前精神病。 2018; 9：291。
在线发布2018 Jun 29。 DOI： 10.3389 / fpsyt.2018.00291
PMCID：PMC6033968
结论： 30008681
长铉公园,1 Ji-Won Chun,1 炫卓,1,2 和 戴大金1,*
抽象
网络游戏障碍（IGD）通常根据最新版本的精神障碍诊断和统计手册（DSM-5）的九个基本标准进行诊断。 在这里，我们检查了这种基于症状的分类是否可以转化为基于计算的分类。 结构MRI（sMRI）和弥散加权MRI（dMRI）数据是在诊断为IGD的38游戏玩家，诊断为没有IGD的68正常游戏玩家和37健康非游戏玩家中获得的。 我们从MRI数据中生成了灰质（GM）和白质（WM）结构的108特征。 当对108神经解剖学特征应用正则化逻辑回归以选择用于区分组的重要因素时，无序和正常游戏者分别以健康非游戏者的43和21特征表示，而与正常游戏玩家相关的11特征表示无序游戏玩家。 在使用稀疏神经解剖学特征作为预测因子的支持向量机（SVM）中，无序和正常游戏者被成功区分，准确度超过98％，来自健康的非游戏玩家，但无序和正常游戏玩家之间的分类相对具有挑战性。 这些研究结果表明，用DSM-5标准分类的病理和非病理游戏玩家可以用稀疏的神经解剖学特征来表示，特别是在区分非游戏健康个体的情况下。
介绍
虽然几十年来一直被认为是病理成瘾（1），直到最近，互联网游戏障碍（IGD）被列入精神疾病诊断和统计手册（DSM）。 第五版DSM（DSM-5）（2）将IGD确定为进一步研究的条件，并提供了9个诊断标准。 在使用DSM-5中提出的九项IGD量表（IGDS）的基于症状的分类中，将经历五个或更多个标准的阈值应用于IGD的诊断。 虽然这个切点可以充分区分遭受严重临床损伤的游戏玩家（3），IGDS项目的二分性质不可避免地涉及诊断过度简化或含糊不清。
除了症状外，通常还会观察到各种与IGD相关的功能障碍，尤其是神经解剖学变化。 事实上，大量工作表明IGD与大脑结构改变有关：灰质（GM）体积缩小（4–6），减少皮质厚度（7）和白质（WM）完整性的损失（8, 9通常已经证明了。 这些与IGD相关的神经解剖学变化表明，这种脑成像参数可以作为生物标志物来区分具有IGD的个体与其他个体。 也就是说，IGD的诊断可以通过神经解剖生物标志物的计算操作来进行，而不是通过基于DSM-5的基于症状的分类来进行。 这些尝试可能与通过使用计算方法进行精神病学超越描述性诊断的努力相一致（10），特别是基于机器学习（ML）的数据驱动方法，以解决精神疾病的诊断（11).
在本研究中，我们通过在IGD诊断中使用神经解剖生物标志物在IGDS和基于计算的分类之间搜索基于症状的分类之间的联系。 因为大脑的一些GM和WM成分可能包含用于诊断分类的冗余或无关信息，我们试图通过使用正则化回归来选择稀疏的神经解剖学特征。 我们假设基于症状的分类可以用稀疏的神经解剖学特征来表示，这些特征将构成IGD诊断的分类模型。 被诊断患有IGD的病理性游戏玩家被认为与非游戏健康个体的不同，而不是被诊断为没有IGD的玩家，即非病理性游戏玩家; 因此，与非游戏健康个体相比，病理玩家可以通过与非病理玩家相比更多数量的特征来表征。 此外，我们想要决定非病理性游戏玩家是否可以与病态游戏玩家或非游戏健康个体区别开来。 在描述性症状方面，非病理性游戏玩家可能被模糊地假设接近非游戏健康个体，但我们认为这种概念需要通过基于计算的分类来验证。
材料和方法
参与者成员
在玩基于互联网的游戏的237参与者中，106个体通过排除在自我报告的IGDS与临床心理学家在IGD诊断中的结构化访谈不匹配或者错过或严重扭曲脑成像数据的人进行选择。 在IGDS的基础上，满足至少五个IGDS项目的38个体（27.66±5.61年; 13女性）被标记为无序游戏者，并且最多满足一个IGDS项目的68个体（27.96±6.41年; 21女性）被标记普通游戏玩家。 对2到4个IGDS项目感到满意的个人也被排除在外，因为他们可能被认为是无序游戏玩家和普通玩家之间的另一个类别（12）。 此外，另外招募了37个人（25.86±4.10岁；未玩互联网游戏的13位女性），他们被标记为健康的非游戏者。 确认所有参与者均无合并症。 根据赫尔辛基宣言及其后续修正案，所有参与者均获得了书面知情同意书，该研究获得了韩国首尔首尔圣玛丽医院的机构审查委员会的批准。
获取MRI数据
使用3 T MAGNETOM Verio系统（Siemens AG，Erlangen，Germany）收集结构MRI（sMRI）和扩散加权MRI（dMRI）数据。 使用磁化准备的快速梯度回波序列进行sMRI数据的采集：矢状面中的切片数= 176，切片厚度= 1 mm，矩阵尺寸= 256×256，面内分辨率= 1×1 mm 。 为了获取dMRI数据，在30方向上进行扩散梯度编码 b = 1,000 s / mm2 使用单次回波平面成像序列：轴平面中的切片数= 75，切片厚度= 2 mm，矩阵尺寸= 114×114，面内分辨率= 2×2 mm。
处理MRI数据
CAT12中包含的工具（http://www.neuro.uni-jena.de/cat/）用于处理sMRI数据。 脑容积图像被分割成不同的组织，包括GM，WM和皮质脊髓液，以及在标准空间中空间登记到参考脑。 在基于体素的形态测定法（VBM）中，通过将GM的概率乘以体素的体积来估计体素GM体积，然后将这些值除以总颅内体积以调整头部体积的个体差异。 在基于表面的形态测量法（SBM）中，使用基于投影的厚度方法估计皮质厚度（13).
处理dMRI数据
FSL 5.0中包含的工具（http://fsl.fmrib.ox.ac.uk/fsl/）被用来处理dMRI数据。 所有图像都重新对准使用的空图像 b = 0 s / mm2 纠正涡流引起的扭曲和头部运动。 在脑内的每个体素上建模扩散张量，并计算扩散张量导出的参数，包括分数各向异性（FA），平均扩散系数（MD），轴向扩散系数（AD）和径向扩散系数（RD）; 给定沿扩散张量的不同轴的三个扩散，FA被计算为三个轴之间的扩散率差的平方和的平方根，MD作为三个轴上的平均扩散率，AD作为沿主轴的最大扩散率和RD作为沿两个短轴的扩散平均值。 使用基于道的空间统计（TBSS）（14）在FSL 5.0中实现，扩散张量衍生参数的图在空间上注册到标准空间中的参考脑，然后将它们投影到WM道骨架上。
特征生成
设计分类模型的两个主要步骤是特征生成和选择。 我们从神经解剖学中产生了特征，特别是一组GM区域的体积和厚度以及一组WM区域的完整性和扩散性。 在分别从VBM和SBM获得的体素图估计GM体积和皮质厚度后，评估每个60 GM区域的参数（表 S1），在Hammers地图集中包裹（15），作为其中所有体素的平均值。 将估计的扩散张量衍生参数（包括FA，MD，AD和RD）作为从TBSS获取的WM道路骨架上的体素图，计算每个48 WM区域的参数（表 S2），如ICBM DTI-81地图集（16），作为其中所有体素的平均值。 总之，我们考虑了GM的两个参数和WM的四个参数，它们产生了GM和WM参数的八种组合。 对于GM和WM参数的每个组合，60 GM区域和48 WM区域的参数值组成了总共108神经解剖学特征。
通过正则化回归选择特征
减少特征的数量很重要，特别是对于具有大量特征和有限数量的观测的数据。 与特征数量相关的有限数量的观察可能导致过度拟合噪声，并且正则化是一种能够通过在模型上引入附加信息或约束来减少或防止过度拟合的技术。 由于所有108特征可能都不包含用于分类的有用和必要信息，因此我们通过应用正则化回归选择了一组稀疏特征。 具体来说，套索（17）和弹性网（18）用于正则化逻辑回归。 套索包括惩罚项或正则化参数λ，其在逻辑回归模型中约束系数估计的大小。 因为λ的增加导致更多的零值系数，所以套索提供了具有更少预测因子的减少的逻辑回归模型。 弹性网还通过将系数设置为零来产生减少的逻辑回归模型，特别是通过包括套索和岭回归的混合正则化参数，克服套索在处理高度相关的预测因子方面的局限性（19).
对于三组中每对之间的分类，我们应用套索和弹性网来识别逻辑回归模型中108神经解剖学特征中的重要预测因子。 将这三组中每对中的所有个体的108特征标准化以组成数据矩阵， A，其中每一行代表一个观察值，每一列代表一个预测变量。 为了校正年龄和性别对GM和WM参数的影响，需要使用残差形成矩阵， R，生成： R = I–C(CTC) - 1C 哪里 I 是一个单位矩阵和 C 是一个矩阵编码混杂的年龄和性别的协变量。 然后将其应用于 A 在消除混杂的协变量后获得残差： X = RA.
给定调整后的数据矩阵， X和响应， Y，编码两类个体，10折叠交叉验证（CV）用于搜索正则化参数，λMinErr，它提供了偏差方面的最小误差，定义为在验证折叠上平均的测试模型的负对数似然。 或者，因为CV曲线在每个测试的λ处具有误差，所以正则化参数λ1SE，这是在从λ增加正则化方向的最小CV误差的一个标准误差内发现的MinErr 也考虑过了。 也就是说，在λ处选择较稀疏的特征1SE而稀疏特征是在λ处确定的MinErr。 对于包括108神经解剖学特征的GM和WM参数的每个组合，重复该寻找具有较少预测因子的正则化逻辑回归模型的过程。
所选功能的性能
为了评估稀疏和稀疏特征的有用性，通过测量接收器操作特性（ROC）曲线，在具有减少数量的特征的模型和具有支持向量机（SVM）中的所有108特征的模型之间比较性能。 使用线性内核作为核函数和通过五倍CV优化的超参数，对三组中的每对中的所有个体训练SVM。 计算每个模型的ROC曲线下面积（AUC）作为其性能的定量测量。 德龙测试（20）用于比较每对模型之间的AUC。 当AUC在a处不同时 p- 0.05的价值，两种型号的性能被认为不具有可比性。
分类准确性
从特征的生成和选择到分类模型构建的示意性程序如图所示 Figure1.1。 对于这三组中的每一对，使用所选特征作为预测因子生成SVM分类模型。 我们通过采用留一法CV方案评估分类模型的准确性，从而计算每个遗漏个体的样本外分类准确度，然后对所有个体进行平均。 通过使用置换测试来估计准确度的统计显着性。 通过重复置换个体标签并测量与置换标签相关的准确度，生成用于在三组中的每对之间进行分类的经验零点分布。 当对未经许可的标签测量的准确度高于或等于a处的零分布时 p - 0.05的值，被确定为与机会水平显着不同（准确度= 50％）。 此外，可视化混淆矩阵以描述关于三组中每对之间的区别的灵敏度和特异性。
从神经解剖学特征的产生和选择到无序游戏者（DG）和健康非游戏者（HN）之间，正常游戏者（NG）和HN之间以及DG和NG之间的分类模型的构建过程。 GM，灰质; WM，白质。
成果
功能选择
数字 Figure22 显示108特征中的所选特征及其系数估计值和表格 Table11 描述了用于三组中每对之间的分类的正则化逻辑回归模型的相关拟合信息。 另外，图 S1 显示哪个λ产生最小CV误差并且在λ处选择了多少个特征1SE 以及在λMinErr。 对于健康的非游戏玩家和普通玩家之间的分类以及对于其他分类的弹性网（套索权重= 1），通过套索的特征选择（套索重量= 0.5）获得最小CV误差。
表1
为每组三组之间的分类拟合正则逻辑回归的信息。
| HN与DG | HN与NG | NG与DG | ||
|---|---|---|---|---|
| 产品型号 | GM | 厚度 | 厚度 | 音量 |
| WM | FA | RD | MD | |
| 套索重量 | 0.5 | 1 | 0.5 | |
| 在λ处选择稀疏特征MinErr | CV错误 | 37.3681 | 41.7876 | 133.3857 |
| 功能数量 | 43 | 21 | 11 | |
| 在λ处选择的稀疏特征1SE | CV错误 | 46.5681 | 50.0435 | 141.2622 |
| 功能数量 | 34 | 12 | 1 | |
套索权重表明是否使用套索（套索重量= 1）或弹性网（套索重量= 0.5）进行正则化逻辑回归.
HN，健康的非游戏玩家; DG，紊乱的游戏玩家; NG，普通游戏玩家; GM，灰质; WM，白质; FA，分数各向异性; RD，径向扩散系数; MD，平均扩散率; 简历，交叉验证.
在将紊乱的游戏玩家与健康的非游戏玩家区分开来时，在λ处选择了43特征MinErr 包括24 GM区域的厚度和19 WM区域的FA，以及在λ处选择的34特征1SE 包括15 GM区域的厚度和19 WM区域的FA。 在正常游戏玩家与健康非游戏玩家的区别中，在λ处选择了21特征MinErr 包括12 GM区域的厚度和9 WM区域的RD，以及在λ处选择的12特征1SE 包括6 GM区域的厚度和6 WM区域的RD。 在无序和普通游戏玩家之间的分类中，在λ处选择11特征MinErr 包括7 GM区域的体积和4 WM区域的MD，以及在λ处选择的一个特征1SE 相当于一个转基因地区的数量。
所选功能的性能
在具有减少的特征数量的模型和具有所有108特征的模型之间，在每种类型的游戏玩家和健康的非游戏玩家之间通过SVM区分AUC的性能相当（图 （Figure3）.3）。 在无序和正常游戏玩家之间的分类中，具有在λ处选择的特征的模型MinErr （AUC = 0.83， p = 0.006）或λ1SE （AUC = 0.72， p <0.001）显示的性能比具有所有108个特征的模型（AUC = 0.90）差。
通过支持向量机在没有和具有用于在每对三组之间进行分类的特征选择的模型之间的接收器操作特性曲线（AUC）下的面积性能的比较。 108特征的模型（由实线表示）对应于没有特征选择的模型，而减少数量的特征的模型对应于在λ处选择的具有稀疏和稀疏特征的模型。MinErr （由虚线表示）和λ1SE （分别用点划线表示）。 HN，健康的非游戏玩家; DG，紊乱的游戏玩家; NG，普通游戏玩家。
分类准确性
在SVM中使用在λ处选择的特征进行分类MinErr，准确度大于98％，显着高于机会水平（p <0.001），区别每种类型的游戏玩家与健康的非游戏玩家（图 （Figure4A）.4A）。 准确度仍然显着高于机会水平（p = 0.002）但在无序和正常游戏玩家之间的分类中低至69.8％，特别是在正确识别无序游戏玩家时显示低灵敏度（47.4％）。 稀疏特征在λ处确定1SE 表现出类似的表现（图 （Figure4B）4B但是在无序游戏玩家与正常游戏玩家的正确区分中表现出低得多的敏感度（2.6％）。
混淆矩阵在使用时每对三组之间的分类 （A） 稀疏和 （B） 在λ处确定的稀疏特征MinErr 并在λ1SE分别在支持向量机中。 右下方的细胞代表分类准确度（ACC），左下角细胞真实阴性率（TNR）或特异性，中低细胞真阳性率（TNR）或敏感性，右上角细胞阴性预测值（NPV） ）和中右细胞阳性预测值（PPV）。 TP，真阳性; TN，真阴性; FP，误报; FN，假阴性。
讨论
在这项研究中，我们试图检查DSM-5中提出的IGDS分类的病理和非病理游戏玩家是否可以用稀疏的神经解剖学特征来表示。 与健康的非游戏玩家相比，无序和正常游戏玩家分别以43和21特征表示。 此外，与正常游戏玩家相关的11特征表示无序游戏玩家。 使用稀疏的神经解剖学特征，无序和正常的游戏玩家可以成功地与健康的非游戏玩家区分开来，但是无序玩家和普通玩家之间的分类相对具有挑战性。
基于症状的IGD描述分类与DSM-5中提出的IGDS正在被广泛采用。 虽然IGDS的经验有效性已在多个国家得到证实（3, 21, 22），体验五个或更多IGDS项目的门槛可能不是一个明确的选择，并且可以建议其他方式对播放基于互联网的游戏的个人进行分类（12）。 由于多种类型的临床数据（例如脑成像数据以及人口统计学，行为学和症状学数据）变得越来越可用，因此可以优选地使用额外的数据来诊断精神疾病。 特别是，由于定量信息的庞大，大脑成像数据适用于计算方法，并且可用于预测。 实际上，与预测解决临床相关问题的其他临床数据相比，脑成像数据已被证明具有更高的预测价值（23).
基于ML的诊断分类最近已应用于其他成瘾行为和障碍（24–28），基于症状的IGD分类似乎也面临基于计算的分类的挑战。 因为以前的研究反复报道了IGD后大脑的解剖异常（5–7, 9），我们考虑了来自脑成像数据潜在生物标志物的这种神经解剖学信息，用于诊断IGD。 在这项研究中，我们的目标是确定一组重要的神经解剖学特征，这些特征可以提供足够高的分类表现，除了描述个体类别之间的神经解剖学差异。
我们选择了108神经解剖学特征中的重要因素，进行了彻底的正则化回归。 当我们考虑GM和WM参数的八种组合时，选择不同的参数组合来区分这三组中的每一对。 GM区域的厚度和WM束的完整性的组合更好地区分病理玩家和健康的非游戏玩家，而GM区域的体积和WM区域的扩散性的组合更好地区分病理玩家来自非病理性的游戏玩家。 此外，虽然许多大脑成分通常作为神经解剖学特征，对于病理和非病理游戏玩家与健康非游戏玩家的区分非常重要，但一些转基因区域和WM大片是非病理性游戏玩家的特征，而不是病理玩家。 。 这些发现表明，GM和WM参数可能没有普遍表现最好的组合作为神经解剖学生物标志物，因此需要根据要分类的组选择GM和WM参数的特定组合。
与病态游戏玩家的区别相比，非健康的非游戏玩家区分的稀疏特征数量较少，反映了非病理玩家处于病理玩家与健康游戏者之间的过渡阶段。非游戏玩家。 此外，两种类型的游戏玩家之间的分类稀疏特征少于每种类型游戏玩家与健康非游戏玩家之间的区别，这表示病态和非病态游戏玩家在术语上彼此之间的差异较小。神经解剖学比他们与健康的非游戏玩家不同。 因此，利用稀疏特征生成的分类模型在每种类型的游戏者和健康的非游戏者之间的区分中产生超过98％的准确度，但是在两种类型的游戏者之间的分类中的准确度低于70％。 也就是说，非病理性游戏玩家可以与健康的非游戏玩家以及病理玩家区别开来，但在区分病理玩家和非病态游戏玩家方面存在局限性。
两种类型的游戏玩家之间相对较低的可区分性似乎暗示了一些概念。 首先，可以提出基于症状的分类和基于计算的分类之间的不匹配。 虽然保守地选择了在IGDS中经历五个或更多标准的建议诊断阈值，以防止IGD的过度诊断（12），不能忽视在神经解剖学中遭受相当大的病理变化但不满足IGD阈值的游戏玩家的存在。 特别是，我们只包括对IGDS项目感到满意的游戏玩家比正常游戏玩家低得多，因此被诊断为没有IGD的游戏玩家通常可以远离非游戏健康个体，而不是本研究中所示。 其次，可以注意到仅依赖于神经解剖学生物标志物的分类挑战。 通过包括能够在病理学和非病理学游戏者之间捕获更大差异的其他生物标记物，可以改善分类性能。 特别是，因为在IGD中也证明了大脑的功能变化（29–33），功能以及大脑的解剖学可以被认为是脑生物标志物。 此外，我们要注意的是，大脑中的变化只构成了互联网游戏成瘾的多维方面的一部分，因此其他因素，尤其是互联网游戏成瘾的各种内部和外部风险因素（34），应该包括在更完整的模型中，用于病理和非病理游戏玩家之间的分类，以及游戏玩家与非游戏健康个体的区别。
在这里，我们采用正则化回归，使用稀疏促进估计量（如套索和弹性网）来识别分类模型的重要特征。 在特征选择或降维方面实际上存在方法上的变化，并且可以采用各种方法来在模型构造中使用所选择的特征（35）。 我们使用正则化回归的方法需要先验假设神经解剖学特征的稀疏性。 假设这样的假设是可以接受的，正如我们在本研究中所认为的那样，正则化回归可能是一种似是而非的方法，并且所选择的稀疏特征集合将构成具有足够高性能的分类模型。 但值得注意的是，基于较大稀疏度的简单分类模型可能并不总能表现出相当或改进的性能。 实际上，在根据正则化参数的稀疏程度的不同选择中，更大的稀疏性不可能在更具挑战性的分类问题中提供更好的表现模型，例如病理学和非病理学游戏者之间的分类。
此外，我们使用SVM作为ML技术来构建分类模型，因为它们是最受欢迎的模型。 其他先进的方法可用于提高分类性能，但由于性能对实验场景的依赖性，可能无法得出不同方法之间的比较性能（19）。 另一方面，对于经典统计方法和ML技术之间的比较性能，我们也通过逻辑回归进行分类，并且表明两种方法，即逻辑回归和SVM，在分类性能方面具有可比性（图 S2）。 可以重复的是，经典统计方法在分类性能方面并不总是低于ML技术（36).
在目前的研究中，我们发现基于症状的IGD分类可以用组成分类模型的稀疏神经解剖生物标志物来表示。 此外，我们已经证明，在神经解剖学方面，非病理性游戏玩家与病态游戏玩家的区别可能不如非游戏健康个体。 因此，我们建议尽管目前的诊断系统依赖于描述性分类，例如DSM-5作为黄金标准，但非病理性游戏玩家可能需要通过使用客观生物标记物（例如与神经解剖学改变相关的生物标记物）来更加小心地诊断。 采用计算方法似乎是精神病学中不可逆转的趋势，但实际应用于临床环境可能还有很长的路要走。 在随后的研究中需要从脑成像和其他临床数据中搜索稀疏特征的最佳选择，并且从长远来看，这些努力将促进基于计算的IGD诊断。
作者贡献
D-JK和J-WC负责研究概念和设计。 HC进行了临床表征和参与者的选择。 CP分析了数据并起草了手稿。 所有作者都严格审查了内容并批准了最终版本以供发布。
利益冲突声明
作者声明，研究是在没有任何可被解释为潜在利益冲突的商业或金融关系的情况下进行的。
补充材料
本文的补充材料可在以下网址找到： https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material
参考资料
;