheng P, Đông T, Bi Y, Xing L, Yu D, et al. . Bất thường độ dày vỏ não ở tuổi vị thành niên muộn với nghiện chơi game trực tuyến. PloS ONE (7) 2013: e8. 53055 / tạp chí.pone.10.1371 [Bài viết miễn phí của PMC] [PubMed] [Cross Ref]
KHAI THÁC. Dong G, Devito E, Huang J, Du X. Hình ảnh kéo căng khuếch tán cho thấy đồi thị và bất thường vỏ não sau ở những người nghiện chơi game internet. J Tâm thần Res. (8) 2012: 46 tầm 1212. 6 / j.jpsychires.10.1016 [Bài viết miễn phí của PMC] [PubMed] [Cross Ref]
KHAI THÁC. Xing L, Yuan K, Bi Y, Yin J, Cai C, Feng D, et al. . Giảm tính toàn vẹn của sợi và kiểm soát nhận thức ở thanh thiếu niên mắc chứng rối loạn chơi game trên internet. Não Res. (9) 2014: 1586 tầm 109. 17 / j.brainres.10.1016 [PubMed] [Cross Ref]
KHAI THÁC. Besson P, Dinkelacker V, Valabregue R, Thivard L, Leclerc X, Baulac M, et al. . Sự khác biệt về kết cấu trong động kinh thùy thái dương trái và phải. Thần kinh (10) 2014: 100 XN 135. 44 / j.neuroimage.10.1016 [PubMed] [Cross Ref]
KHAI THÁC. Huys QJ, Maia TV, Frank MJ. Tâm thần học tính toán như một cầu nối từ khoa học thần kinh đến các ứng dụng lâm sàng. Nat Neurosci. (11) 2016: 19 tầm 404. 13 / nn.10.1038 [Bài viết miễn phí của PMC] [PubMed] [Cross Ref]
KHAI THÁC. Lemmens JS, Valkenburg PM, DA dân ngoại. Các quy mô rối loạn chơi game internet. Đánh giá tâm lý. (12) 2015: 27 tầm 567. 82 / pas10.1037 [PubMed] [Cross Ref]
KHAI THÁC. Dahnke R, Yotter RA, Gaser C. Độ dày vỏ và ước lượng bề mặt trung tâm. Thần kinh (13) 2013: 65 XN 336. 48 / j.neuroimage.10.1016 [PubMed] [Cross Ref]
KHAI THÁC. Smith SM, Jenkinson M, Johansen-Berg H, Rueckert D, Nichols TE, Mackay CE, et al. . Thống kê không gian dựa trên vùng chính: phân tích voxelwise của dữ liệu khuếch tán đa chủ đề. Thần kinh (14) 2006: 31 XN 1487. 505 / j.neuroimage.10.1016 [PubMed] [Cross Ref]
KHAI THÁC. Búa A, Allom R, Koepp MJ, SL miễn phí, Myers R, Lemieux L, et al. . Bản đồ xác suất tối đa ba chiều của bộ não con người, đặc biệt liên quan đến thùy thái dương. Mapp não Mapp. (15) 2003: 19 tầm 224. 47 / hbm.10.1002 [PubMed] [Cross Ref]
KHAI THÁC. Mori S, Oishi K, Jiang H, Jiang L, Li X, Akhter K, et al. . Bản đồ chất trắng lập thể dựa trên hình ảnh tenxơ khuếch tán trong một mẫu ICBM. Thần kinh (16) 2008: 40 XN 570. 82 / j.neuroimage.10.1016 [Bài viết miễn phí của PMC] [PubMed] [Cross Ref]
KHAI THÁC. Tibshirani R. Regression co ngót và lựa chọn thông qua lasso. J Roy Stat Soc Ser B (17) 1996: 58 XN 267.
KHAI THÁC. Zou H, Hastie T. Chính quy hóa và lựa chọn biến qua lưới đàn hồi. J Roy Stat Soc Ser B (18) 2005: 67 XN 301. 20 / j.10.1111-1467.x [Cross Ref]
KHAI THÁC. Theodoridis S. Machine Learning: Một viễn cảnh Bayes và Tối ưu hóa. Luân Đôn: Nhà xuất bản học thuật; (19).
KHAI THÁC. Delong ER, Delong DM, Clarke-Pearson DL. So sánh các khu vực dưới hai hoặc nhiều đường cong đặc tính hoạt động của máy thu tương quan: một cách tiếp cận không theo tỷ lệ. Sinh trắc học (20) 1988: 44 tầm 837. 45 / 10.2307 [PubMed] [Cross Ref]
KHAI THÁC. Cho SH, Kwon JH. Xác nhận phiên bản tiếng Hàn của Thang điểm Rối loạn Chơi game Internet (K-IGDS): kết quả từ mẫu cộng đồng của người lớn. Hàn Quốc J Clin Psychol. (21) 2017: 36 tầm 104. 17 / kjcp.10.15842 [Cross Ref]
KHAI THÁC. Sigerson L, Li AYL, Cheung MWL, Luk JW, Cheng C. Thuộc tính tâm lý của thang đo rối loạn chơi game internet của Trung Quốc. Nghiện hành vi. (22) 2017: 74 tầm 20. 6 / j.addbeh.10.1016 [PubMed] [Cross Ref]
KHAI THÁC. Burke Quinlan E, Dodakian L, See J, Mckenzie A, Le V, Wojnowicz M, et al. . Chức năng thần kinh, chấn thương và phân nhóm đột quỵ dự đoán tăng điều trị sau đột quỵ. Ann Neurol. (23) 2015: 77 tầm 132. 45 / ana.10.1002 [Bài viết miễn phí của PMC] [PubMed] [Cross Ref]
KHAI THÁC. Pariyadath V, Stein EA, Ross TJ. Máy học phân loại kết nối chức năng trạng thái nghỉ dự đoán tình trạng hút thuốc. Mặt trước Hum Neurosci. (24) 2014: 8. 425 / fnhum.10.3389 [Bài viết miễn phí của PMC] [PubMed] [Cross Ref]
KHAI THÁC. Fedota JR, Stein EA. Kết nối chức năng trạng thái nghỉ và nghiện nicotine: triển vọng phát triển dấu ấn sinh học. Ann NY Acad Sci. (25) 2015: 1349 tầm 64. 82 / nyas.10.1111 [Bài viết miễn phí của PMC] [PubMed] [Cross Ref]
KHAI THÁC. Ahn WY, Ramesh D, Moeller FG, Vassileva J. Công dụng của phương pháp học máy để xác định các dấu hiệu hành vi đối với các rối loạn sử dụng chất: kích thước xung động như là yếu tố dự báo của sự phụ thuộc cocaine hiện tại. Tâm thần học phía trước (26) 2016: 7. 34 / fpsyt.10.3389 [Bài viết miễn phí của PMC] [PubMed] [Cross Ref]
KHAI THÁC. Ahn WY, Vassileva J. Machine-learning xác định các dấu hiệu hành vi cụ thể của chất đối với sự phụ thuộc thuốc phiện và chất kích thích. Rượu thuốc phụ thuộc. (27) 2016: 161 tầm 247. 57 / j.drrifcdep.10.1016 [Bài viết miễn phí của PMC] [PubMed] [Cross Ref]
28. Percy C, França M, Dragičević S, D'avila Garcez A. Dự đoán cờ bạc trực tuyến tự loại trừ: phân tích hiệu suất của các mô hình học máy được giám sát. Int Gambl Stud. (2016) 16: 193–210. 10.1080 / 14459795.2016.1151913 [Cross Ref]
KHAI THÁC. Đinh WN, Sun JH, Sun YW, Zhou Y, Li L, Xu JR, et al. . Thay đổi kết nối chức năng trạng thái nghỉ mặc định trong mạng ở thanh thiếu niên bị nghiện chơi game Internet. PloS ONE (29) 2013: e8. 59902 / tạp chí.pone.10.1371 [Bài viết miễn phí của PMC] [PubMed] [Cross Ref]
KHAI THÁC. Meng Y, Đặng W, Wang H, Guo W, Li T. Rối loạn chức năng trước trán ở những người mắc chứng rối loạn chơi game trên Internet: phân tích tổng hợp các nghiên cứu hình ảnh cộng hưởng từ chức năng. Nghiện Biol. (30) 2015: 20 tầm 799. 808 / adb.10.1111 [PubMed] [Cross Ref]
KHAI THÁC. Zhang JT, Yao YW, Li CSR, Zang YF, Shen ZJ, Liu L, et al. . Thay đổi kết nối chức năng trạng thái nghỉ ngơi của insula ở người trẻ tuổi mắc chứng rối loạn chơi game Internet. Nghiện Biol. (31) 2015: 21 tầm 743. 51 / adb.10.1111 [Bài viết miễn phí của PMC] [PubMed] [Cross Ref]
KHAI THÁC. Cai C, Yuan K, Yin J, Feng D, Bi Y, Li Y, et al. . Hình thái Striatum có liên quan đến sự thiếu hụt kiểm soát nhận thức và mức độ nghiêm trọng của triệu chứng trong rối loạn chơi game internet. Hành vi chụp ảnh não. (32) 2016: 10 tầm 12. 20 / s10.1007-11682-015-9358 [PubMed] [Cross Ref]
KHAI THÁC. Park C, Chun JW, Cho H, Jung YC, Choi J, Kim DJ. Là bộ não nghiện chơi game Internet gần ở trong tình trạng bệnh lý? Nghiện Biol. (33) 2017: 22 tầm 196. 205 / adb.10.1111 [PubMed] [Cross Ref]
KHAI THÁC. Kuss DJ, Griffiths MD. Nghiện chơi game trên Internet: một đánh giá có hệ thống về nghiên cứu thực nghiệm. Int J Ment Nghiện Sức khỏe. (34) 2012: 10 tầm 278. 96 / s10.1007-11469-011-9318 [Cross Ref]
KHAI THÁC. Castellanos FX, Di Martino A, Craddock RC, Mehta AD, Milham MP. Ứng dụng lâm sàng của các kết nối chức năng. Thần kinh (35) 2013: 80 XN 527. 40 / j.neuroimage.10.1016 [Bài viết miễn phí của PMC] [PubMed] [Cross Ref]
KHAI THÁC. Tollenaar N, Van Der Heijden P. Phương pháp nào dự đoán tái phạm tốt nhất?: So sánh các mô hình dự báo thống kê, học máy và khai thác dữ liệu. J Roy Stat Soc Ser A (36) 2013: 176 XN 565. 84 / j.10.1111-1467X.985.x [Cross Ref]