Forstyrret hjernefunktionelt netværk i internetafhængighedsforstyrrelse: En hvilende statisk funktionel magnetisk resonansbilledstudie (2014)

Chong-Yaw Wee lige bidragyder, Zhimin Zhao lige bidragyder Pew-Thian Yap, Guorong Wu, Feng Shi, True Price, Yasong Du, Jianrong Xu, Yan Zhou mail, Dinggang Shen mail

Udgivet: September 16, 2014

DOI: 10.1371 / journal.pone.0107306

Abstrakt

Internetafhængighedsforstyrrelse (IAD) anerkendes i stigende grad som en psykisk lidelse, især blandt unge. Den patogenese, der er forbundet med IAD, forbliver imidlertid uklar. I denne undersøgelse sigter vi på at udforske de encephale funktionelle egenskaber hos IAD-unge i ro ved hjælp af funktionelle magnetiske resonansbilleddata. Vi vedtog en grafteoretisk tilgang til undersøgelse af mulige forstyrrelser af funktionel forbindelse med hensyn til netværksegenskaber, herunder småværdighed, effektivitet og nodalcentralitet på 17-unge med IAD og 16 sociodemografisk tilpassede sunde kontroller. False discovery rate-korrigerede parametriske test blev udført for at evaluere den statistiske betydning af gruppens netværks topologiske forskelle. Derudover blev der foretaget en korrelationsanalyse for at vurdere forholdet mellem funktionel forbindelse og kliniske foranstaltninger i IAD-gruppen. Vores resultater viser, at der er signifikant forstyrrelse i IAD-patienternes funktionelle forbindelse, især mellem regioner i frontal, occipital og parietallober. De berørte forbindelser er langdistance- og inter-halvkugleformede forbindelser. Selvom der er observeret signifikante ændringer for regionale knudepunkter, er der ingen forskel i global netværkstopologi mellem IAD og sunde grupper. Derudover viser korrelationsanalyse, at de observerede regionale abnormiteter er korreleret med IAD-sværhedsgraden og adfærdsmæssige kliniske vurderinger. Vores resultater, som er forholdsvis konsistente mellem anatomisk og funktionelt definerede atlaser, tyder på, at IAD forårsager forstyrrelser af funktionel forbindelse og vigtigere, at sådanne forstyrrelser kan sammenkæde til adfærdsmæssige forringelser.

tal

Citation: Wee CY, Zhao Z, Yap PT, Wu G, Shi F, et al. (2014) forstyrret hjernefunktionelt netværk i internetafhængighedsforstyrrelse: en hvilende statisk funktionel magnetisk resonansbilledstudie. PLoS ONE 9 (9): e107306. doi: 10.1371 / journal.pone.0107306

Redaktør: Satoru Hayasaka, Wake Forest School of Medicine, USA

modtaget: Januar 20, 2014; Accepteret: August 11, 2014; Udgivet: September 16, 2014

Copyright: © 2014 Wee et al. Dette er en artikel med åben adgang, der distribueres under vilkårene i Creative Commons Navngivelseslicens, som tillader ubegrænset brug, distribution og reproduktion i ethvert medium, forudsat at den oprindelige forfatter og kilde krediteres.

Finansiering: Dette arbejde blev delvist støttet af National Institutes of Health (NIH) tilskud EB006733, EB008374, EB009634, AG041721 og CA140413 samt National Natural Science Foundation of China (81171325) og National Key Technology R & D Program 2007BAI17B03. Finansierne havde ingen rolle i undersøgelsesdesign, dataindsamling og analyse, beslutning om offentliggørelse eller udarbejdelse af manuskriptet.

Konkurrerende interesser: Forfatterne har erklæret, at der ikke findes konkurrerende interesser.

Introduktion

Det er blevet rapporteret, at overforbrug af internettet kan føre til ændrede socio-adfærdsmæssige karakteristika, der ligner dem, der findes i stofmisbrug og patologisk gambling [1], [2]. Med det stigende antal internetbrugere i de sidste årtier har dette problem i stigende grad været betragtet som et alvorligt folkesundhedsproblem [3]. Internetafhængighed og computerrelateret afhængighed generelt synes at være et bredt udbredt fænomen, der påvirker millioner af individer i USA og i udlandet, med de højeste forekomster blandt unge og universitetsstuderende i udviklingslandene i Asien [3]-[7]. Effekten af ​​internet overeksponering under ung voksenliv er af særlig klinisk og samfundsmæssig betydning, da ungdomsår er en periode med signifikante ændringer i neurobiologi i forbindelse med beslutningstagning [8] og derved udviser en højere modtagelighed for affektive lidelser og afhængighed [9]-[11]. Siden Youngs sæsonarbejde [2], internetmisbrug har tiltrukket betydelig opmærksomhed fra sociologer, psykologer, psykiatere og lærere.

De kliniske træk ved adfærdsproblemer i forbindelse med internetbrug er beskrevet under forskellige diagnostiske kriterier, herunder internetafhængighedsforstyrrelse (IAD) [12], patologisk internetbrug [13], og problematisk internetbrug [14]. IAD er klassificeret som en impulskontrolforstyrrelse, da det involverer maladaptiv internetbrug uden nogen rusmiddel, der ligner patologisk gambling. IAD manifesterer lignende egenskaber ved andre afhængigheder, herunder udvikling af akademiske, økonomiske og erhvervsmæssige vanskeligheder som følge af vanedannende adfærd og problemer med udvikling og vedligeholdelse af personlige og familieforhold. Personer, der lider af IAD, vil bruge mere tid i ensomhed, hvilket igen påvirker deres normale sociale funktion. I værste tilfælde kan patienter opleve fysisk ubehag eller medicinske problemer som karpaltunnelsyndrom, tørre øjne, rygsmerter, svære hovedpine, spise uregelmæssigheder og forstyrret søvn [15], [16]. Desuden er patienter ofte resistente over for behandling af IAD og har en høj tilbagefaldshastighed [17], og mange af dem lider også af andre afhængigheder, som afhængighed af narkotika, alkohol, gambling eller sex [18].

Mens IAD endnu ikke betragtes som en afhængighed eller psykisk lidelse i DSM-5 [19], er der rigelige undersøgelser, der hovedsagelig er baseret på selvrapporterede psykologiske spørgeskemaer og viser negative konsekvenser i det daglige liv med hensyn til adfærdsmæssige komponenter, psykosociale faktorer, symptomhåndtering, psykiatrisk comorbiditet, klinisk diagnose og behandlingsresultat [6], [20]-[23]. Udover disse adfærdsbaserede analyser er neuroimaging teknikker blevet anvendt for nylig for at undersøge effekten af ​​kraftig internet overbrug på strukturelle og funktionelle egenskaber hos den menneskelige hjerne [7], [24]-[29]. Hvilende tilstandsfunktionel magnetisk resonansbilleddannelse (R-fMRI), en effektiv in vivo værktøj til undersøgelse af neuronale aktiviteter i hjernen har tidligere været anvendt til at identificere mulige forstyrrelser af de encephale funktionelle egenskaber i IAD [24], [26], [27], [30]. I [27], regional homogenitet (ReHo) analyse, der måler sammenhængen mellem regionale lavfrekvensudsving (LFF) inden for hjernenetværk, viste en forbedret synkronisering mellem hjerneområder relateret til belønningsveje i IAD-patienter. En lignende undersøgelse af personer med online gaming afhængighed (OGA) foreslået at anvende øget amplitude LFF i den venstre mediale orbitofrontale cortex, som har anatomiske forbindelser til flere regioner relateret til målrettet beslutningstagning som en biomarkør for sygdommen [30]. Hong et al. benyttede den netværksbaserede statistik (NBS) til at analysere gruppedifferencer i interregional funktionel forbindelse mellem IAD og kontrolgrupper, og der blev observeret udbredt reduktion af funktionel forbindelse i IAD-gruppen med især ingen global forstyrrelse af den overordnede netværkstopologi [26]. I en anden funktionel konnektivitetsbaseret undersøgelse blev ændringer i standardnetværksforbindelsen undersøgt ved anvendelse af den posterior cingulære cortex (PCC) som en frøregion [24]. Resultaterne viste øget funktionel forbindelse mellem den bilaterale cerebellum posterior lobe og midter-temporal gyrus samt nedsat forbindelsesevne mellem den bilaterale inferior parietal lobule og højre inferior temporal gyrus.

I den nuværende undersøgelse anvender vi grafteoretisk tilgang til analyse af IAD baseret på R-fMRI data. Vi evaluerer først betydningen af ​​den funktionelle forbindelse afbrydelse ved hjælp af parametriske test med flere sammenligningskorrektion. Dette giver os mulighed for fuldt ud at udforske fuldt mønster af hjernens funktionelle forbindelser og mønstre af forbindelse mellem storskala netværk [31]. For det andet undersøger vi mulige forbindelsesforstyrrelser i forbindelse med IAD i form af globale netværksegenskaber, herunder egenskaber med lille verden (dvs. klyngekoefficient og karakteristisk kurslængde) og netværkseffektivitet (dvs. global og lokal effektivitet) over et lille verdensregime. For det tredje vurderer vi med det samme netværkets sparsitetsområde den funktionelle betydning af et netværk ved at tage højde for en regions forhold til hele den funktionelle forbindelse [32] baseret på centralitetsforanstaltningerne for hvert investeringsafkast. Vi er motiverede til at bruge netværkscentralitet til bedre lokalisere de forstyrrede regioner på et mere lokalt plan. Endelig udforsker vi forhold mellem netværdier og både adfærdsmæssige og kliniske resultater af deltagerne. Undersøgelse af forbindelsen mellem netværksegenskaber og klinisk udnyttelse øger vores viden om afhængighedspatologi og giver livsvigtigt indblik i udviklingen af ​​mere pålidelige IAD-diagnoseteknikker.

Materialer og Metoder

Deltagere

Treogtredive højrehåndsdeltagere, der omfattede 17-unge med IAD (15 mænd og 2 kvinder) og 16 sex-, alder- og uddannelseskompatible sund kontrolpersoner (14 mænd og 2 kvinder) deltog i denne undersøgelse . Patienterne blev rekrutteret fra Department of Child and Adolescent Psychiatry, Shanghai Mental Health Center, Shanghai School of Medicine, Shanghai Jiao Tong University. Kontrolpersonerne blev rekrutteret fra lokalsamfundet ved hjælp af reklamer. Undersøgelsen blev godkendt af Medical Research Ethics Committee og Institutional Review Board i Shanghai Mental Health Center i overensstemmelse med Helsinki-erklæringen, og der blev modtaget fuld skriftlig informeret samtykke fra hver deltagers forældre / værger.

Varigheden af ​​IAD blev estimeret via en retrospektiv diagnose. Alle forsøgspersoner blev bedt om at huske deres livsstil, da de oprindeligt var afhængige af internettet. For at validere deres internetafhængighed blev patienterne testet igen i henhold til det modificerede Youngs diagnostiske spørgeskema (YDQ) for kriterier om internetafhængighed af Beard og Wolf [33], og pålideligheden af ​​den selvrapporterede IAD blev bekræftet gennem interview med deres forældre. IAD-patienterne tilbragte i det mindste timer om dagen på internettet eller online spil, og dage om ugen. Vi bekræftede disse oplysninger fra værelseskammeraterne og klassekammeraterne til patienterne, at de ofte insisterede på at være på internettet sent om aftenen og forstyrrede andres liv på trods af konsekvenserne. Bemærk, at alle patienter var afhængige af internettet mindst eller mere end 2 år. Detaljer om den modificerede YDQ for kriterier for internetafhængighed findes i Fil S1.

Efter tidligere IAD-undersøgelser [34], kun de HC'er, der tilbragte mindre end 2 timer (time spent = ) pr. dag på internettet blev medtaget i den aktuelle undersøgelse. HC-gruppen brugte dage om ugen på internettet. HC'erne blev også testet med de modificerede YDQ-kriterier for at sikre, at de ikke led af IAD. Alle rekrutterede deltagere var indfødte kinesisktalende og havde aldrig brugt ulovlige stoffer. Bemærk, at den modificerede YDQ blev oversat til kinesisk for at gøre det lettere for deltagerne. For yderligere at retfærdiggøre diagnoseresultaterne er der en anden IAD-diagnostisk foranstaltning, Young's Internet Addiction Scale (YIAS) [35], blev udført for hver deltager. YIAS er et spørgeskema 20-emne udviklet af Dr. Kimberly Young for at vurdere graden af ​​internetafhængighed. Det kategoriserer internetbrugere i tre grader af sværhedsgrad baseret på en 100-point scoringsordning: mild online bruger ( punkter), moderat online bruger ( punkter) og alvorlig online bruger ( peger).

Ud over diagnosen af ​​IAD via den modificerede YDQ og YIAS blev adfærdsbetingelserne hos IAD-patienter også vurderet ved brug af adskillige adfærdsmessige spørgeskemaer: Barratt Impulsiveness Scale-11 (BIS-11) [36], Time Management Disposition Scale (TMDS) [37], Styrker og vanskeligheder spørgeskema (SDQ) [38], og McMaster Family Assessment Device (FAD) [39]. Både barnets og forældrenes versioner af SDQ blev anvendt i undersøgelsen. Nærmere oplysninger om disse spørgeskemaer findes i Fil S1.

Før de blev interviewet for medicinsk historie, gennemgik alle deltagere en simpel fysisk undersøgelse (blodtryk og hjerteslag) for at udelukke fysiske lidelser relateret til bevægelses-, fordøjelses-, nervøs, respiratorisk, cirkulations-, endokrine, urin og reproduktive systemer. Udelukkelseskriterierne omfattede: 1) en historie af comorbide psykiatriske og ikke-psykiatriske lidelser, såsom angstlidelse, depression, tvangslidelse, skizofreni, autisme eller bipolar lidelse; 2) en historie med stofmisbrug eller afhængighed; 3) en historie med fysiske lidelser relateret til bevægelses-, fordøjelses-, nervøs, respiratoriske, cirkulerende, endokrine, urinære og reproduktive systemer; og 4) graviditet eller menstruation i kvinder i løbet af scanningsdagen. Denne udelukkelsesprocedure er vigtig for at sikre, at deltagerne i denne undersøgelse ikke påvirkes af andre fysiske, neurologiske eller neuropsykiatriske lidelser og dermed reducerer mulige forstyrrelser i de opnåede resultater. Detaljerede demografiske oplysninger og kliniske scoringer findes i Tabel 1.

thumbnail

Tabel 1. Demografiske oplysninger af deltagere involveret i denne undersøgelse.

doi: 10.1371 / journal.pone.0107306.t001

Dataforsamling og forbehandling

Dataindsamling blev udført ved hjælp af en 3.0 Tesla-scanner (Philips Achieva). Hvilestatusfunktionelle billeder af hver deltager blev erhvervet med ekotid (TE) = 30 ms og gentagelsestid (TR) = 2000 ms. Opkøbsmatrixen var 64 × 64 med en rektangulær FOV af 230 × 230 mm2, og voxelopløsning af 3.59 × 3.59 × 4 mm3. Scanningen omfattede 220-mængder for hver deltager. Under dataindsamlingen blev deltagerne bedt om at ligge stille i scanneren med lukkede øjne. Selv om ingen ekstra teknik eller enhed blev brugt til at måle om emnerne faktisk holdt deres øjne lukkede, har fagpersonerne bekræftet, at de var opmærksomme og holdt øje lukkede under scanningen.

Dataforarbejdning blev udført ved anvendelse af en standard rørledning i to R-fMRI-procesværktøjskasser, DPARSF [40] og REST [41]. Før enhver forbehandling blev de første 10 R-fMRI-volumener af hvert individ kasseret for at opnå magnetiseringsligevægt. R-fMRI-volumener blev normaliseret til MNI-rummet med opløsning 3 × 3 × 3 mm3. Regression af gener signalsignaler, herunder ventrikel, hvid stof og globale signaler blev udført. Ingen af ​​deltagerne blev udelukket baseret på kriteriet om en forskydning på mere end 3 mm eller en vinkelrotation på mere end 3 grader i en hvilken som helst retning. For yderligere at minimere effekterne af hovedbevægelsen anvendte vi Friston 24-parameterkorrektion såvel som voxelspecifik gennemsnitsforskydning (FD) [42] med FD-tærsklen for 0.5. Før den funktionelle forbindelsesestimering blev de gennemsnitlige R-fMRI tidsserier af hvert ROI band-pass filtreret ( Hz).

Netværkskonstruktion og individuel forbindelseanalyse

Graf teoretisk analyse blev vedtaget i denne undersøgelse for at undersøge funktionelle ændringer i hjernekoblingen forårsaget af IAD blandt en gruppe af kinesiske unge. Funktionelle hjernenetværk blev konstrueret på et makroskala niveau, hvor knuder repræsenterer de foruddefinerede hjerneområder, og kanterne repræsenterer interregional hvilestatusfunktionel forbindelse (RSFC). For at definere netværksnoder, parcellerede vi hjernen ind i regioner af interesse (ROI) ved at krølle fMRI-billederne til den automatiske anatomiske mærkning (AAL) atlas [43]. Regioner baseret på AAL-atlaset er opført i tabel S1 i Fil S1. De repræsentative tidsserier af hvert ROI blev derefter opnået ved at gennemsnitliggøre de regresserede tidsserier over alle voxels i hvert enkelt ROI. For at måle interregional RSFC beregnede vi den parvise Pearson-korrelation for alle mulige (() = 4005) ROI-par og konstrueret en symmetrisk forbindelsesmatrix til at repræsentere disse forbindelser. Vi analyserede gruppens forskelle mellem hvert par ROI'er i form af forbindelsesstyrke. Væsentlige forskelle for hver funktionel forbindelse blev vurderet ved hjælp af massivarivarer (to-tailed) -test med en tærskel på og falsk opdagelsesrate (FDR) korrektion.

Netværk Metrics and Characteristics Analysis

Den Pearson-korrelationsbaserede funktionelle forbindelsesmatrix er tæt forbundet med mange falske elementer med lav styrke. For bedre at modellere menneskelige hjernenetværk, der udviser egenskaber i den lille verden, blev hver enkelt persons funktionelle forbindelsesmatrix behandlet yderligere for at have et sparsitetsområde, der falder inden for den lille verdensregime () [44]-[48]. Dette regime sikrer forholdsvis ensartede småverdenskarakteristika for hjernenetværk af 90 ROI'er [44]. Specifikt blev Pearson-korrelationsmatrixen for hvert individ omdannet til binæriserede adjacency-matricer, , ifølge den foruddefinerede sparsitet, hvor alle indstilles oprindeligt til en, og derefter sættes de elementer, som svarer til de laveste korrelationsværdier, gentagne gange til nul, indtil der opnås et vist niveau af sparsitet. Baseret på disse netværk anvendte vi både globale og regionale netværksmålinger til at analysere den overordnede arkitektur og regionale nodalcentralitet i hjernenetværkerne til sammenligning på koncernniveau. De globale metrics anvendte inkluderet småverdige parametre, nemlig klyngekoefficienten () og karakteristiske sti længde () [49], [50], samt den globale netværkseffektivitet () og lokal netværk effektivitet (). Derudover udregnede vi normaliserede versioner af disse foranstaltninger ved hjælp af tilfældige netværk (og ) for at sikre småværdige ejendomme af de konstruerede hjernenetværk. Vi definerer et netværk som en lille verden, hvis den opfylder følgende tre kriterier: , , og lille-verdens forholdet, . Tre nodal centralitet metrics - grad (), effektivitet () og betweenness () - af hver hjernegruppe blev beregnet til at undersøge de lokale egenskaber ved det funktionelle netværk [44], [46].

For at statistisk undersøge mellemgruppens forskelle udførte vi to-tailed, to-prøve -test med en tærskel på (FDR korrigeret) på hvert netværk metrisk (globalt og regionalt) baseret på arealet under kurven (AUC) for hvert netværk, der er opbygget fra det lille verdensregime [48]. AUC giver et resumé af de topologiske egenskaber ved hjernenetværk over hele det lille verdensregime, i stedet for kun at overveje topologien ved en enkelt sparsitetstærskel [44], [51]. Specifikt beregner vi for hvert netværk metrisk først AUC-værdien for hvert enkelt emne på tværs af netværk med forskellige niveauer af sparsitet og udfører derefter to prøve -test for statistisk at kvantificere enhver forskel på gruppeniveau mellem IAD og raske grupper. Det er bemærkelsesværdigt, at vi før de statistiske tests anvendte flere lineære regressioner for at fjerne virkningerne af alder, køn og uddannelse samt deres interaktioner [31], [52]-[54].

Pålidelighed og Repeatability ved hjælp af Functional Atlas

I den nuværende undersøgelse blev funktionelle forbindelsesnetværk konstrueret på regionalt plan ved at parcellere hele hjernen til 90 ROI'er baseret på AAL-atlaset. Det er imidlertid også blevet rapporteret, at hjernenetværk, der stammer fra forskellige parcellationsordninger eller ved hjælp af forskellige rumlige skalaer, kan udvise forskellige topologiske arkitekturer [55]-[57]. For at evaluere pålideligheden og repeterbarheden af ​​vores resultater gentog vi eksperimenterne ved hjælp af Dosenbachs funktionelle atlas [58], som skiller den menneskelige hjerne ind i 160 ROI'er, herunder cerebellum. I denne atlas er hver ROI defineret som en kvadrat 10 mm-diameter, der omgiver et valgt frøpunkt, og afstanden mellem alle ROI-centre er mindst 10 mm uden rumlig overlapning, hvilket betyder, at nogle hjerneområder ikke er dækket af sæt af ROI'er.

Forholdet mellem netværksmålinger og adfærdsmæssige resultater

For disse regioner (baseret på AAL-atlaset), der viser betydelige forskelle på gruppens niveau i regional nodal centralitet, anvendte vi parvis Pearson-korrelation (, FDR korrigeret) for at analysere forholdet mellem hver regions netværksegenskaber og en persons adfærdsscore. Specifikt blev netværksmålinger i korrelationsanalysen behandlet som de afhængige variabler, mens adfærdsmæssige score, dvs. BIS-11, TMDS, SDQ og FAD, blev behandlet som de uafhængige variabler. For yderligere at forstå forholdet mellem de berørte hjerneområder og sygdommens sværhedsgrad, beregnede vi også Pearson-korrelationskoefficienten mellem netværksfunktioner og YIAS-score.

Resultater

Demografiske og kliniske egenskaber

Der er ingen signifikant forskel i alder, køn og år med uddannelse (alle med ) mellem IAD- og HC-grupperne. Der er dog betydelige forskelle i internetbrug i form af dage om ugen () og timer om dagen (). Selvom der ikke er nogen signifikant forskel mellem grupper for BIS-11 og TMDS score (alle med ), SDQ-P (), SDQ-C () og FAD () score er signifikant højere i IAD-gruppen, som vist i Tabel 1 , Figur 1. Især er YIAS'en (), viser den kliniske foranstaltning, der bruges til at klassificere IAD, den mest signifikante forskel på gruppeniveau.

thumbnail

Figur 1. Mellemgruppen forskelle i form af kliniske og adfærdsmæssige foranstaltninger.

(YIAS = Youngs Internet Addiction Scale, BIS-11 = Barratt Impulsiveness Scale-11, TMDS = Time Management Disposition Scale, SDQ-P = Strengths and Difficulties Questionnaire parent version, SDQ-C = Strengths and Difficulties Questionnaire child version, FAD = McMaster Enhedsvurderingsanordning).

doi: 10.1371 / journal.pone.0107306.g001

Individuel funktionel forbindelse

Sammenlignet med HC-gruppen oplevede kun tre funktionelle forbindelser en betydelig ændring efter FDR-korrektion. To inter-halvkugleforbindelser, en mellem den venstre vinkelgyrus (parietallobe) og den højre midterste orbitofrontale cortex (frontal lobe) og en anden mellem den venstre fusiform gyrus (occipital lobe) og højre vinkelgyrus (parietal lobe) udviser øget forbindelsesstyrke i IAD patienter. En intra-halvkugleforbindelse, mellem den højre caudate (subcortical cortex) og højre supramarginal gyrus (parietal lobe), viser nedsat forbindelsesevne i sygdomsgruppen. Disse væsentligt ændrede funktionelle forbindelser er illustreret i Figur 2. Røde og blå farveforbindelser angiver de øgede og nedsatte funktionelle forbindelser i henholdsvis IAD-gruppen. Bemærk, at de fleste af de berørte funktionelle forbindelser involverer regioner beliggende i højre halvkugle og parietallobe.

thumbnail

Figur 2. Betydeligt ændrede funktionelle forbindelser i IAD patienter (FDR korrigeret).

Rød: Forøget funktionel tilslutning, Blå: Forkortet funktionel tilslutning. (FRO: Frontal, INS: Insula, TEM: Temporal, PAR: Parietal, OCC: Occipital, LIM: Limbic, SBC: Subcortical). Denne visualisering oprettes ved hjælp af BrainNet Viewer-pakken (http://www.nitrc.org/projects/bnv) og Circos (http://circos.ca/).

doi: 10.1371 / journal.pone.0107306.g002

Globale egenskaber ved de funktionelle netværk

Vi undersøgte de topologiske egenskaber ved internt funktionelle hjernenetværk ved at sammenligne deres småverdens adfærd med sammenlignelige tilfældige netværk over flere netværkssparsitetsniveauer, . Især undersøgte vi småværdige parametre (fx klyngekoefficient, karakteristiske sti længde og lille-verdens forhold, ), såvel som den globale og lokale effektivitet. Tilfældige netværk, der blev brugt i undersøgelsen, bevarede antallet af knuder og kanter såvel som gradenfordelingen af ​​ægte hjernenetværk i bekymring ved hjælp af omløbsteknikken beskrevet i [59]. Statistiske analyser ved hjælp af to-prøve -tests (, FDR korrigeret) på AUC-værdierne over det lille verdensregime viste ingen signifikant forskel mellem IAD og HC-grupperne hvad angår globale netværksegenskaber.

Regionale nodale karakteristika for funktionelle netværk

På trods af den almindelige lilleverdenstopologi var der signifikante forskelle på gruppens niveau observeret i den regionale nodal centralitet. I denne undersøgelse vurderer vi, at en hjernegruppe ændres væsentligt i IAD-gruppen, hvis mindst en af ​​de tre regionale nodalmålinger har en -værdi mindre end 0.05 (FDR korrigeret) baseret på AUC-værdierne. Tabel 2 opsummerer de regioner, der er signifikant ændret hos IAD patienter. Sammenlignet med HC-gruppen viste IAD-patienterne knudepunktscentralændringer, der hovedsageligt er placeret i venstre underviden parietal lobule (IPL), venstre thalamus (THA) og andre regioner som det limbiske system, specielt den højre anterior cingulate gyrus (ACG) og højre middle cingulate gyrus (MCG). Navnlig er IPL og ACG komponenter i standardmodusnetværket (DMN), som tidligere har været forbundet med ændret tilslutning i stofafhængighed [60]-[62].

thumbnail

Tabel 2. Regioner, der viser unormale nodalcentraliteter i IAD-patienterne sammenlignet med sunde kontroller (HC) baseret på AAL-atlaset.

doi: 10.1371 / journal.pone.0107306.t002

Pålidelighed og Repeatability ved hjælp af Functional Atlas

Når Dosenbachs atlas bruges til at definere ROI'er, observeres signifikante gruppeforskelle hovedsageligt i frontale og parietale forbindelser til cerebellem. Disse resultater er opsummeret i Tabel 3. Selv om disse forbindelser er forskellige fra de identificerede baseret på AAL-atlasen, involverer de fleste afbrydede forbindelser de samme lobes i hjernen, bortset fra cerebellumregionerne. Med hensyn til globale netværksmålinger fandt vi ingen forskel mellem IAD og HC-grupper, svarende til resultaterne baseret på AAL-atlasen. For lokale netværk beregner vi, at nogle af de identificerede regioner er placeret rumligt tæt på de områder, der er identificeret ud fra AAL-atlaset, såsom ACG og THA som angivet i Tabel 4.

thumbnail

Tabel 3. Funktionelle forbindelser i de IAD-individer, der oplevede betydelige ændringer baseret på Dosenbach-atlaset.

doi: 10.1371 / journal.pone.0107306.t003

thumbnail

Tabel 4. Regioner, der viser unormale knudecentraliteter hos IAD-patienter sammenlignet med sunde kontroller (HC) baseret på Dosenbachs atlas.

doi: 10.1371 / journal.pone.0107306.t004

Forholdet mellem netværksmålinger og adfærdsmæssige foranstaltninger

Der er ingen signifikant (, FDR-korrigeret) sammenhæng mellem globale netværksmålinger (, , og ) og adfærdsmæssige og kliniske resultater. Regionale knudepunkter i flere regioner er imidlertid betydeligt (, FDR korrigeret) korreleret med adfærdsmæssige og kliniske resultater. Den rigtige ACG er positivt korreleret med YIAS-scoren. Den rigtige MCG er positivt korreleret med YIAS-scoren. Den venstre THA er positivt korreleret med YIAS og SDQ-P score. Imidlertid er venstre IPL ikke signifikant korreleret med nogen adfærdsmæssig eller klinisk score. Hjernegrupperne, som er signifikant korreleret med de adfærdsmæssige og kliniske resultater, er vist i Figur 3.

thumbnail

Figur 3. Hjernegrupperne, der er signifikant korreleret med adfærdsmæssige og kliniske resultater i IAD-gruppen (FDR korrigeret).

Denne illustration blev oprettet ved hjælp af BrainNet Viewer-pakken (http://www.nitrc.org/projects/bnv). (YIAS = Youngs Internet Addiction Score, BIS-11 = Barratt Impulsiveness Scale-11, TMDS = Time Management Disposition Scale, SDQ-P = Strengths and Difficulties Questionnaire parent version, SDQ-C = Strengths and Difficulties Questionnaire children version.).

doi: 10.1371 / journal.pone.0107306.g003

Diskussion

Ændringer af individuel funktionel forbindelse

Indsigt i mekanismen for menneskelig hjerneudvikling er vigtig for bedre forståelse af den patologiske understøttelse af lidelser, der påvirker børn og unge, hvilket fører til mulig tidlig behandling. Baseret på grafteoretisk analyse af R-fMRI-data er det blevet foreslået, at funktionel organisering af den menneskelige hjerne modnes og udvikler sig fra barndom til ungdomsår til voksenalderen ved at følge en unik tendens - større funktionel adskillelse hos børn og større funktionel integration hos voksne i hele hjernens niveau [63]-[66]. Organisationen af ​​funktionelle hjernenetværk skifter især fra lokal tilslutning til en mere distribueret arkitektur med udvikling [63], [66], hvor voksne har tendens til at have svagere funktionsforbindelser med kort afstand og stærkere funktionelle konnektorer end lange børn [65].

Vores resultater viser, at de forstyrrede forbindelser, der observeres i IAD, men kun en håndfuld efter FDR-korrektion, er langtrækkende og inter-hemisfæriske funktionelle forbindelser, som er vigtige for langdistancekommunikation i den menneskelige hjerne. Forstyrrelsen af ​​langdistance- og inter-halvkugleforbindelser er et almindeligt symptom i mange adfærdsmæssige abnormiteter, herunder autisme [67]-[70], skizofreni [71], opioidafhængighed [72], [73], og kokainafhængighed [74]. Nedskrivning af langdistributionsforbindelser kan ses som en fejl i integrationsprocessen inden for et distribueret funktionelt netværk af den menneskelige hjerne [63], [64], [75], en afvigelse fra den normale neurodevelopmental bane. Derfor spekulerer vi på, at den unormale udvikling af langvarig og inter-hemisfærisk tilslutning til IAD-unge, der observeres i dette studie, er en af ​​de mulige årsager til deres vanedannende adfærd.

Ændringer i globale netværksegenskaber

Den menneskelige hjerne betragtes som et komplekst og stort sammenkoblet dynamisk system med forskellige vigtige topologiske egenskaber, såsom lille verden, høj effektivitet ved lave ledningsomkostninger og højt forbundet hubs [46], [76]-[79]. I et netværk med små verdener er knuder lokalt grupperet til fordel for moduloplysningsbehandling og er eksternt forbundet via et lille antal langdistancetilslutninger til effektiv samlet routing [50]. Både IAD- og HC-grupperne viste småværdige egenskaber, dvs. store klyngekoefficienter () og lignende karakteristiske sti længder (), sammenlignet med sammenlignelige tilfældige netværk. Vi observerede imidlertid konsekvent større normaliserede klyngekoefficienter og lignende normaliseret karakteristisk sti længde i IAD-gruppe sammenlignet med HC-gruppen over forbindelsestætheden i overensstemmelse med tidligere R-fMRI-studier [26]. Større klyngekoefficient afspejler forstyrret neuronal integration mellem fjerntliggende regioner, der viser relativt sparsomme, fjerntliggende og relativt tætte, kortafståede funktionelle forbindelser i IAD- og HC-grupper. Progression af kliniske stadier, fra mild til svær, kan forårsage mere svækkelse eller afbrydelse af fjerntliggende forbindelser og muligvis muliggøre etablering af korte forbindelser inden for klynge som alternative veje for at bevare informationsoverførslen mellem to fjerne regioner. Etablering af kortafstande forbindelser kan dog indføre unormale klynger, som øger risikoen for at generere en ukontrolleret eller tilfældig informationsstrøm gennem hele netværket. På den anden side viste alle hjernenetværk tilsvarende parallelt informationsbehandling af globale og lokale effektivitetsniveauer sammenlignet med sammenlignelige tilfældige netværk [80]. Disse fund understøtter ideen om en lille verdensmodel af den menneskelige hjerne, der giver en afbalanceret kombination af lokal specialisering og global integration [81]. Vores observation om, at der ikke er nogen signifikant forskel mellem IAD- og HC-grupperne med hensyn til globale netværksegenskaber, kan betyde, at ændringerne af den funktionelle netværksstruktur i IAD er subtile. Derfor kan yderligere forskning i regionspecifikke IAD-biomarkører afsløre væsentlige oplysninger om sygdomspatologien og afhængighed generelt.

Regionale nodale karakteristika for funktionelle netværk

De IAD-relaterede ændringer af nodal centralitet findes hovedsagelig i limbiske systemkomponenter, herunder ACG og MCG, IPL og THA. Forstyrrelser af disse regioner såvel som deres beslægtede forbindelsesveje kan tolkes for at afspejle en reduceret effektivitetsbehandlingseffektivitet, muligvis afspejle funktionsforstyrrelser i IAD.

Den cingulære gyrus (CG), en integreret del af det limbiske system, er involveret i følelsesdannelse og behandling, læring og hukommelse, udøvende funktion og åndedrætsstyring [82]. Det modtager input fra THA og neocortex og projekter til entorhinal cortex via cingulum. Denne vej fokuserer på følelsesmæssigt vigtige begivenheder og regulerer aggressive adfærd [29]. Forstyrrelse af funktioner relateret til CG kan forringe en persons evne til at overvåge og kontrollere hans eller hendes adfærd, især adfærd relateret til følelser [83]. De fleste stof- og adfærdsmæssige afhængighedsanalyser har vist signifikante ændringer i for- og bageste dele af CG (ACG og PCG), herunder alkoholafhængighed [84], patologisk gambling [85], og IAD [27], [29]. I kokainmisbrugere er der også blevet rapporteret yderligere ændringer i MCG [86]. I tidligere fMRI-undersøgelser er det også blevet påvist, at den forreste, midterste og bageste CG alle er påvirket under belønning og straf [87]. På grund af MCG's rolle i behandlingen af ​​positive og negative følelser er det ikke overraskende, at regionen viser signifikant forbindelsesforstyrrelse i IAD-patienter.

THA er et omstillingsbord af hjerneinformation og er involveret i mange hjernefunktioner, herunder belønningsprocessering [88], målrettet adfærd og kognitive og motoriske funktioner [89]. Det relæerer sensoriske og motoriske signaler fra subkortiske områder til cerebral cortex [90]. Gennem THA modtager orbitofrontale cortex direkte og indirekte fremskrivninger fra andre limbiske hjerneområder, der er involveret i lægemiddelforstærkning, såsom amygdala, CG og hippocampus [91], for at kontrollere og korrigere belønningsrelaterede adfærd [92]. Unormale thalamo-kortikale kredsløb fundet i onlinespilmisbrugere [93] kan foreslå en forringelse af THA-funktionen relateret til kroniske mønstre med dårlig søvnkvalitet [94] og overvældende opmærksom fokus på computer. Derudover er THA funktionelt forbundet med hippocampus [95] som en del af det udvidede hippocampale system, hvilket er afgørende for kognitive funktioner som rumlig navigation og konsolidering af information fra korttidshukommelse til langvarig hukommelse [96], [97].

Vi observerede signifikante ændringer af nodal centraliteter i IPL, i overensstemmelse med resultaterne rapporteret i nyere R-fMRI-baserede IAD-studier [24], [93]. På samme måde som THA er IPL massivt forbundet med den auditive, visuelle og somatosensoriske cortex, og den er i stand til at behandle forskellige former for stimuli samtidigt. Som en af ​​de sidste udviklede strukturer i den menneskelige hjerne i løbet af udviklingen kan IPL være mere sårbar over for overdreven eksponering af auditiv og visuel stimuli, især under barndommen. IPL-svækkelse induceret af overforbrug på internettet kan undertrykke en persons evne til korrekt at mediere responshæmning af impulsregulering [98], [99], hvilket ødelægger deres evne til at modstå cue-induceret internet cravings, hvilket kan yderligere forringe IPL. Sådanne cirkulære mønstre ses ofte i substans og adfærdsmæssige afhængige.

Regioner af DMN er generelt mere aktive i hvile end at udføre målrettede opgaver [62]. Disse regioner vides at være involveret i følelsesmæssig modulering og selvreflekterende aktiviteter, herunder evaluering af salience af interne og eksterne signaler, huske fortiden og planlægge fremtiden [60], [62], som er de vigtige kriterier i diagnosen IAD. Det har tidligere været antydet, at ændret tilslutning med DMN-regionerne bidrager til forskellige symptomatiske adfærd i sygdomme [100], herunder stofmisbrug [101], [102] og adfærdsmæssige afhængighed [24], [103]. Vores resultater af ændret funktionel forbindelse, der involverer flere regioner af DMN, er delvis i overensstemmelse med de tidligere observationer, hvilket tyder på, at DMN har potentiale til at fungere som biomarkør til identifikation af IAD-patienter.

Pålidelighed og Repeatability ved hjælp af Functional Atlas

Nogle af de unormale hjerneområder, der blev identificeret på basis af AAL-atlaset, blev også identificeret ved hjælp af den funktionelle atlas, der understøtter pålideligheden og repeterbarheden af ​​vores resultater. En mulig årsag til de lidt forskellige resultater er regimet af anvendt i denne undersøgelse. De små verdenskendetegn ved forbindelsesnetværk bygget ud fra AAL-atlaset af 90 ROI'er er mest konsistente inden for dette område [44]. Dette sparsitetsområde kan dog ikke være optimalt for atlas med forskellige antal afkast. Desuden defineres investeringsafkast fra Dosenbach-atlas funktionelt og dækker ikke hele hjernen [58]. I denne atlas bliver centre af alle 160 ROI'er først identificeret, og en kugle med en radius af 5 mm dyrkes fra hvert center, hvilket giver et 10 mm sfærisk ROI. Centret for hvert afkast er ligeledes sat til at være mindst 10 mm bortset fra centrene for andre investeringsafkast, hvilket fører til rumligt ikke-overlappende atlas. På den anden side dækker AAL-atlaset det grå stofvæv af hele cerebrumet. Disse forskelle i ROI-definition og det samlede område dækket kan bidrage til variationen af ​​resultaterne. Derfor er yderligere forskning, der bruger en større kohorte, nødvendig for at bestemme, hvorvidt valget af hjerneparcellationsskema påvirker karakteriseringen af ​​netværkstopologi.

Korrelation mellem netværksmålinger og adfærdsmæssige foranstaltninger

I denne undersøgelse observerede vi ikke nogen sammenhæng mellem globale netværksmålinger og adfærdsmæssige foranstaltninger, hvilket indebærer manglende ændringer i hele hjernenetværkstopologi. Denne konklusion kan også tyde på, at variationerne i hjernenetværk er subtile på grund af plastiskheden af ​​den menneskelige hjerne (neuroplasticitet) [104], [105] i at genoprette de fleste af sine daglige funktioner via alternative veje (neuralkredsløb). Hjerneplasticitet involverer omorganisering af forbindelser mellem nerveceller eller neuroner og kan påvirkes af et utal af faktorer [106]-[108]. Det sker på en aldersrelateret måde med større udbredelse i barndommen og ungdommen end voksenalderen, hvilket tyder på en bedre opsving af svækkede neuronale forbindelser hos unge med IAD. Endvidere har det vist sig, at en række adfærdsmæssige forhold, der spænder fra afhængighed af neurologiske og psykiatriske lidelser, er korreleret med lokaliserede ændringer i neurale kredsløb [106]. Det er således ikke overraskende, at globale globale netværksforanstaltninger, som f.eks. Gennemsnitlig klyngekoefficient, karakteristiske sti længde og netværkseffektivitet er mindre følsomme for at detektere hjernekredsløbsændringer i IAD-gruppen.

Imidlertid er regionale knudepunkter for flere hjerneområder korreleret med nogle af de adfærdsmæssige foranstaltninger. Især er forældrenes version af SDQ (SDQ-P), som måler både individets evne til at håndtere impulsivitet og sværhedsgraden af ​​følelsesproblemer og prosocial adfærdsproblemer baseret på oplysningerne fra de studerendes forældre, positivt korreleret med de funktionelt ramte hjerneområder, der findes i IAD. Manglende evne til at kontrollere impulsiv adfærd og følelser er et af de vigtigste adfærdsmæssige symptomer. Det er almindeligt, at patienterne ikke er opmærksomme på ændringer i deres følelser og adfærd, selvom disse ændringer er forholdsvis indlysende for folk omkring dem. Dette kan være hovedårsagen til, at ingen af ​​netværksforanstaltningerne er korreleret med børneversionen af ​​SDQ (SDQ-C) på grund af dens selvvurderingsmæssige karakter. På den anden side er der ingen signifikant sammenhæng mellem regionale netværksforanstaltninger og andre adfærdsmæssige foranstaltninger, herunder BIS-11, FAD og TMDS. Dette fund støttes af de store -værdier for disse foranstaltninger mellem IAD og raske grupper (Tabel 1). Disse resultater kan tyde på, at nogle af disse adfærdsmæssige foranstaltninger er nyttige til at bestemme berørte regioner og dermed hjælpe IAD-diagnosen, selv om en betydelig mængde arbejde stadig er nødvendig for bedre at forstå rollerne ved disse foranstaltninger i adfærdsmæssige afhængigheder eller lidelser.

Metodiske problemer / begrænsninger

Der er flere begrænsninger, der bør fremhæves i denne undersøgelse. For det første var diagnosen IAD hovedsagelig baseret på resultater fra selvrapporterede spørgeskemaer, hvilket kunne påvirke pålideligheden af ​​diagnoserne. I fremtiden skal standardiserede diagnostiske værktøjer til IAD-identifikation udvikles for at forbedre pålideligheden og gyldigheden af ​​IAD-diagnoser. For det andet er vores undersøgelse begrænset af den lille prøvestørrelse og ubalancen mellem deltagernes køn (31 mænd og 4 kvinder), hvilket kan reducere resultaternes statistiske styrke og generaliserbarhed, selvom disse faktorer er blevet kontrolleret i analyse. Effekten af ​​køn på IAD-prævalens er stadig et debatteret problem. Baseret på Youngs resultater [35]et stort antal kvinder udviser internetafhængighed. I modsætning hertil rapporterede en ny undersøgelse, at mænd viser en højere risiko for IAD-adfærd [109]. Det er imidlertid også blevet rapporteret, at der ikke er noget forhold mellem køn og IAD [110], [111]. Fremtidige forsøg med en større kohort med et mere afbalanceret kønsforhold er nødvendig for bedre at vurdere forholdet mellem køn og IAD-følsomhed.

Understøttende oplysninger

Fil S1.

Supplerende materialer.

doi: 10.1371 / journal.pone.0107306.s001

(PDF)

Tak

Dette arbejde blev delvist støttet af National Institutes of Health (NIH) tilskud EB006733, EB008374, EB009634, AG041721 og CA140413 samt National Natural Science Foundation of China (81171325) og National Key Technology R & D Program 2007BAI17B03.

Forfatterbidrag

Opfattet og designet eksperimenterne: CYW ZZ PTY GW FS TP YD JX YZ DS. Udførte forsøgene: CYW ZZ YD JX YZ DS. Analyseret data: CYW PTY DS. Bidragede reagenser / materialer / analyseværktøjer: ZZ YD JX YZ. Skrev papiret: CYW PTY TP DS.

Referencer

  1. 1. Ng BD, Wiemer-Hastings P (2005) Afhængighed af internettet og online spil. Cyberpsychol Behav 8: 110-113. doi: 10.1089 / cpb.2005.8.110
  2. 2. Young KS (1998) Internetafhængighed: Fremkomsten af ​​en ny klinisk lidelse. Cyberpsychol Behav 1: 237-244. doi: 10.1089 / cpb.1998.1.237
  3. Se artikel
  4. PubMed / NCBI
  5. Google Scholar
  6. Se artikel
  7. PubMed / NCBI
  8. Google Scholar
  9. Se artikel
  10. PubMed / NCBI
  11. Google Scholar
  12. Se artikel
  13. PubMed / NCBI
  14. Google Scholar
  15. Se artikel
  16. PubMed / NCBI
  17. Google Scholar
  18. Se artikel
  19. PubMed / NCBI
  20. Google Scholar
  21. Se artikel
  22. PubMed / NCBI
  23. Google Scholar
  24. Se artikel
  25. PubMed / NCBI
  26. Google Scholar
  27. Se artikel
  28. PubMed / NCBI
  29. Google Scholar
  30. Se artikel
  31. PubMed / NCBI
  32. Google Scholar
  33. Se artikel
  34. PubMed / NCBI
  35. Google Scholar
  36. Se artikel
  37. PubMed / NCBI
  38. Google Scholar
  39. Se artikel
  40. PubMed / NCBI
  41. Google Scholar
  42. Se artikel
  43. PubMed / NCBI
  44. Google Scholar
  45. 3. Ko CH, Yen JY, Yen CF, Chen CS, Chen CC (2012) Foreningen mellem internetafhængighed og psykiatrisk lidelse: en gennemgang af litteraturen. Eur Psychiatry 27: 1-8. doi: 10.1016 / j.eurpsy.2010.04.011
  46. Se artikel
  47. PubMed / NCBI
  48. Google Scholar
  49. Se artikel
  50. PubMed / NCBI
  51. Google Scholar
  52. Se artikel
  53. PubMed / NCBI
  54. Google Scholar
  55. Se artikel
  56. PubMed / NCBI
  57. Google Scholar
  58. Se artikel
  59. PubMed / NCBI
  60. Google Scholar
  61. Se artikel
  62. PubMed / NCBI
  63. Google Scholar
  64. Se artikel
  65. PubMed / NCBI
  66. Google Scholar
  67. Se artikel
  68. PubMed / NCBI
  69. Google Scholar
  70. Se artikel
  71. PubMed / NCBI
  72. Google Scholar
  73. Se artikel
  74. PubMed / NCBI
  75. Google Scholar
  76. 4. Blok J (2006) Prævalens undervurderet i problematisk internetbrugsstudie. CNS Spectr 12: 14-15.
  77. Se artikel
  78. PubMed / NCBI
  79. Google Scholar
  80. Se artikel
  81. PubMed / NCBI
  82. Google Scholar
  83. Se artikel
  84. PubMed / NCBI
  85. Google Scholar
  86. Se artikel
  87. PubMed / NCBI
  88. Google Scholar
  89. 5. Fitzpatrick JJ (2008) Internetafhængighed: Anerkendelse og interventioner. Arch Neurol 22: 59-60. doi: 10.1016 / j.apnu.2007.12.001
  90. Se artikel
  91. PubMed / NCBI
  92. Google Scholar
  93. Se artikel
  94. PubMed / NCBI
  95. Google Scholar
  96. 6. Cao F, Su L, Liu T, Gao X (2007) Forholdet mellem impulsivitet og internetafhængighed i en stikprøve af kinesiske unge. Eur Psychiatry 22: 466-471. doi: 10.1016 / j.eurpsy.2007.05.004
  97. Se artikel
  98. PubMed / NCBI
  99. Google Scholar
  100. Se artikel
  101. PubMed / NCBI
  102. Google Scholar
  103. Se artikel
  104. PubMed / NCBI
  105. Google Scholar
  106. Se artikel
  107. PubMed / NCBI
  108. Google Scholar
  109. Se artikel
  110. PubMed / NCBI
  111. Google Scholar
  112. Se artikel
  113. PubMed / NCBI
  114. Google Scholar
  115. Se artikel
  116. PubMed / NCBI
  117. Google Scholar
  118. Se artikel
  119. PubMed / NCBI
  120. Google Scholar
  121. Se artikel
  122. PubMed / NCBI
  123. Google Scholar
  124. Se artikel
  125. PubMed / NCBI
  126. Google Scholar
  127. Se artikel
  128. PubMed / NCBI
  129. Google Scholar
  130. Se artikel
  131. PubMed / NCBI
  132. Google Scholar
  133. Se artikel
  134. PubMed / NCBI
  135. Google Scholar
  136. Se artikel
  137. PubMed / NCBI
  138. Google Scholar
  139. Se artikel
  140. PubMed / NCBI
  141. Google Scholar
  142. Se artikel
  143. PubMed / NCBI
  144. Google Scholar
  145. Se artikel
  146. PubMed / NCBI
  147. Google Scholar
  148. Se artikel
  149. PubMed / NCBI
  150. Google Scholar
  151. Se artikel
  152. PubMed / NCBI
  153. Google Scholar
  154. Se artikel
  155. PubMed / NCBI
  156. Google Scholar
  157. Se artikel
  158. PubMed / NCBI
  159. Google Scholar
  160. Se artikel
  161. PubMed / NCBI
  162. Google Scholar
  163. Se artikel
  164. PubMed / NCBI
  165. Google Scholar
  166. Se artikel
  167. PubMed / NCBI
  168. Google Scholar
  169. Se artikel
  170. PubMed / NCBI
  171. Google Scholar
  172. Se artikel
  173. PubMed / NCBI
  174. Google Scholar
  175. Se artikel
  176. PubMed / NCBI
  177. Google Scholar
  178. Se artikel
  179. PubMed / NCBI
  180. Google Scholar
  181. Se artikel
  182. PubMed / NCBI
  183. Google Scholar
  184. Se artikel
  185. PubMed / NCBI
  186. Google Scholar
  187. Se artikel
  188. PubMed / NCBI
  189. Google Scholar
  190. Se artikel
  191. PubMed / NCBI
  192. Google Scholar
  193. Se artikel
  194. PubMed / NCBI
  195. Google Scholar
  196. Se artikel
  197. PubMed / NCBI
  198. Google Scholar
  199. Se artikel
  200. PubMed / NCBI
  201. Google Scholar
  202. Se artikel
  203. PubMed / NCBI
  204. Google Scholar
  205. Se artikel
  206. PubMed / NCBI
  207. Google Scholar
  208. Se artikel
  209. PubMed / NCBI
  210. Google Scholar
  211. Se artikel
  212. PubMed / NCBI
  213. Google Scholar
  214. Se artikel
  215. PubMed / NCBI
  216. Google Scholar
  217. Se artikel
  218. PubMed / NCBI
  219. Google Scholar
  220. Se artikel
  221. PubMed / NCBI
  222. Google Scholar
  223. Se artikel
  224. PubMed / NCBI
  225. Google Scholar
  226. Se artikel
  227. PubMed / NCBI
  228. Google Scholar
  229. Se artikel
  230. PubMed / NCBI
  231. Google Scholar
  232. Se artikel
  233. PubMed / NCBI
  234. Google Scholar
  235. Se artikel
  236. PubMed / NCBI
  237. Google Scholar
  238. Se artikel
  239. PubMed / NCBI
  240. Google Scholar
  241. Se artikel
  242. PubMed / NCBI
  243. Google Scholar
  244. Se artikel
  245. PubMed / NCBI
  246. Google Scholar
  247. Se artikel
  248. PubMed / NCBI
  249. Google Scholar
  250. Se artikel
  251. PubMed / NCBI
  252. Google Scholar
  253. Se artikel
  254. PubMed / NCBI
  255. Google Scholar
  256. Se artikel
  257. PubMed / NCBI
  258. Google Scholar
  259. Se artikel
  260. PubMed / NCBI
  261. Google Scholar
  262. Se artikel
  263. PubMed / NCBI
  264. Google Scholar
  265. Se artikel
  266. PubMed / NCBI
  267. Google Scholar
  268. Se artikel
  269. PubMed / NCBI
  270. Google Scholar
  271. Se artikel
  272. PubMed / NCBI
  273. Google Scholar
  274. Se artikel
  275. PubMed / NCBI
  276. Google Scholar
  277. Se artikel
  278. PubMed / NCBI
  279. Google Scholar
  280. Se artikel
  281. PubMed / NCBI
  282. Google Scholar
  283. Se artikel
  284. PubMed / NCBI
  285. Google Scholar
  286. Se artikel
  287. PubMed / NCBI
  288. Google Scholar
  289. Se artikel
  290. PubMed / NCBI
  291. Google Scholar
  292. Se artikel
  293. PubMed / NCBI
  294. Google Scholar
  295. Se artikel
  296. PubMed / NCBI
  297. Google Scholar
  298. Se artikel
  299. PubMed / NCBI
  300. Google Scholar
  301. Se artikel
  302. PubMed / NCBI
  303. Google Scholar
  304. 7. Yuan K, Qin W, Wang G, Zeng F, Zhao L, et al. (2011) Mikrostrukturabnormiteter hos unge med internetafhængighedsforstyrrelse. PLoS ONE 6: e20708. doi: 10.1371 / journal.pone.0020708
  305. Se artikel
  306. PubMed / NCBI
  307. Google Scholar
  308. Se artikel
  309. PubMed / NCBI
  310. Google Scholar
  311. Se artikel
  312. PubMed / NCBI
  313. Google Scholar
  314. Se artikel
  315. PubMed / NCBI
  316. Google Scholar
  317. 8. Ernst M, Pine DS, Hardin M (2006) Triadisk model af neurobiologi af motiveret adfærd i ungdomsårene. Psychol Med 36: 299-312. doi: 10.1017 / s0033291705005891
  318. 9. Pine DS, Cohen P, Brook JS (2001) Emotionsreaktivitet og risiko for psykopatologi blandt unge. CNS Spectr 6: 27-35.
  319. 10. Silveri MM, Tzilos GK, Pimentel PJ, Yurgelun-Todd DA (2004) Baner om ungdoms følelsesmæssig og kognitiv udvikling: virkninger af sex og risiko for stofbrug. Ann NY Acad Sci 1021: 363-370. doi: 10.1196 / annals.1308.046
  320. 11. Steinberg L (2005) Kognitiv og affektiv udvikling i ungdomsårene. Trends Cogn Sci 9: 69-74. doi: 10.1016 / j.tics.2004.12.005
  321. 12. Ko CH, Yen JY, Chen CC, Chen SH, Yen CF (2005) Foreslåede diagnostiske kriterier for internetafhængighed for unge. J Nerv Ment Dis 193: 728-733. doi: 10.1097 / 01.nmd.0000185891.13719.54
  322. 13. Yoo HJ, Cho SC, HaJ, Yune SK, Kim SJ, et al. (2004) Attention deficit hyperactivity symptomer og internet afhængighed. Psykiatri Clin Neurosci 58: 487-494. doi: 10.1111 / j.1440-1819.2004.01290.x
  323. 14. Shapira NA, Lessig MC, Goldsmith TD, Szabo ST, Lazoritz M, et al. (2003) Problematisk internetbrug: Foreslået klassificering og diagnostiske kriterier. Depress angst 17: 207-216. doi: 10.1002 / da.10094
  324. 15. Beard KW (2005) nternet afhængighed: en gennemgang af aktuelle vurderingsteknikker og potentielle vurderingsspørgsmål. Cyberpsychol Behav 8: 7-14. doi: 10.1089 / cpb.2005.8.7
  325. 16. Young K (1999) Innovationer i klinisk praksis: En kildebog, Professional Resource Press, volumen 17, kapitel Internetafhængighed: Symptomer, evaluering og behandling. pp. 19-31.
  326. 17. Block JJ (2008) Problemer for DSM-V: Internetafhængighed. Am J Psykiatri 165: 306-307. doi: 10.1176 / appi.ajp.2007.07101556
  327. 18. Doidge N (2007) Hjernen, der ændrer sig: Historier om personlig triumf fra grænserne for hjernevidenskab. Penguin Books, 1st udgave doi: 10.1080 / 10398560902721606
  328. 19. American Psychiatric Association (2013) Diagnostisk og Statistisk Manual of Mental Disorders (DSM-5). American Psychiatric Publishing (APPI) .. doi: 10.1007 / springerreference_179660
  329. 20. Bernardi S (2009) SPallanti (2009) Internetafhængighed: Et beskrivende klinisk studie med fokus på comorbiditeter og dissociative symptomer. Compr Psykiatri 50: 510-516. doi: 10.1016 / j.comppsych.2008.11.011
  330. 21. Caplan SE (2002) Problematisk internetbrug og psykosocialt velfærd: Udvikling af et teoribaseret kognitivt adfærdsmæssigt måleinstrument. Comput Human Behav 18: 553-575. doi: 10.1016 / s0747-5632 (02) 00004-3
  331. 22. Shaw M, Black DW (2008) Internetafhængighed: definition, vurdering, epidemiologi og klinisk ledelse. CNS-lægemidler 22: 353-365. doi: 10.2165 / 00023210-200822050-00001
  332. 23. Tao R, Huang X, Wang J, Zhang H, Zhang Y, et al. (2010) Foreslåede diagnostiske kriterier for internetafhængighed. Addiction 105: 556-564. doi: 10.1111 / j.1360-0443.2009.02828.x
  333. 24. Ding W, Sun J, Sun Y, Zhou Y, Li L, et al. (2013) Ændret standard netværks hvilende tilstand funktionel forbindelse til unge med internet gaming afhængighed. PLoS ONE 8: e59902. doi: 10.1371 / journal.pone.0059902
  334. 25. Lin F, Zhou Y, Du Y, Qin L, Zhao Z, et al. (2012) Unormal hvid materielintegritet hos unge med internetafhængighedsforstyrrelse: En undersøgelse baseret på rumlig statistik. PLoS ONE 7: e30253. doi: 10.1371 / journal.pone.0030253
  335. 26. Hong SB, Zalesky A, Cocchi L, Fornito A, Choi EJ, et al. (2013) Mindsket funktionel hjerneforbindelse hos unge med internetafhængighed. PLoS ONE 8: e57831. doi: 10.1371 / journal.pone.0057831
  336. 27. Liu J, Yuan L, Ye J (2010) En effektiv algoritme til en klasse af smeltede lassoproblemer. I: KDD. pp. 323-332.
  337. 28. Yuan K, Cheng P, Dong T, Bi Y, Xing L, et al. (2013) Afvigelser i kortisk tykkelse i sen ungdom med online spilafhængighed. PLoS ONE 8: e53055. doi: 10.1371 / journal.pone.0053055
  338. 29. Zhou Y, Lin F, Du Y, Qin L, Zhao Z, et al. (2011) Afvigelser i grå stof i internetafhængighed: En voxelbaseret morfometriundersøgelse. Eur J Radiol 79: 92-95. doi: 10.1016 / j.ejrad.2009.10.025
  339. 30. Yuan K, Jin C, Cheng P, Yang X, Dong T, et al. (2013) Amplitude af lavfrekvent svingnings abnormiteter hos unge med online gaming afhængighed. PLoS ONE 8: e78708. doi: 10.1371 / journal.pone.0078708
  340. 31. Zuo XN, Ehmke R, Mennes M, Imperati D, Castellanos FX, et al. (2012) Netværkscentralitet i den menneskelige funktionelle forbindelse. Cereb Cortex 22: 1862-1875. doi: 10.1093 / cercor / bhr269
  341. 32. Koschützki D, Lehmann KA, Peeters L, Richter S. Tenfelde-Podehl D et al. (2005) Centralitetsindeks. I: Brandes U, Erlebach T, redaktører, Netværksanalyse: metodologiske fundamenter. New York: Springer-Verlag, volumen 3418, pp. 16-61.
  342. 33. Beard KW, Wolf EM (2001) Ændring i de foreslåede diagnostiske kriterier for internetafhængighed. Cyberpsychol Behav 4: 377-383. doi: 10.1089 / 109493101300210286
  343. 34. Ko CH, Liu GC, Hsiao S, Yen JY, Yang MJ, et al. (2009) Hjerneaktivitiver i forbindelse med spilets trang til online spilafhængighed. J Psykiatr Res 43: 739-747. doi: 10.1016 / j.jpsychires.2008.09.012
  344. 35. Young KS (1998) fanget i nettet: Sådan genkender du tegnene på internetafhængighed og en vindende strategi for gendannelse. John Wiley og Sons.
  345. 36. Patton JH, Stanford MS, Barratt ES (1995) Faktorstruktur i barratt impulsivitetsskalaen. J Clin Psychol 51: 768-774. doi: 10.1002 / 1097-4679 (199511) 51: 6 <768 :: aid-jclp2270510607> 3.0.co; 2-1
  346. 37. Huang X, Zhang Z (2001) Samlingen af ​​ungdoms tidshåndtering disposition inventar. Acta Psychol Sin 33: 338-343.
  347. 38. Goodman R (1997) Styrken og vanskelighedsspørgeskemaet: En forskningsnota. J Børnepsykolpsykiatri 38: 581-586. doi: 10.1111 / j.1469-7610.1997.tb01545.x
  348. 39. Epstein NB, Baldwin LM, Biskop DS (1983) McMaster Family Assessment Device. J Ægteskabsfamilie 9: 171-180. doi: 10.1111 / j.1752-0606.1983.tb01497.x
  349. 40. Yan CG, Zang YF (2010) DPARSF: En MATLAB værktøjskasse til "pipeline" data analyse af hvilestatus fMRI. Front Syst Neurosci 4: 13. doi: 10.3389 / fnsys.2010.00013
  350. 41. Sang XW, Dong ZY, Long XY, Li SF, Zuo XN, et al. (2011) REST: Et værktøjssæt til hvilende tilstands funktionel magnetisk resonansbilledbehandling databehandling. PLoS ONE 6: e25031. doi: 10.1371 / journal.pone.0025031
  351. 42. Power JD, Barnes KA, Snyder AZ, Schlaggar BL, Petersen SE (2012) Spurious men systematiske korrelationer i funktionel forbindelse MRI netværk stammer fra fagbevægelse. Neuroimage 59: 2142-2154. doi: 10.1016 / j.neuroimage.2011.10.018
  352. 43. Tzourio-Mazoyer N, Landeau B, Papathanassiou D, Crivello F, Etard O, et al. (2002) Automatiseret anatomisk mærkning af aktiveringer i SPM ved anvendelse af en makroskopisk anatomisk parcellering af MNI MR-enkeltpersonens hjerne. Neuroimage 15: 273-289. doi: 10.1006 / nimg.2001.0978
  353. 44. Achard S, Bullmore E (2007) Effektivitet og omkostninger ved økonomiske hjernefunktionelle netværk. PLoS Comput Biol 3: e17. doi: 10.1371 / journal.pcbi.0030017
  354. 45. Bassett DS, Meyer-Lindenberg A, Achard S, Duke T, Bullmore E (2006) Adaptiv omkonfiguration af fraktal små verdens menneskelige hjernefunktionelle netværk. Proc Natl Acad Sci USA 103: 19518-19523. doi: 10.1073 / pnas.0606005103
  355. 46. Rubinov M, Sporns O (2010) Komplekse netværkstiltag af hjernekonnektivitet: Anvendelser og fortolkninger. Neuroimage 52: 1059-1069. doi: 10.1016 / j.neuroimage.2009.10.003
  356. 47. Smit DJA, Stam CJ, Posthuma D, Boomsma DI, De Geus EJC (2008) Heritability af "lille verden" netværk i hjernen: En graf teoretisk analyse af hvilende tilstand EEG funktionel forbindelse. Hum Brain Mapp 29: 1368-1378. doi: 10.1002 / hbm.20468
  357. 48. Zhang J, Wang J, Wu Q, Kuang W, Huang X, et al. (2011) Forstyrret hjernekonnektivitetsnetværk i narkotikabevægelse, første episode hoved depressiv lidelse. Biolpsykiatri 70: 334-342. doi: 10.1016 / j.biopsych.2011.05.018
  358. 49. Latora V, Marchiori M (2001) Effektiv opførsel af små verdenskerner. Phys Rev Lett 87: 198701. doi: 10.1103 / physrevlett.87.198701
  359. 50. Watts DJ, Strogatz SH (1998) Samle dynamik i "små verden" netværk. Natur 393: 440-442. doi: 10.1038 / 30918
  360. 51. Han Y, Wang J, Wang L, Chen ZJ, Yan C, et al. (2009) Afdækning af instrinsisk modulær organisering af spontan hjerneaktivitet hos mennesker. PLoS ONE 4: 1-17. doi: 10.1371 / journal.pone.0005226
  361. 52. Gong G, Rosa-Neto P, Carbonell F, Chen ZJ, He Y, et al. (2009) Alders- og kønsrelaterede forskelle i det kortikale anatomiske netværk. J Neurosci 29: 15684-15693. doi: 10.1523 / jneurosci.2308-09.2009
  362. 53. Tian L, Wang J, Yan C, Han Y (2011) Halvkugle- og kønsrelaterede forskelle i hjernenet i små verdener: En hvilende tilstandsfunktionel MR-undersøgelse. Neuroimage 54: 191-202. doi: 10.1016 / j.neuroimage.2010.07.066
  363. 54. Zhu W, Wen W, Han Y, Xia A, Anstey KJ, et al. (2012) Ændring af topologiske mønstre i normal aldring ved hjælp af storskala strukturelle netværk. Neurobiol Aging 33: 899-913. doi: 10.1016 / j.neurobiolaging.2010.06.022
  364. 55. Hayasaka S, Laurienti PJ (2010) Sammenligning af egenskaber mellem region- og voxelbaserede netværksanalyser i hvilende tilstand fmri data. Neuroimage 50: 499-508. doi: 10.1016 / j.neuroimage.2009.12.051
  365. 56. Fornito A, Zalesky A, Bullmore ET (2010) Netværksskalereffekter i grafiske analysestudier af menneskelig hviletilstand fMRI data. Front Syst Neurosci 4: 22. doi: 10.3389 / fnsys.2010.00022
  366. 57. Zalesky A, Fornito A, Harding IH, Cocchi L, Yücel M, et al. (2010) Hele hjernens anatomiske netværk: Springer valget af knuder? Neuroimage 50: 970-983. doi: 10.1016 / j.neuroimage.2009.12.027
  367. 58. Dosenbach NUF, Nardos B, Cohen AL, Fair DA, Power JD, et al. (2010) Forudsigelse af individuel hjerne modenhed ved hjælp af fmri. Videnskab 329: 1358-1361. doi: 10.1126 / science.1194144
  368. 59. Maslov S, Sneppen K (2002) Specificitet og stabilitet i topologi af protein netværk. Videnskab 296: 910-913. doi: 10.1126 / science.1065103
  369. 60. Buckner RL, Andrew-Hanna JR, Schacter DL (2008) Hjernens standardtilstandsnetværk: anatomi, funktion og relevans for sygdom. Ann NY Acad Sci 1124: 1–38. doi: 10.1196 / annaler. 1440.011
  370. 61. Greicius MD, Krasnow B, Reiss AL, Menon V (2003) Funktionel tilslutning i hvilende hjerne: En netværksanalyse af standardmodushypotesen. Proc Natl Acad Sci USA 100: 253-258. doi: 10.1073 / pnas.0135058100
  371. 62. Raichle ME, MacLeod AM, Snyder AZ, Powers WJ, Gusnard DA, et al. (2001) En standardfunktion af hjernefunktion. Proc Natl Acad Sci USA 98: 676-682. doi: 10.1073 / pnas.98.2.676
  372. 63. Fair DA, Dosenbach NUF, Church JA, Cohen AL, Brahmbhatt S, et al. (2007) Udvikling af forskellige kontrolsystemer gennem segregering og integration. Proc Natl Acad Sci USA 104: 13507-13512. doi: 10.1073 / pnas.0705843104
  373. 64. Fair DA, Cohen AL, Power JD, Dosenbach NUF, Kirke JA, et al. (2009) Funktionelle hjerne netværk udvikler sig fra en "lokal til distribueret" organisation. PLoS Comput Biol 5: e1000381. doi: 10.1371 / journal.pcbi.1000381
  374. 65. Kelly AC, Di Martino A, Uddin LQ, Zarrar Shehzad1 DGG, Reiss PT, et al. (2009) Udvikling af anterior cingulat funktionel tilslutning fra sen barndom til tidlig voksenalder. Cereb Cortex 19: 640-657. doi: 10.1093 / cercor / bhn117
  375. 66. Supekar K, Musen M, Menon V (2009) Udvikling af store funktionelle hjernenetværk hos børn. PLoS Biol 7: e1000157. doi: 10.1371 / journal.pbio.1000157
  376. 67. Anderson JS, Druzgal TJ, Froehlich A, DuBray MB, Lange N et al. (2011) Mindsket interhemisfærisk funktionel forbindelse i autisme. Cereb Cortex 21: 1134-1146. doi: 10.1093 / cercor / bhq190
  377. 68. Wilson TW, Rojas DC, Reite ML, Teale PD, Rogers SJ (2007) Børn og unge med autisme udviser reduceret MEG steady state gamma respons. Biolpsykiatri 62: 192-197. doi: 10.1016 / j.biopsych.2006.07.002
  378. 69. Uddin LQ, Supekar K, Menon V (2010) Typisk og atypisk udvikling af funktionelle humane hjernenetværk: indsigter fra hvilende tilstand fMRI. Front Syst Neurosci 4: 21. doi: 10.3389 / fnsys.2010.00021
  379. 70. Uddin LQ, Supekar KS, Ryali S, Menon V (2011) Dynamisk rekonfiguration af strukturel og funktionel tilslutning på tværs af kerne-neurokognitive hjernenetværk med udvikling. J Neurosci 31: 18578-18589. doi: 10.1523 / jneurosci.4465-11.2011
  380. 71. Liang M, Zhou Y, Jiang T, Liu Z, Tian L, et al. (2006) Udbredt funktionel afbrydelse i skizofreni med hvilende tilstands funktionel magnetisk resonansbilleddannelse. Neuroreport 17: 209-213. doi: 10.1097 / 01.wnr.0000198434.06518.b8
  381. 72. Fingelkurts AA, Fingelkurts AA, Kivisaari R, Autti T, Borisov S et al. (2006) Øget lokal og nedsat fjernfunktionel forbindelse til EEG alpha og beta frekvensbånd hos opioidafhængige patienter. Psykofarmakologi 188: 42-52. doi: 10.1007 / s00213-006-0474-4
  382. 73. Fingelkurts AA, Fingelkurts AA, Kivisaari R, Autti T, Borisov S et al. (2007) Opioidudtag resulterer i øget lokal og fjernfunktionel forbindelse til EEG alpha og beta frekvensbånd. Neurosci Res 58: 40-49. doi: 10.1016 / j.neures.2007.01.011
  383. 74. Kelly C, Zuo XN, Gotimer K, Cox CL, Lynch L et al. (2011) Reduceret interhemisferisk hvilestatus funktionel forbindelse i kokainafhængighed. Biolpsykiatri 69: 684-692. doi: 10.1016 / j.biopsych.2010.11.022
  384. 75. Fair DA, Cohen AL, Church NUDJA, Miezin FM, Barch DM, et al. (2008) Den modne arkitektur i hjernens standardnetværk. Proc Natl Acad Sci USA 105: 4028-4032. doi: 10.1073 / pnas.0800376105
  385. 76. Bullmore E, Sporns O (2009) Komplekse hjernenetværk: Graf teoretisk analyse af strukturelle og funktionelle systemer. Nat Rev Neurosci 10: 186-198. doi: 10.1038 / nrn2575
  386. 77. Han Y, Evans A (2010) Graf teoretisk modellering af hjerneforbindelse. Curr Åben Neurol 23: 341-350.
  387. 78. Stam CJ (2010) Karakterisering af anatomisk og funktionel forbindelse i hjernen: Et komplekst netværk perspektiv. Int J Psychophysiol 77: 186-194. doi: 10.1016 / j.ijpsycho.2010.06.024
  388. 79. Wang J, Zuo X, Han Y (2010) Grafbaseret netværksanalyse af hvilende tilstandsfunktionel MR. Front Syst Neurosci 4: 16. doi: 10.3389 / fnsys.2010.00016
  389. 80. Latora V, Marchiori M (2003) Økonomisk småverden adfærd i vægtede netværk. Eur fysisk tidsskrift B 32: 249-263. doi: 10.1140 / epjb / e2003-00095-5
  390. 81. Tononi G, Edelman GM, Sporns O (1998) Kompleksitet og sammenhæng: Integrering af information i hjernen. Trends in Cognitive Sciences 2: 474-484. doi: 10.1016 / s1364-6613 (98) 01259-5
  391. 82. Mayberg HS (1997) Limbisk-kortikal dysregulering: en foreslået model af depression. J Neuropsykiatri Clin Neurosci 9: 471-481.
  392. 83. Goldstein RZ, Tomasi D, Rajaram S, Cottone LA, Zhang L, et al. (2007) Rolle af den forreste cingulat og medial orbitofrontale cortex i behandling af lægemiddelindikationer i kokainafhængighed. Neurovidenskab 144: 1153-1159. doi: 10.1016 / j.neuroscience.2006.11.024
  393. 84. Grüsser SM, Wrase J, Klein S, Hermann D, Smolka MN, et al. (2004) Cue-induceret aktivering af striatum og medial prefrontal cortex er forbundet med efterfølgende tilbagefald hos abstinente alkoholikere. Psykofarmakologi (Berl) 175: 296-302. doi: 10.1007 / s00213-004-1828-4
  394. 85. Miedl SF, Fehr T, Meyer G, Herrmann M (2010) Neurobiologiske korrelater af problemgambling i et quasi-realistisk blackjack scenario som afsløret af fMRI. Psykiatrisk Res 181: 165-173. doi: 10.1016 / j.pscychresns.2009.11.008
  395. 86. Matochik JA, London ED, Eldreth DA, Cadet JL, Boll KI (2003) Frontal cortical vævsammensætning i abstinente kokainabstødere: Et magnetisk resonansbilledstudie. Neuroimage 19. doi: 10.1016 / s1053-8119 (03) 00244-1
  396. 87. Fujiwara J, Tobler PN, Taira M, Iijima T, Tsutsui KI (2009) Segregeret og integreret kodning af belønning og straf i den cingulære cortex. J Neurophysiol 101: 3284-3293. doi: 10.1152 / jn.90909.2008
  397. 88. Yu C, Gupta J, Yin HH (2010) Rollen af ​​mediodorsal thalamus i tidslig differentiering af belønningsstyrede handlinger. Front Integr Neurosci 4: 14. doi: 10.3389 / fnint.2010.00014
  398. 89. Corbit LH, Muir JL, Balleine BW (2003) Lesioner af mediodorsal thalamus og anterior thalamukerner producerer dissocierbare virkninger på instrumental konditionering hos rotter. Eur J Neurosci 18: 1286-1294. doi: 10.1046 / j.1460-9568.2003.02833.x
  399. 90. Saper CB (2002) Det centrale autonome nervesystem: bevidst visceral opfattelse og autonom mønstergenerering. Annu Rev Neurosci 25: 433-469. doi: 10.1146 / annurev.neuro.25.032502.111311
  400. 91. Ray JP, Prince JL (1993) Organiseringen af ​​fremspring fra thalamus mediodorsal-kerne til orbital og medial prefrontal cortex i macaque aber. J Comp Neurol 337: 1-31. doi: 10.1002 / cne.903370102
  401. 92. Rolls ET (2004) Funktionerne af den orbitofrontale cortex. Brain Cogn 55: 11-29. doi: 10.1016 / s0278-2626 (03) 00277-x
  402. 93. Dong G, Huang J, Du X (2012) Ændringer i regional homogenitet af hvilestatus hjerneaktivitet hos internetmisbrugere. Behav Brain Funct 18: 8-41. doi: 10.1186 / 1744-9081-8-41
  403. 94. Steriade M, Llinás RR (1998) De funktionelle tilstande af thalamus og det tilhørende neuronale samspil. Physiol Rev 68: 649-742.
  404. 95. Stein T, Moritz C, Quigley M, Cordes D, Haughton V, et al. (2000) Funktionel forbindelse i thalamus og hippocampus studeret med funktionel mr billeddannelse. AJNR er J Neuroradiol 21: 1397-1401.
  405. 96. Burgess N, Maguire EA, O'Keefe J (2002) Den menneskelige hippocampus og den rumlige og episodiske hukommelse. Neuron 35: 625-641. doi: 10.1016 / s0896-6273 (02) 00830-9
  406. 97. Warburton EC, Baird A, Morgan A, Muir JL, Aggleton JP (2001) Hippokompasens vigtige betydning og anterior thalaminkerner for al allocentrisk rumlig læring: Bevis fra et frakoblingsstudium i rotten. J Neurosci 21: 7323-7330.
  407. 98. Garavan H, Hester R, Murphy K, Fassbender C, Kelly C (2006) Individuelle forskelle i den funktionelle neuroanatomi af hæmmende kontrol. Brain Res 1105: 130-142. doi: 10.1016 / j.brainres.2006.03.029
  408. 99. Menon V, Adleman NE, White CD, Glover GH, Reiss AL (2001) Fejlrelateret hjerneaktivering under en Go / NoGo-responsinhiberingsopgave. Hum Brain Mapp 12: 131–143. doi: 10.1002 / 1097-0193 (200103) 12: 3 <131 :: aid-hbm1010> 3.0.co; 2-c
  409. 100. Whitfield-Gabrieli S, Ford JM (2012) Standard mode netværk aktivitet og forbindelse i psykopatologi. Annu Rev Clin Psychol 8: 49-76. doi: 10.1146 / annurev-clinpsy-032511-143049
  410. 101. Ding X, Lee SW (2013) Kokainafhængighedsrelaterede reproducerbare hjerneområder med unormal standardmodusfunktionel funktionalitet: En gruppe-studie med forskellige modelordrer. Neurosci Lett 548: 110-114. doi: 10.1016 / j.neulet.2013.05.029
  411. 102. Ma N, Liu Y, Fu XM, Li N, Wang CX, et al. (2011) Unormal hjerne standard-mode netværk funktionel tilslutning i stofmisbrugere. PLoS ONE 6: e16560. doi: 10.1371 / journal.pone.0016560
  412. 103. Tschernegg M, Crone JS, Eigenberger T, Schwartenbeck P, Fauth-Bühler M et al. (2013) Abnormaliteter af funktionelle hjernenetværk i patologisk spil: en grafteoretisk tilgang. Front Hum Neurosci 7: 625. doi: 10.3389 / fnhum.2013.00625
  413. 104. Kolb B, Whishaw IQ (1998) Hjernens plasticitet og adfærd. Annu Rev Psychol 49: 43-64. doi: 10.1146 / annurev.psych.49.1.43
  414. 105. Shaw CA, McEachern J, redaktører (2001) Mod en teoretisk neuroplasticitet. Psykologi Presse.
  415. 106. Kolb B, Gibb R (2003) Hjernens plasticitet og adfærd. Curr Dir Psychol Sci 12: 1-5. doi: 10.1111 / 1467-8721.01210
  416. 107. Kolb B, Gibb R (2011) Hjernens plasticitet og adfærd i den udviklende hjerne. J Kan Acad Child Adolesc Psychiatry 20: 265-276.
  417. 108. Robinson TE, Berridge KC (1993) Det neurale grundlag for lægemiddelbehov: En incitament-sensibiliseringsteori om afhængighed. Brain Res Rev 18: 247-291. doi: 10.1016 / 0165-0173 (93) 90013-p
  418. 109. Alavi SS, Maracy MR (2011) Virkningen af ​​psykiatriske symptomer på internetafhængighedsforstyrrelse hos Isfahans universitetsstuderende. J Res Med Sci 16: 793–800.
  419. 110. Egger O, Rauterberg M (1996) Internetadfærd og afhængighed. Teknisk rapport, Work & Organizational Psychology Unit (IFAP), Swiss Federal Institute of Technology (ETH), Zürich.
  420. 111. Petrie H, Gunn D (1998) Internet "afhængighed": Virkningerne af sex, alder, depression og introversion. I: British Psychological Society London Conference. London, Storbritannien: British Psychological Society. Papir præsenteret på British Psychological Society London Conference.