Verminderte funktionelle Gehirnkonnektivität bei Jugendlichen mit Internetabhängigkeit (2013)

Plus eins. 2013;8(2):e57831. doi: 10.1371/journal.pone.0057831.

Hong SB, Zalesky A, Cocchi L, Fornito A, Choi EJ, Kim HH, Suh JE, Kim CD, Kim JW, Yi SH.

Quelle

Melbourne Neuropsychiatry Center, Abteilung für Psychiatrie, Universität Melbourne und Melbourne Health, Parkville, Victoria, Australien; Florey Institut für Neurowissenschaften und geistige Gesundheit, Parkville, Victoria, Australien; Abteilung für Kinder- und Jugendpsychiatrie, Abteilung für Psychiatrie, Hochschule für Medizin, Seoul National University, Seoul, Republik Korea.

Abstrakt

HINTERGRUND:

Internet Sucht Englisch: bio-pro.de/en/region/stern/magazin/...3/index.html Sie wird zunehmend als psychische Störung erkannt, obwohl ihre neurobiologische Grundlage unbekannt ist In dieser Studie wurde funktionelle neurologische Bildgebung verwendet, um die funktionelle Konnektivität des gesamten Gehirns bei Jugendlichen zu untersuchen, bei denen eine Diagnose gestellt wurde Internet Sucht. Basierend auf neurobiologischen Veränderungen in anderen gesehen Sucht verwandten Störungen wurde vorhergesagt, dass Konnektivität Störungen bei Jugendlichen mit Internet Sucht wäre am prominentesten in kortiko-striatalen Schaltungen.

METHODEN:

Teilnehmer wurden 12-Jugendliche mit diagnostiziert Internet Sucht und 11 gesunde Vergleichspersonen. Ruhezustandsfunktionelle Magnetresonanzbilder wurden aufgenommen, und Gruppenunterschiede in der funktionalen Konnektivität des Gehirns wurden unter Verwendung der netzwerkbasierten Statistik analysiert. Wir analysierten auch die Netztopologie und testeten Unterschiede zwischen den Gruppen in wichtigen graphenbasierten Netzwerkmessungen.

ERGEBNISSE:

Jugendliche mit Internet Sucht zeigte reduzierte funktionale Konnektivität über ein verteiltes Netzwerk. Die Mehrzahl der gestörten Verbindungen bestand aus kortiko-subkortikalen Schaltkreisen (~ 24% mit präfrontalem und ~ 27% mit parietalem Kortex). Bilaterales Putamen war die am meisten involvierte subkortikale Hirnregion. Bei den topologischen Messungen des Netzes wurde kein Unterschied zwischen den Gruppen beobachtet, einschließlich des Clustering-Koeffizienten, der charakteristischen Pfadlänge oder des Small-Worldness-Verhältnisses.

FAZIT:

Internet Sucht ist mit einer weit verbreiteten und signifikanten Abnahme der funktionellen Konnektivität in kortiko-striatalen Schaltkreisen verbunden, in Abwesenheit von globalen Veränderungen in der funktionellen Netzwerk-Topologie des Gehirns.

Zitat: Hong SB, Zalesky A, Cocchi L, Fornito A, Choi EJ, et al. (2013) verringerte funktionelle Gehirnkonnektivität bei Jugendlichen mit Internetabhängigkeit. PLoS ONE 8 (2): e57831. doi: 10.1371 / journal.pone.0057831

 

Einleitung

Die Internetsucht wird weltweit sowohl in der Öffentlichkeit als auch in der Wissenschaft zunehmend anerkannt [1]obwohl es eine relativ neue Bedingung ist und seine psychopathologischen Eigenschaften und neurobiologischen Mechanismen schlecht verstanden bleiben. Jüngste Bildgebungsstudien haben signifikante Veränderungen der Gehirnfunktion und -struktur in Verbindung mit Internetabhängigkeit berichtet. Die meisten dieser Studien verwendeten funktionelle Magnetresonanztomographie (fMRT), die während der Aufgaben durchgeführt wurde, und hatten frontale und striatale Regionen und in geringerem Maße den parietalen und insulacortex impliziert [2]-[5]. Mit Positronen-Emissions-Tomographie (PET) haben Kim et al. (2011) fanden eine verminderte Verfügbarkeit von Dopamin D2 in bilateralem Caudat und rechtem Putamen [6]und Hou et al. (2012) unter Verwendung der Einzelphotonenemissions-Computertomographie (SPECT) fand bei Erwachsenen mit Internetabhängigkeit einen verringerten Striatum-Dopamintransporter-Expressionsgrad [7]. Diese Befunde stimmen mit aktuellen theoretischen Modellen von Suchtstörungen überein, die nicht nur Substanzabhängigkeit, sondern auch Verhaltenssucht (z. B. pathologisches Glücksspiel) umfassen, die die Pathologie der fronto-striatalen Schaltkreise betonen [8]sowie die Insula [9], [10]. Strukturelle MRI-Untersuchungen von Zhou et al. (2011) und Yuan et al. (2011) haben zusammen Anomalien der grauen Substanz in Gehirnregionen einschließlich des präfrontalen Kortex vorgeschlagen [11], [12]und eine Diffusionstensor-Bildgebungsstudie von Lin et al. (2012) berichtete über verbreitete Anomalien der weißen Substanz bei Jugendlichen mit Internetabhängigkeit [13]. Zuletzt haben Liu et al. (2010) fand eine veränderte regionale Homogenität der Internetabhängigkeit [14]Dies ist unseres Wissens der einzige Befund, der fMRI in der Literatur bezüglich dieser Störung findet [15]. Die Autoren untersuchten die zeitliche Homogenität des BOLD-Signals (Blood-Oxygen-Level-Dependent) jedes Voxels voxelweise mit denen seiner nächsten 26-Nachbarvoxel.

Resting-State fMRI ist eine relativ neue bildgebende Technik zur Untersuchung interregionaler Korrelationen von spontaner Hirnaktivität, aufgezeichnet, wenn jemand ruhig im Scanner liegt, ohne sich an einer bestimmten Aufgabe zu beteiligen [16]. Der Ansatz bietet eine robuste Methode zur Abbildung gut definierter funktionaler Systeme [17], [18]. Ruhezustandsmaßnahmen sind zuverlässig [19], [20]unter genetischer Kontrolle [21]-[23]und dachte daran, eine intrinsische Eigenschaft der funktionellen Organisation des Gehirns zu indexieren [24], vorbehaltlich bestimmter Einschränkungen [25]. In Kombination mit graphentheoretischen Techniken bietet die Ruhezustands-fMRT ein leistungsfähiges Mittel zur Untersuchung der großräumigen Organisation der Funktionsdynamik des Gehirns und dessen Störung in psychopathologischen Zuständen [26].

In dieser Studie verwendeten wir fMRT-Daten im Ruhezustand, um Unterschiede in der funktionalen Konnektivität zwischen einem umfassenden Satz von 90-spezifischen kortikalen und subkortikalen Hirnregionen bei gesunden Individuen und Jugendlichen mit Internetabhängigkeit zu kartieren, wobei der Schwerpunkt auf Individuen liegt, die unter den vorgeschlagenen Subtypen übermäßiges Online-Spielen betreiben von dieser Störung [27]. Wir haben auch eine Analyse von topologischen Netzstörungen durchgeführt [28] um zu beurteilen, ob irgendwelche Unterschiede zwischen den Gruppen in der Verbindungsstärke weiter mit einer globalen Rekonfiguration von funktionalen Interaktionen verbunden sind [26], wie in vielen anderen psychiatrischen Erkrankungen berichtet wurde [29], [30].

Basierend auf früheren strukturellen und funktionellen bildgebenden Befunden der Internetsucht [3], [4], [6], [7], [15], zusammen mit den etablierten theoretischen Modellen von Substanzabhängigkeitsstörungen [8], [9]Wir stellten die Hypothese auf, dass Jugendliche mit Internetabhängigkeit eine veränderte interregionale Konnektivität zwischen frontalen und striatalen Regionen zeigen, mit einer möglichen weiteren Beteiligung des parietalen Kortex und der Insel.

 

Materialen und Methoden

Ethik-Erklärung

Diese Studie wurde vom Institutional Review Board für Menschen an der Seoul National University genehmigt. Alle Jugendlichen und ihre Eltern gaben vor Einschluss der Studie eine schriftliche Einverständniserklärung ab. Die Studie wurde in Übereinstimmung mit der Deklaration von Helsinki durchgeführt.

Teilnehmer

Zwölf rechtshändige männliche Jugendliche mit Internetabhängigkeit und 11 rechtshändig und geschlechtsgleich [31] Gesunde Kontrollen nahmen an dieser Studie teil. Die Diagnose der Internetabhängigkeit wurde anhand der Young Internet Addiction Scale (YIAS) erstellt, die aus 20-Items besteht, die jeweils auf einer 5-Point-Likert-Skala basieren, die den Grad der durch die Internetnutzung verursachten Probleme bewertet [32], und die Kiddie-Zeitplan für affektive Störungen und Schizophrenie-Gegenwart und Lebenszeit-Version (K-SADS-PL), ein semi-strukturierten diagnostischen Interview-Tool mit etablierter Validität und Zuverlässigkeit, die es uns ermöglicht, andere psychiatrische Erkrankungen auszuschließen [33], [34]. Teilnehmer mit Internetabhängigkeit waren auf diejenigen beschränkt, die typische Komponenten der Sucht erfahren hatten (Toleranz, Rückzug, Beschäftigung mit Online - Spielen, wiederholte erfolglose Versuche, Online - Spiele zu reduzieren oder zu stoppen, negative Stimmung beim Versuch, Online - Spiele zu reduzieren) wichtige Beziehungen oder Aktivitäten aufgrund von Online-Spielen zu vernachlässigen) [35], [36]. Alle Teilnehmer mit Internetabhängigkeit berichteten über übermäßiges Online-Spielen unter den vorgeschlagenen Subtypen dieser Störung. Die gleichen Instrumente wurden bei der Rekrutierung gesunder Jugendlicher angewandt. Der demographische Informations - und Intelligenzquotient (IQ) aller Teilnehmer wurde ebenfalls bewertet (vgl Tabelle 1).

Daumennagel

Tabelle 1. Demographische und klinische Merkmale der Teilnehmer.

doi: 10.1371 / journal.pone.0057831.t001

Datenerfassung und Bildverarbeitung

Ruhezustands-fMRI-Bilder wurden auf einem 3T-Siemens-Scanner (Siemens Magnetom Trio Tim Syngo MR B17, Deutschland) mit den folgenden Parametern erfasst: Wiederholungszeit (TR) 2700 ms; Echozeit (TE) 30 ms; Erfassungsmatrix 64 × 64; Sichtfeld (FOV) 192 × 192 mm2; Klappwinkel 90 °; Voxelgröße 3.0 mm × 3.0 mm × 3.0 mm; Scheiben 40. Die Gesamtzeit der Akquisition war 6 min 45 sek. Eine Kopfspule wurde verwendet und die Kopfbewegung wurde minimiert, indem der leere Raum um den Kopf herum mit Schwammmaterial gefüllt wurde und der Unterkiefer mit einem Klebeband fixiert wurde.

Die Vorverarbeitung von fMRT-Bildern wurde mit dem Datenverarbeitungsassistenten für Ruhezustands-fMRI (DPARSF) durchgeführt. [37], die auf statistischer parametrischer Zuordnung (SPM8) und fmri-Datenanalyse-Toolkit (REST) ​​basiert. Die ersten 5-Bilder in jedem Subjekt wurden verworfen, und die verbleibenden 145-Bilder wurden bezüglich des Scheibentimings korrigiert und auf das erste Volumen neu ausgerichtet, um Bewegungsartefakte zu korrigieren. Alle Teilnehmer zeigten in ihren 0.5 Kopfbewegungsparametern weniger als 0.5 mm Verschiebung und 6 ° Rotation. Außerdem unterschieden sich die beiden Gruppen nicht signifikant (p<0.05) in den vier kürzlich von Van Dijk et al. [38]: dh mittlere Kopfverschiebung (Internetabhängigkeit: 0.04 ± 0.01 mm, Kontrolle: 0.04 ± 0.01 mm), maximale Kopfverschiebung (Internetabhängigkeit: 0.18 ± 0.14 mm, Kontrolle: 0.17 ± 0.07 mm), Anzahl der Mikro (> 0.1 mm) ) Bewegungen (nicht mehr als 2 für alle Teilnehmer, außer für zwei Personen in der Internet-Suchtgruppe mit 5 und 6 Mikrobewegungen) und Kopfrotation (Internet-Sucht: 0.04 ± 0.01 °, Kontrolle: 0.04 ± 0.00 °). Vor der räumlichen Normalisierung wurde basierend auf Daten aus der NIH-MRT-Studie zur normalen Gehirnentwicklung unter Verwendung von Template-O-Matic eine alters- und geschlechtsangepasste Gehirnvorlage erstellt [39]. Unsere fMRT-Bilder wurden unter Verwendung dieser kundenspezifischen Vorlage normalisiert und mit einem Halbwerts-Gauß-Vollkern-Kern von 6 mm geglättet. Die Daten wurden dann dekrementiert und Niederfrequenzfluktuationen (0.01-0.08 Hz) wurden gefiltert, um Signale von der grauen Substanz zu erfassen und den Effekt von Rauschen zu reduzieren. Sechs Kopfbewegungsparameter, Signale der weißen Substanz und Signale der Gehirn-Rückenmarks-Flüssigkeit wurden aus dem gefilterten BOLD-Signal zurückgebildet. Schließlich wurden die Residuen dieser Regression aus 90 Gehirnregionen (Knoten) basierend auf dem Atlas der automatisierten anatomischen Markierung (AAL) extrahiert [40]und paarweise Assoziationen wurden berechnet, was zu einer 90 × 90-Konnektivitätsmatrix pro Subjekt führte. Der Pearson-Korrelationskoeffizient (Null Verzögerung) wurde verwendet, um jede paarweise Assoziation zu quantifizieren. Beachten Sie, dass das globale Signal nicht als störende Kovariate enthalten war, wodurch sichergestellt wurde, dass der Anteil negativer Korrelationen minimal war.

Datenanalyse

Die netzwerkbasierte Statistik (NBS) [41], [42] wurde verwendet, um regionale Hirnnetzwerke zu identifizieren, die einen signifikanten Unterschied zwischen den Gruppen in der interregionalen funktionalen Konnektivität aufweisen. Insbesondere wurde ein t-Test durchgeführt, um auf eine Differenz zwischen den Gruppen im Korrelationskoeffizienten bei jeder der 90 × (90-1) / 2 = 4005 eindeutigen regionalen Paarungen zu testen. Verbundene Netzwerke, formal bekannt als Grafikkomponenten, wurden dann unter den Verbindungen mit einer t-Statistik identifiziert, die einen Schwellenwert von t = 3.0 überschreitet. Ein familienweiser Fehler (FWE) -korrigierter p-Wert wurde für die Größe jeder resultierenden Komponente unter Verwendung eines Permutationstests (20000-Permutationen) berechnet. Jede Permutation beinhaltete zufälliges Mischen der Gruppenetiketten und Identifizieren der Größe der höchste vernetztes Netzwerk, wodurch eine empirische Nullverteilung der maximalen Komponentengrößen erhalten wird [43]. Ein FWE-korrigierter p-Wert wurde für jedes miteinander verbundene Netzwerk als Anteil der Permutationen geschätzt, die ein größeres miteinander verbundenes Netzwerk oder ein Netzwerk gleicher Größe ergaben. Die beiden alternativen Hypothesen (Sucht> Kontrollen und Sucht <Kontrollen) wurden unabhängig voneinander bewertet. Alle diese Schritte wurden mit dem NBS-Softwarepaket ausgeführt, das als Teil der Brain Connectivity Toolbox (http://www.brain-connectivity-toolbox.net/) oder NITRC (http://www.nitrc.org/projects/nbs/). Um die Reproduzierbarkeit von signifikanten Befunden zu alternativen Atlanten zu bewerten [44]Die obige Analyse wurde getrennt wiederholt, wobei der AAL-Atlas durch zwei alternative Atlanten ersetzt wurde, um den Cortex in nichtüberlappende Regionen zu parzellieren; nämlich der Strukturatlas des Montreal Neurological Institute (MNI) (http://www.fmrib.ox.ac.uk/fsl/data/atlas-descriptions.html) und eine zufällige Parzellierung, die 120-Regionen umfasst [45]. Der MNI-Atlas ist eine grobe Parzellierung, die acht anatomische Regionen pro zerebraler Hemisphäre repräsentiert, wodurch die Charakterisierung der interlobaren Konnektivität erleichtert wird.

Als Nächstes testeten wir die Unterschiede zwischen den Gruppen in wichtigen graphenbasierten Netzwerkmaßen [28]; nämlich der durchschnittliche Clustering-Koeffizient, die charakteristische Pfadlänge und das Small-Worldness-Verhältnis. Die Interpretation dieser Maßnahmen hinsichtlich der Komplexität und Organisation des Gehirns kann in der neueren Literatur gefunden werden [26], [30], [46]-[49]. Die Konnektivitätsmatrizen wurden zunächst in Bezug auf eine Reihe von festen Verbindungsdichten, die von 10% bis 30% reichen, binarisiert. [28]. Netzwerkmessungen wurden für jede Dichte mit der entsprechenden Funktion in der Brain Connectivity Toolbox berechnet. Der Clustering-Koeffizient und die charakteristische Pfadlänge wurden in Bezug auf ein Ensemble von 20-Zufallsnetzwerken normalisiert, die unter Verwendung des Maslov-Sneppen-Umverdrahtungsalgorithmus erzeugt wurden [50]. Unterschiede zwischen den Gruppen wurden dann bei jeder Dichte unter Verwendung eines zweiseitigen t-Tests bewertet.

Schließlich wurden der Clusterkoeffizient und die Pfadlänge für jede der 90-Regionen lokal berechnet. Ein zweiseitiger t-Test wurde auch verwendet, um Unterschiede zwischen den Gruppen in diesen regionspezifischen Messungen zu testen. Die falsche Erkennungsrate (FDR) [51] wurde verwendet, um mehrere Vergleiche über die Familie von Netzwerkdichten und Regionen hinweg zu korrigieren.

 

Die Ergebnisse

Teilnehmermerkmale

Alle Teilnehmer waren rechtshändige Männer. Es wurde kein signifikanter Unterschied in Alter und IQ zwischen den beiden Gruppen gefunden, und der YIAS-Score war signifikant höher in der Internet-Suchtgruppe (Tabelle 1).

Gruppenunterschiede in der funktionalen Konnektivität

Die NBS identifizierte ein einzelnes Netzwerk, das signifikantp<0.05, FWE-korrigiert) verringerte die Konnektivität bei Jugendlichen mit Internetabhängigkeit im Vergleich zu Kontrollen. Dieses betroffene Netzwerk umfasste 59 Verbindungen, an denen 38 verschiedene Gehirnregionen beteiligt waren (Figure 1). Das Netzwerk wurde weitgehend repliziert, als der AAL-Atlas durch zwei alternative Atlanten zur Parallellage des Cortex in nicht überlappende Regionen ersetzt wurde (vgl Abbildung S1). Trotz beträchtlicher Unterschiede in der Gesamtzahl der Regionen, die diese Atlanten umfassen (AAL: 90, MNI: 16, zufällig: 120), zeigte sich eine bemerkenswerte Konsistenz in der gesamten Netzwerkstruktur. Die Netzwerkgröße stieg erwartungsgemäß mit der Auflösung des Atlasses (dh der Gesamtzahl der Regionen), was zu einer komplexeren Konfiguration führte. Die involvierten kortikalen und subkortikalen Regionen (und entsprechende Lappen) wurden jedoch in den drei Atlanten weitgehend repliziert. Die Abbildungen wurden mit dem BrainNet Viewer (http://www.nitrc.org/projects/bnv/).

Daumennagel

Abbildung 1. Netzwerk verminderter Gehirnfunktionsfähigkeit bei Jugendlichen mit Internetabhängigkeit.

Rote Punkte repräsentieren stereotaktische Zentroide von Hirnregionen (Knoten), die durch den Atlas der automatisierten anatomischen Markierung (AAL) definiert sind, und blaue Linien repräsentieren überschwellige Verbindungen (t = 3.0), die das betroffene Netzwerk mit der netzwerkbasierten Statistik (NBS) identifizieren (p<0.05, komponentenweise korrigiert). Die axiale Ansicht zeigt die Beteiligung interhemisphärischer Verbindungen (dh Verbindungen, die sich zwischen der rechten und der linken Hemisphäre kreuzen). Die sagittale Ansicht zeigt die Beteiligung von Frontal-, Temporal- und Parietallappen am betroffenen Netzwerk.

doi: 10.1371 / journal.pone.0057831.g001

Folgend Fornito et al. [52]AAL-Regionen wurden in entsprechende Hauptlappen (z. B. frontal, temporal, parietal) kategorisiert und der Anteil der Verbindungen, die diese großräumigen Unterteilungen verbinden, wurde für jedes Paar von Lappen quantifiziert. Fronto-Temporo-Parietal-Verbindungen wurden gefunden, aber der Okzipitallappen wurde nicht in das betroffene Netzwerk einbezogen. Bei der Mehrzahl der Verbindungen, die in der Internet-Suchtgruppe reduziert wurden, handelte es sich um Verbindungen zwischen subkortikalen Regionen und frontalen (~ 24%) und parietalen (~ 27%) Kortexen (Figure 2). Um besser zu verstehen, welche subkortikalen Regionen zu diesem Befund beitragen könnten, untersuchten wir die Verbindung zwischen jedem kortikalen Lappen und jeder subkortikalen Region separat im NBS-Netzwerk (Abbildung S2). Diese Analyse ergab, dass die subkortikalen Regionen Hippocampus, Globus Pallidus und Putamen umfassten. Der Amygdala und der Nucleus caudatus wurden nicht in das betroffene Netzwerk eingeschlossen. Bilaterales Putamen war die am meisten involvierte subkortikale Region, die verringerte Verbindungen mit allen drei involvierten großen zerebralen Lappen zeigte. Dieses Muster wurde unter Verwendung des MNI-Atlas repliziert, von dem das resultierende Netzwerk nur Putamen und Insula, zusätzlich zu Frontal-, Parietal- und Temporallappen enthielt; Nucleus caudatus und Occipitallappen wurden nicht in das betroffene Netzwerk eingeschlossen.

Daumennagel

Abbildung 2. Anteil der Verbindungen, die von der Internetabhängigkeit betroffen sind, die unterschiedliche Paare von zerebralen Spaltungen miteinander verbindet.

Die Anzahl der Verbindungen, die jedes Paar von Unterteilungen betreffen, wird durch die Gesamtzahl der paarweisen Verbindungen normalisiert. Beachte, dass der Hippokampus, Globus pallidus und Putamen der subkortikalen Kategorie zugeordnet wurden und der anteriore cinguläre Gyrus der frontalen Kategorie zugewiesen wurde. Der Amygdala und der Nucleus caudatus waren nicht in dem gestörten Netzwerk enthalten und somit war es nicht notwendig, diese Regionen einem Lappen zuzuordnen. Das Putamen war bilateral die extensivste subkortikale Region und wies eine verminderte Verbindung mit allen drei beteiligten großen zerebralen Lappen auf.

doi: 10.1371 / journal.pone.0057831.g002

Wir haben kein Netzwerk mit erhöhter Konnektivität in der Internet-Suchtgruppe identifiziert. Es wurde keine signifikante Korrelation zwischen funktioneller Konnektivität in dem identifizierten Netzwerk und dem YIAS-Score entweder in der Internet-Suchtgruppe oder in Kontrollen gefunden.

Gruppendifferenzen in der Netzwerktopologie

Bei keiner der untersuchten Netzwerkdichten wurde ein Unterschied zwischen den Gruppen im durchschnittlichen Clustering-Koeffizienten, der charakteristischen Pfadlänge oder dem Small-Worldness-Verhältnis festgestellt (p<0.05, FDR-korrigiert) (Figure 3). Darüber hinaus überlebte kein Unterschied zwischen den Gruppen in den entsprechenden lokalen (bereichsspezifischen) Messungen die FDR-Korrektur für Mehrfachvergleiche. Anwenden einer weniger strengen falsch positiven Korrektur p<(1/90) = 0.011 [53] Um Trend-Level-Effekte zu untersuchen, ergaben sich Unterschiede zwischen den Gruppen im lokalen Clustering-Koeffizienten und der lokalen Pfadlänge, die vorwiegend im Occipitallappen auftrat (Tabellen S1 und S2).

Daumennagel

Abbildung 3. Small-World-Parameter der funktionellen Verknüpfung des Gehirns bei Jugendlichen mit Internet-Sucht.

doi: 10.1371 / journal.pone.0057831.g003

 

 

Diskussion

Bei Jugendlichen mit Internetabhängigkeit wurde ein Hinweis auf eine verminderte Funktion des Gehirns gefunden. In Übereinstimmung mit aktuellen Modellen, die die Rolle der kortiko-subkortikalen Pathologie in Abhängigkeit betonen [54], 24% der Verbindungen in dem veränderten Netzwerk differenzierende süchtige Personen und gesunde Kontrollen beteiligt Verbindungen zwischen frontalen und subkortikalen Regionen. Eine zusätzliche 27% verknüpfte subkortikale und parietale Bereiche mit begrenzteren Beweisen für die Beteiligung der Insula, wieder im Einklang mit den jüngsten Anzeichen für eine Beteiligung dieser Regionen in Abhängigkeit. Beachten Sie, dass unsere Analyse einen strengen Test von kortiko-subkortikalen Suchtmodellen vorsieht, da sie Messungen der paarweisen funktionalen Konnektivität zwischen 90-Regionen, die im Gehirn verteilt sind, beinhaltet. Die Tatsache, dass kortiko-subkortikale Systeme mit dieser vollständig datengetriebenen Analyse zu einer prominenten Pathologie wurden, liefert eine starke Unterstützung für die Beteiligung dieser Systeme an der Internetabhängigkeit. Darüber hinaus zeigen unsere Ergebnisse, dass Internet-Sucht neurobiologische Eigenschaften gemeinsam mit anderen Suchterkrankungen teilt, und dass subkortikale Regionen insbesondere Kernorte der Pathologie des Gehirns Netzwerk darstellen können. Eine wichtige Anmerkung ist die Ansicht des Nationalen Instituts für Drogenmissbrauch, dass Verhaltensabhängigkeiten relativ reine Suchtmodelle sein können, wobei zu berücksichtigen ist, dass diese Bedingungen nicht durch die Wirkung von Substanzen kontaminiert sind [55]. Während das Studium vieler anderer Suchtstörungen durch sekundäre toxische Effekte des Drogenmissbrauchs immer wieder gestört wird, wird die Internetabhängigkeit verhaltensbezogen diagnostiziert und bietet somit ein gezielteres Modell zur Suchtforschung, das frei von langfristigen Arzneimittelwirkungen ist.

In dieser Studie wurde das NBS mit der Netzwerkgröße verwendet, die anhand ihres Ausmaßes gemessen wurde; das heißt, die Gesamtzahl der Verbindungen, die das Netzwerk umfassen. Dieses Größenmaß eignet sich nicht zum Erkennen von Fokuseffekten mit einzelnen isolierten Verbindungen, die nicht zusammen ein Netzwerk bilden. Um auf diese Arten von fokalen Untergruppenunterschieden zu prüfen, wurde die NBS-Analyse wiederholt auf Unterschiede in der Komponentenmasse anstelle der Größe getestet. Die Massenstatistik bietet eine größere Empfindlichkeit gegenüber fokalen, intensiven Effekten als das Testen auf Unterschiede in der Komponentengröße. Darüber hinaus haben wir auch flankenbasierte Vergleiche mit dem FDR durchgeführt, der sehr empfindlich auf hochintensive, fokale Effekte reagiert. Signifikante Unterschiede zwischen den Gruppen zeigten sich weder bei der FDR noch bei den Massenstatistiken, was darauf hindeutet, dass eine abweichende Konnektivität in der Internetabhängigkeit ein verteiltes Netzwerk mit mehreren kortikalen und subkortikalen Regionen umfasst.

Da bekannt ist, dass die Netzwerkeigenschaften des Gehirns empfindlich auf die Wahl der Parzellierungsschablone reagieren, haben wir verschiedene alternative Parzellierungsschemata untersucht, um die Reproduzierbarkeit von Ergebnissen auf Änderungen der Knotendefinitionen zu untersuchen [45], [56], [57]. Dadurch konnten wir die Möglichkeit ausschließen, dass bestimmte Befunde lediglich auf eine statistisch günstige Positionierung von Knoten zurückzuführen sind, aber nicht mit anderen bekannten Parzellierungen reproduzierbar sind.

IIm Gegensatz zu der abnehmenden Stärke funktioneller Konnektivität zeigten topologische Parameter keine signifikanten Gruppenunterschiede. Selbst wenn wir weitere explorative Analysen auf der Basis einer weniger strengen Kontrolle gegen Typ-I-Fehler durchgeführt haben, wiesen die Ergebnisse auf mögliche topologische Unterschiede hin, die hauptsächlich den Occipitallappen betrafen, der in der NBS-Analyse nicht beeinflusst wurde. Während die Internetabhängigkeit mit einer weit verbreiteten und signifikanten Abnahme der funktionellen Konnektivität in kortiko-subkortikalen Schaltkreisen verbunden war, war diese Abnahme nicht mit einer globalen Störung der funktionellen Netzwerktopologie des Gehirns verbunden. Diese Studie zeigt, dass weit verbreitete Unterschiede in der funktionalen Konnektivität in Abwesenheit von Änderungen in grundlegenden topologischen Maßnahmen bestehen können. Es mag bemerkenswert erscheinen, dass Unterschiede in der Verbindungsstärke so weit verbreitet waren, dass keine signifikanten topologischen Unterschiede vorlagen. Es ist jedoch wichtig anzumerken, dass die Topologie und die Konnektivitätsstärke unterschiedliche Eigenschaften des Connectome sind und Anomalien in dem einen nicht Anomalien in dem anderen beinhalten müssen. Ähnliche Befunde wurden bei anderen Erkrankungen beobachtet [52], [58]. Wir stellen jedoch fest, dass Gruppenunterschiede in einigen topologischen Eigenschaften zu statistischer Signifikanz tendierten. Die Analyse einer größeren Stichprobe kann die nötige Aussagekraft haben, um diese Effekte für signifikant zu erklären. Unsere Ergebnisse deuten darauf hin, dass topologische Veränderungen subtiler sein können als bei funktionellen Konnektivitätsmessungen.

Unter den 59-Verbindungen, die in dem veränderten Netzwerk enthalten waren, waren 25 Verbindungen zwischen den Hemisphären und 34 waren intrahemisphärisch, was auf eine Beteiligung von Langstrecken- sowie Kurzstreckenverbindungen im gesamten Gehirn hinwies. Angesichts der Tatsache, dass die Internetabhängigkeit ein neu erkannter psychischer Gesundheitszustand ist, dessen Konzept und diagnostische Kriterien immer noch schwer fassbar und unbestimmt sind, könnte es vielleicht überraschend sein, ein derart stark betroffenes Netzwerk im Gehirn dieser Patienten zu finden. Kürzlich haben Lin et al. (2012) untersuchte die Integrität der Gehirn-Weiß-Substanz bei Jugendlichen mit Internet-Sucht mittels Diffusions-Tensor-Bildgebung und fand eine weit verbreitete Abnahme der fraktionellen Anisotropie (FA) im gesamten Gehirn ohne Bereich höherer FA in der Internet-Suchtgruppe [13]. Solche Ergebnisse implizieren eine mögliche anatomische Grundlage für die in unserer Probe beobachteten funktionellen Störungen, eine Hypothese, die mit der kombinierten fMRT und der diffusionsgewichteten Bildgebung bei denselben Teilnehmern getestet werden könnte [59].

Im Hinblick auf die große Anzahl von Interhemisphärenverbindungen, die in dem veränderten Netzwerk gefunden werden, wurde eine effiziente interhemisphärische Kommunikation lange als wichtig für die Gehirnfunktionen angesehen [60]-[63]. Relativ wenige bildgebende Untersuchungen zur Sucht haben jedoch die funktionelle Integration zwischen bilateralen Hemisphären angesprochen. Kürzlich haben Kelly et al. (2011) beobachteten eine reduzierte interhemisphärische funktionelle Konnektivität bei Kokain-abhängigen Erwachsenen [64]. Sie zeigten eine primäre Beteiligung eines frontoparietalen Netzwerks mit einer relativen Schonung temporaler Regionen, Ergebnisse, die mit unseren Befunden übereinstimmen. Obwohl die Autoren den Befund hauptsächlich als langfristige Auswirkungen chronischer Kokainexposition diskutierten, erwähnten sie auch die Möglichkeit, dass eine eingeschränkte interhemisphärische funktionelle Konnektivität der Kokainbelastung als Anfälligkeit für Suchterkrankungen vorausgegangen sein könnte. Unsere Ergebnisse deuten darauf hin, dass diese interhemisphärischen Veränderungen entweder eine Anfälligkeit für Suchterkrankungen oder ein neuronales Korrelat generischen Suchtverhaltens widerspiegeln und nicht sekundär gegenüber einem anhaltenden Drogenkonsum sind, da die Sucht in unserer Stichprobe rein verhaltensbezogen definiert wurde. Diese Möglichkeiten könnten durch Testen auf phänotypische Ähnlichkeiten zwischen nicht betroffenen Verwandten von Individuen mit entweder Drogen- oder Verhaltenssuchtstörungen bewertet werden.

Interessanterweise wurde ein ähnliches Muster von verringerter funktioneller Konnektivität im Ruhezustand zwischen frontalen und parietalen Regionen sowohl bei Kokain- als auch bei Heroinkonsumenten beobachtets [64], [65]. In einer aktuellen Übersichtsarbeit haben Sutherland et al. (2012) vermutete, dass eine verminderte Konnektivität in den frontoparietalen Kreisläufen eine zentrale Komponente im beeinträchtigten kognitiven Kontrollnetzwerk drogenabhängiger Populationen sein könnte [54]. Unser Befund bei der Internetabhängigkeit unterstützt auch die Vorstellung, dass eine verminderte funktionelle Konnektivität zwischen frontalen und parietalen Regionen ein gemeinsames Merkmal bei verschiedenen Arten von Abhängigkeit sein könnte, was auf das Vorhandensein eines gemeinsamen Phänotyps hindeutet, der keine sekundäre Folge des Drogenkonsums ist. Darüber hinaus zeigte eine kürzliche Untersuchung der funktionellen Konnektivität des gesamten Gehirns bei Schizophrenie prominente frontotemporale Veränderungen, nicht fronto-parietale oder fronto-striatale Veränderungen [52], im Einklang mit klassischen pathophysiologischen Modellen der Störung [66]. Das bemerkenswerteste Ergebnis der vorliegenden Studie ist natürlich, dass die Internetabhängigkeit insbesondere mit der Pathologie striataler Schaltkreise assoziiert ist, einem System, das häufig mit anderen Suchterkrankungen in Verbindung gebracht wird, was auf einen gemeinsamen neurobiologischen Phänotyp schließen lässt. Die Identifizierung veränderter striataler Schaltkreise, die sich mit denen etablierter Suchterkrankungen überschneiden, könnte nützlich sein, um zu testen, ob das Suchtmodell ein geeigneter theoretischer Rahmen zum Verständnis der Störung ist [67], [68]. Ob jedoch eine relativ stärkere Beeinträchtigung der fronto- parietalen und fronto-striatalen funktionellen Konnektivität für Suchtkrankheiten weitgehend spezifisch sein könnte, bleibt fraglich. Zukünftige Studien, in denen verschiedene Erkrankungen direkt miteinander verglichen werden, sind erforderlich, um die Spezifität zu ermitteln.

Eine der interessantesten Ergebnisse in der aktuellen Studie war die starke Beteiligung des Putamens. Es ist bekannt, dass diese Gehirnstruktur mehrere Neurotransmitter einschließlich Dopamin moduliert, und die stumpfe dopaminerge Striatum-Funktion wurde stark als einer der wichtigsten biologischen Mechanismen von Suchterkrankungen in Verbindung gebracht [8]. Dopamin ist ein Schlüsselmodulator der Putamen-Funktion und könnte eine wichtige Rolle bei den funktionellen Konnektivitätsstörungen spielen, die in dieser Studie beobachtet wurden. Dies steht im Einklang mit neueren Beweisen, dass der Striatum-Dopamin-Transporter und die D2-Rezeptor-Verfügbarkeit bei Menschen mit Internetabhängigkeit verändert sind [6], [7] und dass die genetische und pharmakologische Modulation der Dopaminspiegel im Gehirn einen starken Einfluss auf die funktionellen Verbindungsmuster haben kann [69]-[71]. Unter Berücksichtigung dieser früheren Berichte und des vorgeschlagenen neurobiologischen Mechanismus der Sucht, der die stumpfe dopaminerge striatale Funktion beinhaltet [8]Das Verständnis der Auswirkungen von Dopamin auf das Netzwerk, das in der vorliegenden Studie als veränderte funktionelle Konnektivität identifiziert wurde, wird einen wichtigen Fortschritt für das Verständnis der neurobiologischen Korrelate der Internetabhängigkeit darstellen.

Unser Befund, dass das Putamen die am meisten involvierte subkortikale Region in dem verringerten funktionellen Netzwerk ist, wobei der Nucleus caudatus geschont wird, ist ebenfalls interessant. Beide Strukturen sind Teil des Striatums, das wiederum Teil der subkortikalen Strukturen ist. Das Putamen wird typischerweise als Hirnregion angesehen, die mit motorischer Aktivität assoziiert ist, und wurde weniger oft mit der Substanzaddition in Verbindung gebracht als mit dem Caudat. Unter den motorischen Aktivitäten wurde gezeigt, dass eine gut erlernte Sequenz sich wiederholender Fingerbewegungen mit der Aktivierung im Putamen assoziiert ist [72]-[76]. Menschen, die unter der Internetabhängigkeit leiden, können über einen langen Zeitraum eine viel höhere Häufigkeit bestimmter Verhaltensweisen erfahren, zu denen die wiederholte Manipulation von Maus und Tastatur gehört, und diese Erfahrungen können sich auf ihr Gehirn auswirken. Eine abweichende Konnektivität, die aus dem Putamen herrührt, weist daher möglicherweise auf ein spezifisches Merkmal der Internetabhängigkeit hin. Da wir jedoch den Grad der Fingermanipulation bei unseren Teilnehmern nicht gemessen haben, bleibt die Auswirkung einer verminderten anstatt einer erhöhten funktionellen Konnektivität, die das Putamen in Bezug auf Maus- / Tastaturmanipulation involviert, offen für zukünftige Forschung. Alternativ kann die Beteiligung des Putamens in unseren Ergebnissen seine Rolle in kognitiven Prozessen widerspiegeln, die mit dem Caudatus geteilt werden und die in der Abhängigkeit beeinträchtigt sind, wie zum Beispiel Belohnungsverarbeitung [77], [78].

Ein weiterer erwähnenswerter Punkt ist das Fehlen jeglicher funktioneller Konnektivität in der Internet-Suchtgruppe. Obwohl wir hauptsächlich eine verringerte funktionelle Konnektivität in der Suchtgruppe erwarteten, schlossen wir die Möglichkeit, eine erhöhte funktionelle Konnektivität zu beobachten, nicht aus, insbesondere angesichts der Hypothese, dass Jugendliche mit Internetabhängigkeit einen Übungseffekt aufgrund exzessiver Online-Aktivitäten zeigen könnten [79]-[82]. Eine mögliche Erklärung für das negative Ergebnis könnte sein, dass unsere kleine Stichprobengröße nicht in der Lage war, diesen praxisbezogenen Anstieg der funktionalen Konnektivität zu erkennen. Es ist jedoch noch nicht vollständig geklärt, ob sich die kognitive Leistungsfähigkeit bei bestimmten Aufgaben oder die Schwere bestimmter Psychopathologien als verminderte oder erhöhte funktionelle Konnektivität manifestiert [83], [84]. Eine weitere Überlegung sollte sein, dass die Auswirkungen einer langfristigen exzessiven Internetnutzung das Gehirn je nach Subpopulation unterschiedlich beeinflussen können. Zum Beispiel, Eine Subpopulation, die sich professionelle Online-Spieler nennt, betreibt intensive Internet-Aktivitäten, verbringt ähnlich lange Zeit mit dem Üben von Online-Spielen und spielt in diesen Spielen wahrscheinlich besser als Menschen mit Internetabhängigkeit und scheint dennoch nicht süchtig zu sein, wie ein deutlich niedrigerer YIAS-Score zeigt [85]. Daher könnte die Hypothese aufgestellt werden, dass sich Praxiseffekte bei Internetaktivitäten je nach Individuum möglicherweise unterschiedlich auswirken.

Die vorliegende Studie hat einige wichtige Einschränkungen. Erstens war die Stichprobengröße ziemlich klein, was wahrscheinlich unsere Fähigkeit einschränkte, signifikante Korrelationen zwischen funktioneller Konnektivität und YIAS-Scores zu erkennen. Daher muss der aktuelle Befund in einer größeren Stichprobe von Teilnehmern mit Internetabhängigkeit und Kontrollen repliziert werden. Es ist jedoch bemerkenswert, dass unsere Stichprobengröße im Großen und Ganzen vergleichbar war mit früheren Studien zur funktionellen Neuroimaging der Internetsucht. Unsere Stichprobe war einzigartig, da die meisten früheren Studien auf Erwachsenen basierten [2]-[7]. Zweitens sind die diagnostischen Kriterien für die Internetabhängigkeit noch nicht fest etabliert, obwohl unsere Ergebnisse auf eine mögliche neurobiologische Grundlage für diese mutmaßliche Störung hinweisen. Drittens, obwohl wir komorbide psychische Störungen mit K-SADS-PL ausgeschlossen haben, könnten unterschwellige Symptome komorbider psychischer Störungen noch vorhanden sein. Viertens könnte die Sammlung einer breiteren Palette klinischer Informationen wie Schlafgewohnheiten unsere Daten bereichert und unseren Beitrag zur Literatur verbessert haben [86], [87]. Schließlich begrenzt das Querschnittsstudiedesign die Interpretation eines kausalen Zusammenhangs zwischen verminderter funktioneller Konnektivität und der Entwicklung der Internetabhängigkeit. Es sollte angemerkt werden, dass sich die Kopfbewegung als eine wichtige Störung der funktionellen Bildgebung herausgestellt hat [38], [88]. Die Kopfbewegung wurde in dieser Studie anhand einer Reihe kürzlich vorgeschlagener Rotations- und Verschiebungsmaße umfassend bewertet [38]. Bei keinem der untersuchten Kopfbewegungsmaße wurde ein signifikanter Unterschied zwischen den Gruppen gefunden.

IZusammenfassend weisen die Ergebnisse dieser Studie darauf hin, dass Jugendliche mit Internetabhängigkeit bei fehlender grober Störung der Netzwerktopologie eine veränderte funktionelle Konnektivität des Gehirns aufweisen. Das veränderte Netzwerk zeigte eine weitreichende Beteiligung von Interhemisphärenverbindungen mit großer Reichweite sowie von intrahemisphärischen Kurzstreckenverbindungen im gesamten Gehirn. Subkortikale Hirnregionen können eine wichtige Rolle in diesem veränderten Netzwerk spielen, insbesondere im Putamen, das verringerte Verbindungen mit allen drei beteiligten Großhirnlappen zeigte.

 

 

zusätzliche Informationen

Abbildung_S1.tif

Netzwerk mit verminderter Hirnfunktionsfähigkeit bei Jugendlichen mit Internetabhängigkeit (mit verschiedenen Atlanten).Rote Punkte repräsentieren stereotaktische Zentroide von Hirnregionen (Knoten), die durch den Strukturatlas (A) und zufälligen Parzellierungsatlas (B) des Montreal Neurological Institute (MNI) definiert sind, und blaue Linien repräsentieren überschwellige Verbindungen (t = 2.1 bzw. 3.0) Netzwerk, das mit der netzwerkbasierten Statistik (NBS) identifiziert wurde (p<0.05, komponentenweise korrigiert).

Abbildung S1.

Netzwerk mit verminderter Hirnfunktionsfähigkeit bei Jugendlichen mit Internetabhängigkeit (mit verschiedenen Atlanten).Rote Punkte repräsentieren stereotaktische Zentroide von Hirnregionen (Knoten), die durch den Strukturatlas (A) und zufälligen Parzellierungsatlas (B) des Montreal Neurological Institute (MNI) definiert sind, und blaue Linien repräsentieren überschwellige Verbindungen (t = 2.1 bzw. 3.0) Netzwerk, das mit der netzwerkbasierten Statistik (NBS) identifiziert wurde (p<0.05, komponentenweise korrigiert).

(TIF)

Abbildung S2.

Anteil der Verbindungen, die bei der Internetabhängigkeit betroffen sind, die verschiedene Paare von breiten Hirnteilungen miteinander verbindet (detailliert für subkortikale Regionen).Die Anzahl der Verbindungen, die jedes Paar von Unterteilungen beinhaltet, wird durch die Gesamtzahl der paarweisen Verbindungen normalisiert.

(TIF)

Tabelle S1.

Lokaler Clustering-Koeffizient.Diese Tabelle zeigt Trendlevel-Ergebnisse mit weniger strenger falsch-positiver Korrektur p<(1/90) = 0.011; Kein Ergebnis überlebte die Standardkorrektur der Falschentdeckungsrate für mehrere Vergleiche.

(DOC)

Tabelle S2.

Lokale PfadlängeDiese Tabelle zeigt Trendlevel-Ergebnisse mit weniger strenger falsch-positiver Korrektur p<(1/90) = 0.011; Kein Ergebnis überlebte die Standardkorrektur der Falschentdeckungsrate für mehrere Vergleiche.

(DOC)

  

 

Autorenbeiträge

Konzipiert und gestaltet die Experimente: SBH EJC HHK JES CDK JWK SHY. Führte die Experimente durch: SBH EJC HHK JES. Analysiert die Daten: SBH AZ LC AF. Mitwirkende Reagenzien / Materialien / Analysewerkzeuge: SBH AZ LC AF CDK JWK SHY. Schrieb das Papier: SBH AZ LC AF EJC HHK JES CDK JWK SHY.

  

 

Bibliographie

  1. Ko CH, Yen JY, Yen CF, Chen CS, Chen CC (2012) Der Zusammenhang zwischen Internetsucht und psychiatrischen Störungen: eine Überprüfung der Literatur. Eur Psychiatrie 27: 1-8. doi: 10.1016 / j.europa.2010.04.011. Finden Sie diesen Artikel online
  2. Dong G, Huang J und Du X (2011) Verbesserte Belohnungssensitivität und verringerte Verlustempfindlichkeit bei Internet-Abhängigen: eine fMRI-Studie während einer Ratespiele. J Psychiatr Res 45: 1525-1529. doi: 10.1016 / j.jpsychires.2011.06.017. Finden Sie diesen Artikel online
  3. Han DH, Bolo N, Daniels MA, Arenella L, Lyoo IK, et al. (2011) Gehirnaktivität und Verlangen nach Internet-Videospielen. Compr Psychiatrie 52: 88-95. doi: 10.1016 / j.comppsych.2010.04.004. Finden Sie diesen Artikel online
  4. Han DH, Kim YS, Lee YS, Min KJ, Renshaw PF (2010) Veränderungen in der cue-induzierten, präfrontalen Kortexaktivität mit Videospiel. Cyberpsychologie Verhaltensnetz 13: 655-661. doi: 10.1089 / cyber.2009.0327. Finden Sie diesen Artikel online
  5. Ko CH, GC Liu, Hsiao S, Yen JY, Yang MJ, et al. (2009) Gehirnaktivitäten mit Spiel Drang der Online-Gaming-Sucht verbunden. J Psychiatr Res 43: 739-747. doi: 10.1016 / j.jpsychires.2008.09.012. Finden Sie diesen Artikel online
  6. Kim SH, Baik SH, Park CS, Kim SJ, Choi SW, et al. (2011) Reduzierte striatale Dopamin-D2-Rezeptoren bei Menschen mit Internetabhängigkeit. Neuroreport 22: 407-411. doi: 10.1097/WNR.0b013e328346e16e. Finden Sie diesen Artikel online
  7. Hou H, Jia S, Hu S, Fan R, Sun W, et al. (2012) Reduzierte striatale Dopamintransporter bei Menschen mit Internetabhängigkeit. J Biomed Biotechnol 2012: 854524. doi: 10.1155/2012/854524. Finden Sie diesen Artikel online
  8. Goldstein RZ, Volkow ND (2011) Funktionsstörung des präfrontalen Kortex bei Sucht: bildgebende Befunde und klinische Implikationen. Nat Rev Neurosci 12: 652-669. doi: 10.1038 / nrn3119. Finden Sie diesen Artikel online
  9. Goldstein RZ, Craig AD, Bechara A, Garavan H, Childress AR, et al. (2009) Der Neurokreislauf der gestörten Einsicht in die Drogenabhängigkeit. Tendenzen Cogn Sci 13: 372-380. doi: 10.1016 / j.tics.2009.06.004. Finden Sie diesen Artikel online
  10. Naqvi NH, Bechara A (2010) Die Insula und Drogenabhängigkeit: eine interozeptive Sichtweise von Lust, Drängen und Entscheidungsfindung. Hirnstrukturfunktion 214: 435-450. doi: 10.1007/s00429-010-0268-7. Finden Sie diesen Artikel online
  11. Zhou Y, Lin FC, YS Du, Qin LD, Zhao ZM, et al. (2011) Anomalien der grauen Substanz in Internet-Sucht: eine Voxel-basierte Morphometrie-Studie. Eur J Radiol 79: 92-95. doi: 10.1016 / j.ejrad.2009.10.025. Finden Sie diesen Artikel online
  12. Yuan K, Qin W, Wang G, Zeng F, Zhao L, et al. (2011) Mikrostrukturanomalien bei Jugendlichen mit Internetabhängigkeit. PLoS One 6: e20708. doi: 10.1371 / journal.pone.0020708. Finden Sie diesen Artikel online
  13. Lin F., Zhou Y, Du Y, Qin L., Zhao Z, et al. (2012) Abnormale Integrität der weißen Substanz bei Jugendlichen mit Internet-Sucht-Störung: eine Trakt-basierte Studie der räumlichen Statistik. PLoS One 7: e30253. doi: 10.1371 / journal.pone.0030253. Finden Sie diesen Artikel online
  14. Liu J, Gao XP, Osunde I, Li X, Zhou SK, et al. (2010) Erhöhte regionale Homogenität bei der Internet-Suchtstörung: eine funktionelle Magnetresonanztomographie im Ruhezustand. Kinn Med J (Engl) 123: 1904-1908. Finden Sie diesen Artikel online
  15. Yuan K, Qin W, Liu Y, Tian J (2011) Internetsucht: Neuroimaging-Ergebnisse. Communicator Biol 4: 637-639. Finden Sie diesen Artikel online
  16. Raichle ME, Snyder AZ (2007) Ein Standardmodus der Gehirnfunktion: eine kurze Geschichte einer sich entwickelnden Idee. Neuroimage 37: 1083-1090; Diskussion 1097-1089. doi: 10.1016 / j.neuroimage.2007.02.041. Finden Sie diesen Artikel online
  17. Fox MD, Corbetta M, Snyder AZ, Vincent JL, Raichle ME (2006) Spontane neuronale Aktivität unterscheidet menschliche dorsale und ventrale Aufmerksamkeitssysteme. Proc Natl Acad Sci Deutschland 103: 10046-10051. doi: X. Finden Sie diesen Artikel online
  18. Smith SM, Miller KL, Moeller S, Xu J, Auerbach EJ, et al. (2012) Zeitlich unabhängige Funktionsweisen der spontanen Hirnaktivität. Proc Natl Acad Sci Deutschland 109: 3131-3136. doi: X. Finden Sie diesen Artikel online
  19. Damoiseaux JS, Rombouts SA, Barkhof F, Scheltens P, Stam CJ, et al. (2006) Konsistente Ruhezustandsnetzwerke bei gesunden Probanden. Proc Natl Acad Sci Deutschland 103: 13848-13853. doi: X. Finden Sie diesen Artikel online
  20. Shehzad Z, Kelly AM, Reiß PT, Gee DG, Gotimer K, et al. (2009) Das ruhende Gehirn: ungezwungen, aber zuverlässig. Cerebral-Kortex 19: 2209-2229. doi: 10.1093 / Zertifizierungsstelle / bhn256. Finden Sie diesen Artikel online
  21. Fornito A, Bullmore ET (2012) Connectomische intermediäre Phänotypen für psychiatrische Erkrankungen. Frontpsychiatrie 3: 32. doi: 10.3389 / fpyt.2012.00032. Finden Sie diesen Artikel online
  22. Fornito A, Zalesky A, Basset DS, Meunier D, Ellison-Wright I, et al. (2011) Genetische Einflüsse auf die kosteneffiziente Organisation von menschlichen kortikalen Funktionsnetzen. J Neurosci 31: 3261-3270. doi: 10.1523 / JNEUROSCI.4858-10.2011. Finden Sie diesen Artikel online
  23. Glahn DC, Winkler AM, P Kochunov, Almasy L, Duggirala R, et al. (2010) Genetische Kontrolle über das ruhende Gehirn. Proc Natl Acad Sci Deutschland 107: 1223-1228. doi: X. Finden Sie diesen Artikel online
  24. Fox MD, Raichle ME (2007) Spontane Fluktuationen der Hirnaktivität bei funktioneller Magnetresonanztomographie. Nat Rev Neurosci 8: 700-711. doi: 10.1038 / nrn2201. Finden Sie diesen Artikel online
  25. Fornito A, Bullmore ET (2010) Was können spontane Schwankungen des Blut-Oxygenierungs-Level-abhängigen Signals über psychiatrische Störungen sagen? Aktuelle Meinung in der Psychiatrie 23: 239-249. doi: 10.1097/YCO.0b013e328337d78d. Finden Sie diesen Artikel online
  26. Bullmore E, Sporns O (2009) Komplexe Gehirnnetzwerke: graphentheoretische Analyse von Struktur- und Funktionssystemen. Nat Rev Neurosci 10: 186-198. Finden Sie diesen Artikel online
  27. Block JJ (2008) Probleme für DSM-V: Internet-Sucht. Am J Psychiatrie 165: 306-307. doi: 10.1176 / appi.ajp.2007.07101556. Finden Sie diesen Artikel online
  28. Rubinov M, Sporns O (2010) Komplexe Netzwerkmaße der Gehirnkonnektivität: Verwendungen und Interpretationen. Neuroimage 52: 1059-1069. doi: 10.1016 / j.neuroimage.2009.10.003. Finden Sie diesen Artikel online
  29. Xia M, He Y (2011) Magnetresonanztomographie und graphentheoretische Analyse komplexer Gehirnnetzwerke bei neuropsychiatrischen Erkrankungen. Brain Verbinden 1: 349-365. doi: 10.1089 / Gehirn.2011.0062. Finden Sie diesen Artikel online
  30. Fornito A, Zalesky A, Pantelis C, Bullmore ET (2012) Schizophrenie, Neuroimaging und Connectomics. Neuroimage doi: 10.1016 / j.neuroimage.2011.12.090. Finden Sie diesen Artikel online
  31. Gong G, He Y, Evans AC (2011) Gehirnkonnektivität: Geschlecht macht einen Unterschied. Neurowissenschaftler 17: 575-591. doi: 10.1177/1073858410386492. Finden Sie diesen Artikel online
  32. Wydyanto L, McMurran M (2004) Die psychometrischen Eigenschaften des Internet-Suchtests. Cyberpsychol Behav 7: 443-450. doi: 10.1089 / cpb.2004.7.443. Finden Sie diesen Artikel online
  33. Kaufman J, Birmaher B, Brent D., Rao U, Flynn C, et al. (1997) Zeitplan für affektive Störungen und Schizophrenie für schulpflichtige Kinder - gegenwärtige und lebenslange Version (K-SADS-PL): erste Zuverlässigkeits- und Validitätsdaten. J Am Acad Kind Adolesc Psychiatrie 36: 980-988. doi: 10.1097 / 00004583-199707000-00021. Finden Sie diesen Artikel online
  34. Kim YS, Cheon KA, Kim BN, Chang SA, Yoo HJ, et al. (2004) Die Zuverlässigkeit und Gültigkeit von Kiddie-Zeitplan für affektive Störungen und Schizophrenie - aktuelle und lebenslange Version - Koreanische Version (K-SADS-PL-K). Yonsei Med J 45: 81-89. Finden Sie diesen Artikel online
  35. Christakis DA (2010) Internetsucht: Eine 21st Jahrhundert Epidemie? BMC Med 8: 61. doi: 10.1186/1741-7015-8-61. Finden Sie diesen Artikel online
  36. Flisher C (2010) Einstecken: ein Überblick über Internetsucht. J Paediatr Kindergesundheit 46: 557-559. doi: 10.1111 / j.1440-1754.2010.01879.x. Finden Sie diesen Artikel online
  37. Chao-Gan Y, Yu-Feng Z (2010) DPARSF: Eine MATLAB-Toolbox für die „Pipeline“ -Datenanalyse von fMRI im Ruhezustand. Front Syst Neurosci 4: 13. Finden Sie diesen Artikel online
  38. Van Dijk KR, MR Sabuncu, Buckner RL (2012) Der Einfluss der Kopfbewegung auf intrinsische funktionelle Konnektivität MRT. Neuroimage 59: 431-438. doi: 10.1016 / j.neuroimage.2011.07.044. Finden Sie diesen Artikel online
  39. Wilke M, Holland SK, Altai M, Gaser C (2008) Template-O-Matic: eine Toolbox zum Erstellen von kundenspezifischen pädiatrischen Vorlagen. Neuroimage 41: 903-913. doi: 10.1016 / j.neuroimage.2008.02.056. Finden Sie diesen Artikel online
  40. Tzourio-Mazoyer N, Landeau B, Papathanassiou D, Crivello F, Etard O, et al. (2002) Automatisierte anatomische Markierung von Aktivierungen in SPM unter Verwendung einer makroskopischen anatomischen Parzellierung des MNI-MRT-Einzelthemas. Neuroimage 15: 273-289. doi: 10.1006 / nimg.2001.0978. Finden Sie diesen Artikel online
  41. Zalesky A, Fornito A, Bullmore ET (2010) Netzwerkbasierte Statistik: Identifizieren von Unterschieden in Gehirnnetzwerken. Neuroimage 53: 1197-1207. doi: 10.1016 / j.neuroimage.2010.06.041. Finden Sie diesen Artikel online
  42. Zalesky A, Cocchi L, Fornito A, Murray MM, Bullmore E (2012) Verbindungsunterschiede in Gehirnnetzwerken. Neuroimage 60: 1055-1062. doi: 10.1016 / j.neuroimage.2012.01.068. Finden Sie diesen Artikel online
  43. Nichols TE, Holmes AP (2002) Nichtparametrische Permutationstests für funktionelle Neuroimaging: Ein Primer mit Beispielen. Menschliche Gehirnkartierung 15: 1-25. doi: 10.1002 / hbm.1058. Finden Sie diesen Artikel online
  44. Perücke GS, Schlaggar BL, Petersen SE (2011) Konzepte und Prinzipien in der Analyse von Gehirnnetzwerken. Ann NY Acad Sci 1224: 126-146. doi: 10.1111 / j.1749-6632.2010.05947.x. Finden Sie diesen Artikel online
  45. Zalesky A, Fornito A, Harding IH, Cocchi L, Yucel M, et al. (2010) Anatomische Netzwerke des gesamten Gehirns: Ist die Wahl der Knoten von Bedeutung? Neuroimage 50: 970-983. doi: 10.1016 / j.neuroimage.2009.12.027. Finden Sie diesen Artikel online
  46. Bassett DS, Bullmore ET (2009) Das menschliche Gehirn Netzwerke in Gesundheit und Krankheit. Curr Opin Neurol 22: 340-347. doi: 10.1097/WCO.0b013e32832d93dd. Finden Sie diesen Artikel online
  47. Guye M, Bettus G, Bartolomei F, Cozzone PJ (2010) Graph theoretische Analyse der strukturellen und funktionellen Konnektivität MRT in normalen und pathologischen Gehirnnetzwerke. MAGMA 23: 409-421. doi: 10.1007 / s10334-010-0205-z. Finden Sie diesen Artikel online
  48. He Y, Evans A (2010) Graphtheoretische Modellierung der Konnektivität des Gehirns. Curr Opin Neurol 23: 341-350. doi: 10.1097/WCO.0b013e32833aa567. Finden Sie diesen Artikel online
  49. Bassett DS, Gazzaniga MS (2011) Verständnis der Komplexität im menschlichen Gehirn. Tendenzen Cogn Sci 15: 200-209. doi: 10.1016 / j.tics.2011.03.006. Finden Sie diesen Artikel online
  50. Maslov S, Sneppen K (2002) Spezifität und Stabilität in der Topologie von Proteinnetzwerken. Wissenschaft 296: 910-913. doi: 10.1126 / science.1065103. Finden Sie diesen Artikel online
  51. Genovese CR, Lazar NA, Nichols T (2002) Schwellenwertbildung von statistischen Karten in funktionellen Neuroimaging mit der falschen Erkennungsrate. Neuroimage 15: 870-878. doi: 10.1006 / nimg.2001.1037. Finden Sie diesen Artikel online
  52. Fornito A, Yoon J, Zalesky A, Bullmore ET, Carter CS (2011) Allgemeine und spezifische funktionelle Konnektivität Störungen in der ersten Episode Schizophrenie während der kognitiven Kontrolle Leistung. Biol Psychiatrie 70: 64-72. doi: 10.1016 / j.biopsych.2011.02.019. Finden Sie diesen Artikel online
  53. Lynall ME, Bassett DS, Kerwin R., McKenna PJ, Kitzbichler M., et al. (2010) Funktionelle Konnektivität und Gehirnnetzwerke bei Schizophrenie. J Neurosci 30: 9477-9487. Finden Sie diesen Artikel online
  54. Sutherland MT, McHugh MJ, Pariyadath V, Stein EA (2012) Ruhezustand funktionale Konnektivität in Abhängigkeit: Lessons Learned und eine Straße voraus. Neuroimage 62: 2281-2295. doi: 10.1016 / j.neuroimage.2012.01.117. Finden Sie diesen Artikel online
  55. Shaw M, Black DW (2008) Internetsucht: Definition, Bewertung, Epidemiologie und klinisches Management. CNS Drogen 22: 353-365. doi: 10.2165 / 00023210-200822050-00001. Finden Sie diesen Artikel online
  56. Wang J, Wang L., Zang Y, Yang H., Tang H., et al. (2009) Parzellierung-abhängige Netzwerke kleiner Gehirnfunktionen: eine fMRI-Studie im Ruhezustand. Hum Gehirn Mapp 30: 1511-1523. doi: 10.1002 / hbm.20623. Finden Sie diesen Artikel online
  57. Fornito A, Zalesky A, Bullmore ET (2010) Netzwerkskalierungseffekte in graphanalytischen Studien von menschlichen FMRI-Daten im Ruhezustand. Vorderes Syst Neurosci 4: 22. doi: 10.3389 / fnsys.2010.00022. Finden Sie diesen Artikel online
  58. Cocchi L, Bramati IE, Zalesky A, Furukawa E, Fontenelle L, et al. (2012) Veränderte funktionelle Konnektivität des Gehirns in einer nicht klinischen Probe junger Erwachsener mit Aufmerksamkeitsdefizit / Hyperaktivitätsstörung. J Neurosci doi: 10.1523 / JNEUROSCI.3272-12.2012. Finden Sie diesen Artikel online
  59. Honig CJ, Sporns O, Cammoun L, Gigandet X, Thiran JP, et al. (2009) Vorhersage der funktionalen Konnektivität im menschlichen Ruhezustand durch strukturelle Konnektivität. Proc Natl Acad Sci Deutschland 106: 2035-2040. doi: X. Finden Sie diesen Artikel online
  60. Anderson JS, Druzgal TJ, Froehlich A, DuBray MB, Lange N, et al. (2011) Verminderte interhemisphärische funktionelle Konnektivität bei Autismus. Cerebral-Kortex 21: 1134-1146. doi: 10.1093 / cercor / bhq190. Finden Sie diesen Artikel online
  61. Clarke AR, Barry RJ, Heaven PC, McCarthy R, Selikowitz M, et al. (2008) EEG-Kohärenz bei Erwachsenen mit Aufmerksamkeitsdefizit- / Hyperaktivitätsstörung. Int J Psychophysiol 67: 35-40. doi: 10.1016 / j.ijpsycho.2007.10.001. Finden Sie diesen Artikel online
  62. Pettigrew JD, Miller SM (1998) Ein "klebriger" interhemisphärischer Schalter bei bipolarer Störung? Proc Biol Sci 265: 2141–2148. doi: 10.1098 / rspb.1998.0551. Finden Sie diesen Artikel online
  63. Spencer KM, Nestor PG, Niznikiewicz MA, Salisbury DF, Shenton ME, et al. (2003) Abnormale neurale Synchronität bei Schizophrenie. J Neurosci 23: 7407-7411. Finden Sie diesen Artikel online
  64. Kelly C, Zuo XN, Gotimer K, Cox CL, Lynch L, et al. (2011) Reduzierte interhemisphärische Funktionsfähigkeit des Ruhezustands bei Kokainabhängigkeit. Biol Psychiatrie 69: 684-692. doi: 10.1016 / j.biopsych.2010.11.022. Finden Sie diesen Artikel online
  65. Yuan K., Qin W., Dong M., Liu J., Sun J., et al. (2010) Defizite der grauen Substanz und Ruhestatusanomalien bei abstinenten heroinabhängigen Individuen. Neurosci Lett 482: 101-105. doi: 10.1016 / j.neulet.2010.07.005. Finden Sie diesen Artikel online
  66. Fletcher P, McKenna PJ, Friston KJ, CD Frith, Dolan RJ (1999) Abnorme cingulate Modulation der fronto-temporalen Konnektivität bei Schizophrenie. Neuroimage 9: 337-342. doi: 10.1006 / nimg.1998.0411. Finden Sie diesen Artikel online
  67. Choi JS, Shin YC, Jung WH, Jang JH, Kang DH, et al. (2012) Veränderte Hirnaktivität während der Belohnung bei pathologischen Spielen und Zwangsstörungen. PLoS One 7: e45938. doi: 10.1371 / journal.pone.0045938. Finden Sie diesen Artikel online
  68. Tomasi D, Volkow ND (2012) Striatokortikaler Pfad Dysfunktion in Abhängigkeit und Adipositas: Unterschiede und Ähnlichkeiten. Kritik Biochem Mol Biol doi: 10.3109/10409238.2012.735642. Finden Sie diesen Artikel online
  69. Cole DM, Oei NY, Soeter RP, beide S, van Gerven JM, et al. (2012) Dopamin-abhängige Architektur der kortiko-subkortikalen Netzwerkkonnektivität. Cereb Cortex doi: 10.1093 / cercor / bhs136. Finden Sie diesen Artikel online
  70. Gordon EM, Stollstorff M, Devaney JM, Bean S, Vaidya CJ (2011) Die Wirkung des Dopamintransporter-Genotyps auf die intrinsische funktionelle Konnektivität hängt vom kognitiven Zustand ab. Cereb Cortex doi: 10.1093 / cercor / bhr305. Finden Sie diesen Artikel online
  71. Rieckmann A, Karlsson S, Fischer H, Backman L (2011) Die Caudate-Dopamin-D1-Rezeptordichte ist mit individuellen Unterschieden in der frontoparietalen Konnektivität während des Arbeitsgedächtnisses assoziiert. J Neurosci 31: 14284-14290. doi: 10.1523 / JNEUROSCI.3114-11.2011. Finden Sie diesen Artikel online
  72. Lehericy S, Bardinet E, Tremblay L, Van de Moortele PF, Pochon JB, et al. (2006) Motorsteuerung in Basalganglien mit fMRT und Gehirnatlasansätzen. Cerebral-Kortex 16: 149-161. doi: 10.1093 / cercor / bhi089. Finden Sie diesen Artikel online
  73. Jenkins IH, Brooks DJ, PD Nixon, Frackowiak RS, Passingham RE (1994) Lernen der motorischen Abläufe: eine Studie mit Positronen-Emissions-Tomographie. J Neurosci 14: 3775-3790. Finden Sie diesen Artikel online
  74. Juptner M, Frith CD, Brooks DJ, Frackowiak RS, Passingham RE (1997) Anatomie des motorischen Lernens. II. Subkortikale Strukturen und Lernen durch Versuch und Irrtum. J Neurophysiol 77: 1325-1337. Finden Sie diesen Artikel online
  75. Roland PE, Meyer E, Shibasaki T, Yamamoto YL, Thompson CJ (1982) Regionale zerebrale Durchblutung Veränderungen in Cortex und Basalganglien während willkürlichen Bewegungen in normalen menschlichen Probanden. J Neurophysiol 48: 467-480. Finden Sie diesen Artikel online
  76. Shibasaki H, Sadato N, Lyshkow H, Yonekura Y, Honda M, et al. (1993) Sowohl der primäre motorische Kortex als auch der ergänzende motorische Bereich spielen eine wichtige Rolle bei der komplexen Fingerbewegung. Gehirn 116 (Pt 6): 1387-1398. doi: 10.1093 / Gehirn / 116.6.1387. Finden Sie diesen Artikel online
  77. Volkow ND, Fowler JS, Wang GJ (2003) Das süchtige menschliche Gehirn: Erkenntnisse aus bildgebenden Verfahren. J Clin investieren 111: 1444-1451. Finden Sie diesen Artikel online
  78. Yuan K, Qin W, LiuJ, Guo Q, Dong M, et al. (2010) Veränderte Netzwerke funktioneller Netzwerke und Dauer des Heroingebrauchs bei männlichen abstinenten heroinabhängigen Individuen. Neurosci Lett 477: 37-42. doi: 10.1016 / j.neulet.2010.04.032. Finden Sie diesen Artikel online
  79. Di X, Zhu S, Jin H, Wang P., Ye Z, et al. (2012) Veränderte Ruhe Gehirnfunktion und Struktur in professionellen Badminton-Spieler. Brain Verbinden 2: 225-233. doi: 10.1089 / Gehirn.2011.0050. Finden Sie diesen Artikel online
  80. Duan X, Liao W, Liang D., Qiu L, Gao Q, et al. (2012) Großangelegte Gehirnnetzwerke in Brettspiel-Experten: Erkenntnisse aus einer domänenbezogenen Aufgabe und einem aufgabenfreien Ruhezustand. PLoS One 7: e32532. doi: 10.1371 / journal.pone.0032532. Finden Sie diesen Artikel online
  81. Ma L, Narayana S, Robin DA, Fox PT, Xiong J (2011) Veränderungen treten im Ruhezustandsnetzwerk des Motorsystems während 4-Wochen des motorischen Lernens auf. Neuroimage 58: 226-233. Finden Sie diesen Artikel online
  82. Martinez K., Solana AB, Burgaleta M., Hernandez-Tamames JA, Alvarez-Linera J., et al. (2012) Änderungen im Ruhezustand funktionell verbundenen parietofrontalen Netzwerken nach Videospiel Praxis. Hum Gehirn Mapp doi: 10.1002 / hbm.22129. Finden Sie diesen Artikel online
  83. Zhou Y, Liang M., Tian L, Wang K., Hao Y, et al. (2007) Funktionelle Desintegration bei paranoider Schizophrenie mit fMRI im Ruhezustand. Schizophren Res 97: 194-205. doi: 10.1016 / j.schres.2007.05.029. Finden Sie diesen Artikel online
  84. Whitfield-Gabrieli S, Thermenos HW, Milanovic S, Tsuang MT, Faraone SV, et al. (2009) Hyperaktivität und Hyperkonnektivität des Standardnetzwerkes bei Schizophrenie und Verwandten ersten Grades von Personen mit Schizophrenie. Proc Natl Acad Sci Deutschland 106: 1279-1284. doi: X. Finden Sie diesen Artikel online
  85. Han DH, Lyoo IK, Renshaw PF (2012) Differenzielle regionale graue Substanzvolumen bei Patienten mit Online-Spielsucht und professionellen Spielern. J Psychiatr Res 46: 507-515. doi: 10.1016 / j.jpsychires.2012.01.004. Finden Sie diesen Artikel online
  86. De Havas JA, Parimal S, Bald CS, Chee MW (2012) Schlafentzug reduziert Standardmodus Netzwerkkonnektivität und Anti-Korrelation während Ruhe und Aufgabenleistung. Neuroimage 59: 1745-1751. doi: 10.1016 / j.neuroimage.2011.08.026. Finden Sie diesen Artikel online
  87. Killgore WD, Schwab ZJ, Weiner MR (2012) Die selbst berichtete nächtliche Schlafdauer ist mit der funktionellen Konnektivität am nächsten Tag im Ruhezustand verbunden. Neuroreport 23: 741-745. doi: 10.1097 / WNR.0b013e3283565056. Finden Sie diesen Artikel online
  88. Power JD, Barnes KA, Snyder AZ, Schlaggar BL, Petersen SE (2012) Falsche, aber systematische Korrelationen in funktionellen Konnektivitäts-MRI-Netzwerken entstehen durch die Bewegung von Subjekten. Neuroimage 59: 2142-2154. doi: 10.1016 / j.neuroimage.2011.10.018. Finden Sie diesen Artikel online