Mikrostruktur-Anomalien bei Jugendlichen mit Internet-Sucht-Störung. (2011)

Materialen und Methoden Oben

Alle Forschungsverfahren wurden vom West China Hospital Subcommittee on Human Studies genehmigt und in Übereinstimmung mit der Deklaration von Helsinki durchgeführt.

2.1-Themen

Gemäß den modifizierten Kriterien des Young Diagnostic Questionnaire for Internet addiction (YDQ) von Beard und Wolf [16] , [29] nahmen achtzehn Studierende im ersten und zweiten Studienjahr mit Internetabhängigkeit (12 Männer, Durchschnittsalter = 19.4 ± 3.1 Jahre, Ausbildungsdauer 13.4 ± 2.5 Jahre) an unserer Studie teil. Die YDQ-Kriterien [16] umfassten die folgenden acht Ja/Nein-Fragen: (1) Fühlen Sie sich im Internet völlig verloren (erinnern Sie sich an frühere Online-Aktivitäten oder planen Sie Ihre nächste Online-Sitzung)? (2) Sind Sie mit Ihrer Internetnutzung zufrieden, wenn Sie Ihre Online-Zeit verlängern? (3) Ist es Ihnen wiederholt nicht gelungen, Ihre Internetnutzung zu kontrollieren, zu reduzieren oder ganz aufzugeben? (4) Fühlen Sie sich nervös, reizbar, depressiv oder überempfindlich, wenn Sie versuchen, Ihre Internetnutzung zu reduzieren oder ganz aufzugeben? (5) Bleiben Sie länger online als ursprünglich geplant? (6) Haben Sie aufgrund der Internetnutzung riskiert, eine wichtige Beziehung, Ihren Job, Ihre Ausbildung oder Ihre Karrierechancen zu verlieren? (7) Haben Sie Ihre Familienmitglieder, Ihren Therapeuten oder andere Personen angelogen, um Ihre Internetnutzung zu verbergen? (8) Nutzen Sie das Internet, um Problemen zu entfliehen oder Angstzustände (z. B. Hilflosigkeit, Schuldgefühle, Angst oder Depression) zu lindern? Alle acht Fragen wurden ins Chinesische übersetzt. Young argumentierte, dass fünf oder mehr „Ja“-Antworten auf die acht Fragen auf eine Internetabhängigkeit hinweisen [16] . Später modifizierten Beard und Wolf die YDQ-Kriterien [29] . Befragte, die die Fragen 1 bis 5 und mindestens eine der verbleibenden drei Fragen mit „Ja“ beantworteten, wurden als internetsüchtig eingestuft. Dieses Kriterium diente der Auswahl der Probanden in der vorliegenden Studie. Da die Sucht ein schleichender Prozess ist, untersuchten wir, ob lineare Veränderungen in der Gehirnstruktur vorliegen. Die Krankheitsdauer wurde anhand einer retrospektiven Diagnose ermittelt. Wir baten die Probanden, sich an ihren Lebensstil zu erinnern, als sie erstmals internetsüchtig wurden. Um sicherzustellen, dass die Probanden tatsächlich an Internetsucht litten, testeten wir sie erneut anhand der von Beard und Wolf modifizierten YDQ-Kriterien. Die Zuverlässigkeit der Selbstangaben der IAD-Probanden wurde durch telefonische Gespräche mit deren Eltern bestätigt. Die IAD-Probanden verbrachten durchschnittlich 10.2 ± 2.6 Stunden pro Tag mit Online-Spielen. Die durchschnittliche Internetnutzung pro Woche betrug 6.3 ± 0.5 Tage. Diese Angaben wurden auch durch Befragungen von Mitbewohnern und Kommilitonen der IAD-Probanden bestätigt, die angaben, dass diese oft bis spät in die Nacht im Internet surften und dadurch das Leben anderer störten, ungeachtet der Folgen. Achtzehn alters- und geschlechtsentsprechende ( p > 0.01) gesunde Kontrollpersonen (12 Männer, Durchschnittsalter = 19.5 ± 2.8 Jahre, Schulbildung = 13.3 ± 2.0 Jahre) ohne persönliche oder familiäre Vorbelastung für psychiatrische Erkrankungen nahmen ebenfalls an unserer Studie teil. In Anlehnung an eine frühere IAD-Studie [19] wählten wir gesunde Kontrollpersonen aus, die weniger als zwei Stunden pro Tag im Internet verbrachten. Die gesunden Kontrollpersonen wurden anhand der von Beard und Wolf modifizierten YDQ-Kriterien getestet, um sicherzustellen, dass sie nicht an IAD litten. Alle rekrutierten Teilnehmer waren chinesische Muttersprachler, hatten nie illegale Substanzen konsumiert und waren Rechtshänder. Vor der Magnetresonanztomographie (MRT) wurde bei allen Probanden ein Urin-Drogenscreening durchgeführt, um Drogenmissbrauch auszuschließen. Ausschlusskriterien für beide Gruppen waren: (1) das Vorliegen einer neurologischen Erkrankung; (2) Alkohol-, Nikotin- oder Drogenmissbrauch; (3) Schwangerschaft oder Menstruation bei Frauen; und (4) jegliche körperliche Erkrankung wie Hirntumor, Hepatitis oder Epilepsie, die anhand klinischer Untersuchungen und Krankenakten beurteilt wurde. Darüber hinaus wurden die Selbstbeurteilungsskala für Angst (SAS) und die Selbstbeurteilungsskala für Depression (SDS) verwendet, um den emotionalen Zustand aller Teilnehmer am Tag der MRT-Untersuchung zu erfassen. Alle Patienten und gesunden Kontrollpersonen gaben eine schriftliche Einverständniserklärung ab. Detailliertere demografische Informationen sind in Tabelle 1 aufgeführt.

2.2 Methodik der Bildgebung des Gehirns und Datenanalyse

2.2.1 Scanparameter.

Die Bildgebung erfolgte an einem 3T-Siemens-Scanner (Allegra; Siemens Medical Systems) im Huaxi MR Research Center des West China Hospital der Sichuan University in Chengdu, China. Zur Minimierung von Kopfbewegungen und Scannergeräuschen wurde eine Standard-Birdcage-Kopfspule verwendet. Die Bildsequenzen wurden mittels diffusionsgewichteter Bildgebung mit Single-Shot-EPI (Echo-Planar-Imaging) entlang der Kommissurenebene (anterior-posterior) akquiriert. Die Diffusionstensorbilder wurden mit zwei Mittelungen erfasst. Die diffusionssensibilisierenden Gradienten wurden entlang von 30 nichtlinearen Richtungen (b = 1000 s/mm²) angelegt, ^parallel zu einer Akquisition ohne Diffusionsgewichtung (b = 0 s/mm² ⁾ . Die Bildgebungsparameter umfassten 45 kontinuierliche axiale Schichten mit einer Schichtdicke von 3 mm ohne Zwischenraum, ein Sichtfeld von 240 × 240 mm² ^, eine Repetitionszeit/Echozeit von 6800/93 ms und eine Akquisitionsmatrix von 128 × 128. Zusätzlich wurden axiale 3D-T1-gewichtete Bilder mit einer Gradientenecho-Sequenz und den folgenden Parametern aufgenommen: TR = 1900 ms; TE = 2.26 ms; Flipwinkel = 9 ^° ; Matrixauflösung in der Ebene = 256 × 256; Anzahl der Schichten = 176; Sichtfeld = 256 mm; Voxelgröße = 1 × 1 × 1 mm.

2.2.2 VBM.

Die Strukturdaten wurden mit einem FSL-VBM-Protokoll [30] , [31] und der Software FSL 4.1 [32] verarbeitet . Zunächst wurden alle T1-gewichteten Bilder mithilfe des Brain Extraction Tool (BET) [33] vom Gehirn extrahiert . Anschließend erfolgte die Gewebesegmentierung mit dem automatisierten Segmentierungstool FAST V4.1 des FMRIB [34] . Die resultierenden Graue-Substanz-Partialvolumenbilder wurden dann mithilfe des linearen Bildregistrierungstools FLIRT des FMRIB [35] , [36] an den MNI152-Standardraum angepasst . Optional folgte eine nichtlineare Registrierung mit dem nichtlinearen Bildregistrierungstool FNIRT des FMRIB [37] , [38] , welches eine B-Spline-Darstellung des Registrierungs-Warp-Feldes verwendet [39] . Die resultierenden Bilder wurden gemittelt, um eine studienspezifische Vorlage zu erstellen, auf die die nativen Graue-Substanz-Bilder anschließend nichtlinear reregistriert wurden. Das optimierte Protokoll führte eine Modulation der Kontraktion/Vergrößerung aufgrund der nichtlinearen Komponente der Transformation ein: Jedes Voxel des registrierten Graue-Substanz-Bildes wurde durch die Jacobi-Matrix des Warp-Feldes dividiert. Um den besten Glättungskern auszuwählen, wurden schließlich alle 32 modulierten, normalisierten Graue-Substanz-Volumenbilder mit isotropen Gaußschen Kernen zunehmender Größe (σ = 2.5, 3, 3.5 und 4 mm, entsprechend einer FWHM von 6, 7, 8 bzw. 9.2 mm) geglättet. Regionale Veränderungen der grauen Substanz wurden mittels permutationsbasierter, nichtparametrischer Tests mit 5000 zufälligen Permutationen untersucht [40] . Eine Kovarianzanalyse (ANCOVA) wurde mit Alter, Geschlecht und dem gesamten intrakraniellen Volumen als Kovariaten durchgeführt. Das gesamte intrakranielle Volumen wurde als Summe der Volumina von grauer Substanz, weißer Substanz und Liquor aus den FSL-BET-Segmentierungen berechnet. Kürzlich berichteten Dong et al. Es wurde festgestellt, dass die Depressions- und Angstwerte bei einigen Studierenden nach der Sucht signifikant höher waren als vor der Sucht. Die Autoren vermuteten, dass dies Folgen der Internetsucht seien, weshalb SAS und SDS nicht als Störfaktoren berücksichtigt wurden [41] . Die Korrektur für multiple Vergleiche erfolgte mittels eines Cluster-basierten Schwellenwertverfahrens, wobei ein initialer Cluster einen Schwellenwert bei t = 2.0 bildete. Ergebnisse mit einem p-Wert < 0.05 wurden als signifikant betrachtet. Für die Regionen, in denen sich das Volumen der grauen Substanz bei den IAD-Patienten signifikant von dem der Kontrollgruppe unterschied, wurden die Volumina der grauen Substanz extrahiert, gemittelt und gegen die Dauer der Internetsucht regressiert.

2.2.3 DTI.

Wir berechneten den FA-Wert für jedes Voxel, der den Grad der Diffusionsanisotropie innerhalb eines Voxels widerspiegelt (Bereich 0–1, wobei kleinere Werte eine isotropere Diffusion und geringere Kohärenz und große Werte eine Richtungsabhängigkeit der Brownschen Bewegung aufgrund von Faserbahnen der weißen Substanz anzeigen) [42] . Die FA-Berechnung erfolgte mit der FDT-Software in FSL 4.1 [32] . Zunächst wurde eine Korrektur für Wirbelströme und Kopfbewegungen mittels affiner Registrierung des ersten diffusionsgewichteten Volumens ohne Diffusion jedes Probanden durchgeführt. FA-Bilder wurden durch Anpassen des Diffusionstensors an die Rohdiffusionsdaten nach der Hirnextraktion mit BET erstellt [33] . Anschließend wurde eine voxelweise statistische Analyse der FA-Daten mit dem traktbasierten räumlichen Statistikprogramm (TBSS) V1.2 von FSL durchgeführt [43] , [44] . Die FA-Bilder aller Probanden (IAD-Patienten und gesunde Kontrollpersonen) wurden mittels FNIRT [37] , [38] unter Verwendung einer B-Spline-Darstellung des Registrierungs-Warp-Feldes [39] in ein FMRIB58_FA-Standardraumbild transformiert . Anschließend wurde das mittlere FA-Bild erstellt und ausgedünnt, um ein mittleres FA-Skelett (Schwellenwert 0.2) zu erzeugen, das die Zentren aller für die Gruppe gemeinsamen Faserbahnen repräsentiert. Die ausgerichteten FA-Daten jedes Probanden wurden dann auf dieses Skelett zurückprojiziert. Veränderungen der FA-Werte der weißen Substanz wurden mittels permutationsbasierter, nichtparametrischer Tests [40] mit 5000 zufälligen Permutationen analysiert. Eine ANCOVA wurde mit Alter und Geschlecht als Kovariaten durchgeführt. Die Korrektur für multiple Vergleiche erfolgte mittels Cluster-basierter Schwellenwertbestimmung mit einem anfänglichen Clusterbildungsschwellenwert von t = 2.0. Ergebnisse mit p < 0.05 wurden als signifikant betrachtet. Bei den Clustern, in denen Probanden mit Internetsucht signifikant unterschiedliche FA-Werte im Vergleich zu den Kontrollprobanden aufwiesen, wurden die FA-Werte dieser Hirnregionen extrahiert, gemittelt und gegen die Dauer der Internetsucht regressiert.

2.2.4 Wechselwirkung zwischen Anomalien der grauen und weißen Substanz.

Um die Wechselwirkungen zwischen Veränderungen der grauen Substanz und Veränderungen der weißen Substanz zu untersuchen, wurde eine Korrelationsanalyse zwischen abnormalen Volumina der grauen Substanz und FA-Werten der weißen Substanz in der IAD-Gruppe durchgeführt.

Ergebnisse

3.1 VBM-Ergebnisse

Regionale Veränderungen des Graue-Substanz-Volumens wurden nichtparametrisch mittels optimierter VBM analysiert. Die Korrektur für multiple Vergleiche erfolgte mittels eines clusterbasierten Schwellenwertverfahrens. Der VBM-Vergleich zwischen IAD-Patienten und passenden gesunden Kontrollpersonen zeigte ein verringertes Graue-Substanz-Volumen in mehreren Clustern, darunter der bilaterale DLPFC, die supplementärmotorische Area (SMA), der OFC, das Kleinhirn und der linke rostrale ACC (rACC), nach Kontrolle potenzieller Störfaktoren wie Alter, Geschlecht und Gesamtvolumen des Gehirns. Die Graue-Substanz-Volumina des rechten DLPFC, des linken rACC und der rechten SMA korrelierten negativ mit der Dauer der Internetsucht (r1 = −0.7256, p1 < 0.005; r2 = −0.7409, p2 < 0.005; r3 = −0.6451, p3 < 0.005). Wie in Abbildung 1 und Tabelle 2 dargestellt, wies keine Hirnregion ein höheres Graue-Substanz-Volumen als die gesunden Kontrollpersonen auf.

  

 

 

 

 

 

 

 

 

 

Abbildung 1. VBM-Ergebnisse.

A. Reduziertes Graue-Substanz-Volumen bei IAD-Patienten, (1- p )-korrigierte p -Wert-Bilder. Das Hintergrundbild ist die Standardvorlage MNI152_T1_1mm_brain in FSL. B. Die Graue-Substanz-Volumina des DLPFC, rACC und SMA korrelierten negativ mit der Dauer der Internetsucht.

  

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Tabelle 2. Regionen, die bei Probanden mit Internetsuchtstörung (IAD) und gesunden Kontrollpersonen ein abnormales Volumen der grauen Substanz und eine abnormale fraktionelle Anisotropie (FA) der weißen Substanz aufwiesen ( p < 0.05 korrigiert).

doi: 10.1371 / journal.pone.0020708.t002

3.2 DTI-Ergebnisse

Hinsichtlich der DTI-Datenanalyse wurde eine Korrektur für multiple Vergleiche mittels Cluster-basierter Schwellenwertbestimmung durchgeführt. Unsere TBSS-Ergebnisse zeigten einen erhöhten FA-Wert (IAD: 0.78 ± 0.04; Kontrolle: 0.56 ± 0.02) im linken hinteren Schenkel der Capsula interna (PLIC) bei IAD-Patienten im Vergleich zu gesunden Kontrollpersonen sowie einen reduzierten FA-Wert (IAD: 0.31 ± 0.04; Kontrolle: 0.48 ± 0.03) in der weißen Substanz des rechten Gyrus parahippocampalis (PHG), wie in Abbildung 2 und Tabelle 2 dargestellt . Darüber hinaus korrelierte der FA-Wert tendenziell positiv mit der Dauer der Internetsucht im linken PLIC (r = 0.5869, p < 0.05), während keine signifikante Korrelation zwischen dem FA-Wert des rechten PHG und der Dauer der Internetsucht beobachtet wurde.

  

 

 

 

 

 

 

 

 

 

 

 

 

Abbildung 2. DTI-Ergebnisse.

A. Weißsubstanzstrukturen mit abnormaler fraktioneller Anisotropie (FA) bei Patienten mit Internetsucht (IAD), (1- p )-korrigierte p- Wert-Bilder. Das Hintergrundbild ist die Standardvorlage FMRIB58_FA_1mm in FSL. Rot-gelbe Voxel repräsentieren Regionen, in denen die FA bei IAD im Vergleich zu gesunden Kontrollpersonen signifikant verringert war. Blau-hellblaue Voxel repräsentieren eine erhöhte FA bei IAD. B. Die FA der PLIC korrelierte positiv mit der Dauer der Internetsucht.

doi: 10.1371 / journal.pone.0020708.g002

3.3 Wechselwirkung zwischen Anomalien der grauen und weißen Substanz

Die Interaktionsanalyse zwischen den Volumina der grauen Substanz und den FA-Werten der weißen Substanz in der IAD-Gruppe ergab, dass es keine signifikanten Korrelationen zwischen diesen beiden Messungen gab.

Diskussion Oben

Internetsucht (IAD) führt bei Jugendlichen zu Beeinträchtigungen des psychischen Wohlbefindens, schulischen Misserfolgen und verminderter Arbeitsleistung [12] – [18] . Derzeit existiert jedoch keine standardisierte Behandlung für IAD. Die Entwicklung effektiver Interventions- und Behandlungsmethoden erfordert zunächst ein klares Verständnis der zugrundeliegenden Mechanismen. Das Wissen um die strukturellen Hirnveränderungen bei IAD ist entscheidend für die Identifizierung möglicher medikamentöser Therapien. In der vorliegenden Studie fanden wir Veränderungen des Graue-Substanz-Volumens und der fraktionellen Anisotropie (FA) der Weißen Substanz bei Jugendlichen mit IAD. Wir konnten zudem einen Zusammenhang zwischen diesen strukturellen Veränderungen und der Dauer der Internetsucht nachweisen. Unsere Ergebnisse deuten darauf hin, dass IAD zu strukturellen Hirnveränderungen bei Jugendlichen führt und dass diese strukturellen Veränderungen wahrscheinlich mit funktionellen Beeinträchtigungen der kognitiven Kontrolle zusammenhängen.

4.1 VBM-Ergebnisse

In Übereinstimmung mit einer früheren VBM-Studie [21] fanden wir keine Hirnregionen mit erhöhtem Graue-Substanz-Volumen bei Internetabhängigen . Der regionale Vergleich des Graue-Substanz-Volumens zeigte eine Atrophie in mehreren Clustern für die gesamte Gruppe der Internetabhängigen ( p < 0.05, korrigiert). Betroffen waren der bilaterale DLPFC, das SMA, das Kleinhirn, der OFC und der linke rACC (siehe Abbildung 1 ). Darüber hinaus korrelierte die Atrophie des rechten DLPFC, des linken rACC und des rechten SMA negativ mit der Dauer der Internetabhängigkeit, was Zhou et al. [21] nicht feststellen konnten . Diese Ergebnisse zeigen, dass mit zunehmender Dauer der Internetabhängigkeit die Hirnatrophie des DLPFC, rACC und SMA stärker ausgeprägt ist. Einige Ergebnisse zur Hirnatrophie in unserer Studie weichen von früheren Befunden [21] ab , was auf unterschiedliche Datenverarbeitungsmethoden zurückzuführen sein könnte. In der vorliegenden Studie wurden mögliche Störfaktoren wie Alter, Geschlecht und das Gesamthirnvolumen als Kovariaten berücksichtigt, was in der vorherigen Studie nicht der Fall war. Die unterschiedlichen Auswertungsmethoden könnten die Ursache für die unterschiedlichen Ergebnisse sein.

Frühere Studien zur Drogenabhängigkeit zeigen, dass langfristiger Substanzmissbrauch [45] , [46] und Internetabhängigkeit [11] , [20] zu einer Beeinträchtigung der kognitiven Kontrolle führen. Kognitive Kontrolle kann als die Fähigkeit verstanden werden, präpotente, aber falsche Reaktionen zu unterdrücken und irrelevante Informationen innerhalb eines Reizsets auszublenden, um angemessene Handlungen zur Bewältigung komplexer Aufgaben und zur Anpassung an veränderliche Umgebungen zu ermöglichen [47] . Zahlreiche funktionelle Bildgebungsstudien des Gehirns haben gezeigt, dass der dorsolaterale präfrontale Kortex (DLPFC) und der rostrale anteriore cinguläre Kortex (rACC) zentral an der kognitiven Kontrolle beteiligt sind [48] , [49] . Verschiedene neurokognitive Studien belegen, dass die kognitive Kontrolle mit einem spezifischen kortiko-subkortikalen Schaltkreis zusammenhängt, der den rACC und den DLPFC umfasst [50] , [51] . Laut einer prominenten Hypothese zur Konfliktüberwachung [47] , [52] signalisiert der rACC das Auftreten eines Reaktionskonflikts, was zur Rekrutierung des DLPFC für eine verstärkte kognitive Kontrolle der nachfolgenden Leistung führt. Diese wichtige Rolle des DLPFC wurde in der neurowissenschaftlichen Forschung im Zusammenhang mit Top-down-Regulationsprozessen der kognitiven Kontrolle identifiziert [53] . Neuere neurobildgebende Studien haben zudem eine Deaktivierung des rACC in einer Go/NoGo-Aufgabe bei heroinabhängigen Personen [54] , [55] und Kokainkonsumenten [45] aufgezeigt , was auf die entscheidende Rolle des rACC in der kognitiven Kontrolle hinweist [46].

Es wird angenommen, dass der orbitofrontale Kortex (OFC) durch die Bewertung der motivationalen Bedeutung von Reizen und die Auswahl von Verhaltensweisen zur Erreichung erwünschter Ergebnisse zur kognitiven Kontrolle zielgerichteten Verhaltens beiträgt [56] . Der OFC ist eng mit dem Striatum und limbischen Regionen (wie der Amygdala) verbunden. Dadurch ist er prädestiniert, die Aktivität verschiedener limbischer und subkortikaler Areale zu integrieren, die mit motivationalem Verhalten und der Verarbeitung von Belohnungen assoziiert sind [57] . Einige Tierstudien haben gezeigt, dass Schädigungen sowohl des OFC als auch des prälimbischen Kortex der Ratte (dem funktionellen Homolog des menschlichen dorsolateralen präfrontalen Kortex, DLPFC) den Erwerb und die Modifikation von Verhaltensweisen beeinträchtigen, die durch Zusammenhänge zwischen Reaktionen und Ergebnissen gesteuert werden. Dies deutet darauf hin, dass diese Regionen für die kognitive Kontrolle zielgerichteten Verhaltens von entscheidender Bedeutung sein könnten [56] , [58].

Der SMA ist entscheidend für die Auswahl angemessenen Verhaltens, sei es die Ausführung einer angemessenen Reaktion oder die Unterdrückung einer unangemessenen Reaktion [59] . Einige Forscher stellten fest, dass sowohl einfache als auch komplexe Go/NoGo-Aufgaben den SMA aktivieren und wiesen auf dessen wichtige Rolle bei der Vermittlung kognitiver Kontrolle hin [46] , [60].

Mehrere anatomische, physiologische und funktionelle Bildgebungsstudien legen nahe, dass das Kleinhirn zu höheren kognitiven Funktionen beiträgt [61] – [64] , wobei diskrete Läsionen des Kleinhirns zu Beeinträchtigungen der exekutiven Funktionen und des Arbeitsgedächtnisses führen, sogar zu Persönlichkeitsveränderungen wie enthemmtem und unangemessenem Verhalten.

Unsere Ergebnisse ( Abbildung 1 ) über das reduzierte Volumen der grauen Substanz im DLPFC, rACC, OFC, SMA und Kleinhirn könnten zumindest teilweise mit kognitiven Kontroll- und zielgerichteten Verhaltensstörungen bei Internetsucht [15] , [19] , [20] , [28] zusammenhängen , was grundlegende Symptome der Internetsucht erklären könnte.

4.2 DTI-Ergebnisse

Wir berechneten den FA-Wert in jedem Voxel der weißen Substanz für jede Versuchsperson, um die Stärke der Richtungsabhängigkeit der lokalen Faserbahnstruktur zu quantifizieren. Der voxelweise Vergleich des gesamten Gehirns über das Skelett der weißen Substanz mittels Permutationstests und strenger statistischer Schwellenwertsetzung zeigte, dass IAD-Patienten niedrigere FA-Werte in einem Cluster innerhalb des rechten PHG aufwiesen ( p < 0.05, korrigiert). Die Suche nach erhöhten FA-Werten bei IAD-Patienten ergab hingegen, dass diese höhere FA-Werte in einem Cluster innerhalb des linken PLIC aufwiesen ( p < 0.05, korrigiert). Darüber hinaus korrelierte der FA-Wert des linken PLIC positiv mit der Dauer der Internetsucht ( Abbildung 2 ).

Der parahippocampale Gyrus (PHG) ist eine Hirnregion, die den Hippocampus umgibt und eine wichtige Rolle bei der Enkodierung und dem Abruf von Erinnerungen spielt [65] , [66] . Über die entorhinalen Verbindungen liefert der PHG den wichtigsten polysensorischen Input für den Hippocampus und empfängt verschiedene Kombinationen sensorischer Informationen [67] , [68] , die an Kognition und Emotionsregulation beteiligt sind [69] . Jüngst wurde von einigen Forschern die These aufgestellt, dass der rechte PHG zur Bildung und Aufrechterhaltung gebundener Informationen im Arbeitsgedächtnis beiträgt [70] . Das Arbeitsgedächtnis dient der temporären Speicherung und Online-Manipulation von Informationen und ist entscheidend für die kognitive Kontrolle [71] . Der Befund eines niedrigeren FA-Werts im PHG bei Patienten mit IAD deutet darauf hin, dass abnorme Eigenschaften der weißen Substanz die strukturelle Grundlage für die funktionellen Defizite des Arbeitsgedächtnisses bei diesen Patienten bilden könnten [19] . Kürzlich berichteten Liu et al. [72] berichteten von einer erhöhten ReHo im bilateralen PHG bei Studenten mit IAD im Vergleich zu einer Kontrollgruppe und vermuteten, dass dieses Ergebnis eine funktionelle Veränderung im Gehirn widerspiegelt, die möglicherweise mit den Belohnungssystemen zusammenhängt. Offensichtlich sind weitere Untersuchungen erforderlich, um die genaue Rolle des PHG bei IAD zu verstehen.

Anatomisch gesehen ist die innere Kapsel ein Bereich der weißen Substanz im Gehirn, der den Nucleus caudatus und den Thalamus vom Nucleus lenticularis trennt, der sowohl aufsteigende als auch absteigende Axone enthält. Zusätzlich zu kortikospinalen und kortikopontinen Fasern enthält die innere Kapsel thalamokortikale und kortikofugale Fasern [73]., [74].. Der hintere Schenkel der inneren Kapsel enthält kortikospinale Fasern, sensorische Fasern (einschließlich des Lemniscus medialis und des anterolateralen Systems) aus dem Körper und einige kortikobulbäre Fasern [73].-[76].. Der primäre motorische Kortex sendet seine Axone durch das hintere Glied der inneren Kapsel und spielt eine wichtige Rolle bei Fingerbewegungen und motorischen Bildern [77]., [78].. Der mögliche Grund für die FA-Werte bei der Verbesserung der inneren Kapsel war, dass die IAD-Probanden mehr Zeit mit Computerspielen verbrachten und die wiederholten motorischen Aktionen wie das Klicken mit der Maus und das Tippen auf der Tastatur die Struktur der inneren Kapsel veränderten. Wie aus anderen Studien hervorgeht, veränderte Training die Gehirnstruktur [79].-[81]., hat dieses Langzeittraining wahrscheinlich die Struktur der weißen Substanz des PLIC verändert. Die Informationsübertragung zwischen frontalen und subkortikalen Gehirnregionen modulierte höhere kognitive Funktionen und menschliches Verhalten [82]., [83]., die auf den Faserbahnen der weißen Substanz beruhte, die durch die innere Kapsel verlaufen [83]., [84].. Strukturelle Anomalien in der inneren Kapsel könnten folglich die kognitive Funktion beeinträchtigen und die Exekutiv- und Gedächtnisfunktionen beeinträchtigen [85].. Der abnormale FA-Wert des linken PLIC kann die Übertragung und Verarbeitung sensorischer Informationen beeinflussen und letztendlich zu Beeinträchtigungen der kognitiven Kontrolle führen [86]., [87].. Darüber hinaus kann eine Internetsucht zu körperlichen Beschwerden oder medizinischen Problemen wie Karpaltunnelsyndrom, trockenen Augen, Rückenschmerzen und starken Kopfschmerzen führen [88].-[90].. Der abnormale FA-Wert des linken PLIC könnte das Karpaltunnelsyndrom bei IAD-Patienten erklären, das in Zukunft mit einem ausgefeilteren Design überprüft werden muss.

4.3 Wechselwirkung zwischen Anomalien der grauen und weißen Substanz

Wir haben den Zusammenhang zwischen Veränderungen der grauen Substanz und der weißen Substanz untersucht. Leider gab es keine signifikanten Korrelationen zwischen diesen beiden Maßen. Dieses Phänomen deutete darauf hin, dass die morphologischen Veränderungen von IAD in der grauen und weißen Substanz des Gehirns nicht signifikant linear korrelierten. Es bestand die Möglichkeit, dass die Anomalien der grauen Substanz die Veränderungen der weißen Substanz auf andere Weise verknüpften. Unsere Ergebnisse zeigten jedoch, dass die Strukturmerkmale der grauen und weißen Substanz bei Jugendlichen mit IAD abnormal waren.

Es gibt einige Einschränkungen der aktuellen Studie. Erstens: Während unsere Ergebnisse darauf hindeuten, dass die Veränderungen der grauen und weißen Substanz die Folge übermäßiger Internetnutzung oder IAD sein könnten, können wir eine andere Möglichkeit nicht ausschließen, die sich mit dem strukturellen Unterschied zwischen den normalen Kontrollen und IAD befasst, die möglicherweise die Folge sind Ursache für die übermäßige Nutzung des Internets. Die abnormalen Eigenschaften dieser mit der kognitiven Kontrolle verbundenen Gehirnregionen machen sie bei manchen Jugendlichen relativ unreif und machen sie leicht vom Internet abhängig. Die Ursachen- und Folgeprobleme sollten in der zukünftigen Studie durch ein umfassenderes experimentelles Design untersucht werden. Wir vermuteten jedoch, dass die Ergebnisse der vorliegenden Studie die Folge von IAD waren. Zweitens sind die Monate der IAD im Hinblick auf den Zusammenhang zwischen den strukturellen Veränderungen und der Dauer der IAD eine grobe Charakterisierung durch die Erinnerung der IAD-Probanden. Wir haben die Probanden gebeten, sich an ihren Lebensstil zu erinnern, als sie ursprünglich vom Internet abhängig waren. Um sicherzustellen, dass sie an einer Internetsucht litten, haben wir sie erneut mit den von Beard und Wolf modifizierten YDQ-Kriterien getestet. Wir haben die Zuverlässigkeit der Selbstberichte der IAD-Probanden auch durch Telefongespräche mit ihren Eltern bestätigt. Die strukturellen Veränderungen des Gehirns im Zusammenhang mit dem Suchtprozess könnten für das Verständnis der Krankheit von entscheidenderer Bedeutung sein, weshalb die Korrelation zwischen der Dauer und den strukturellen Messungen des Gehirns durchgeführt wurde. Diese Korrelationen legen nahe, dass kumulative Effekte im verringerten Volumen der grauen Substanz des rechten DLPFC, des rechten SMA, des linken rACC und eines erhöhten FA der weißen Substanz im linken PLIC gefunden wurden. Obwohl wir schließlich vermuteten, dass die strukturellen Anomalien des Volumens der grauen Substanz und des FA der weißen Substanz mit funktionellen Beeinträchtigungen der kognitiven Kontrolle bei IAD verbunden sind, besteht die größte Einschränkung der vorliegenden Studie im Fehlen einer quantitativen Angabe der Defizite der kognitiven Kontrolle bei diesen Jugendliche mit IAD. Obwohl die Zusammenhänge zwischen diesen strukturellen Anomalien und der Dauer der Internetsucht in unserer aktuellen Studie bestätigt wurden, muss die vollständige Charakterisierung der zugrunde liegenden strukturellen Anomalien bei IAD in Zukunft noch detaillierter erforscht werden, was für das Verständnis der Auswirkungen von entscheidender Bedeutung ist von IAD auf die langfristige Funktionsfähigkeit. In Zukunft werden wir diese strukturellen Erkenntnisse mit der Verhaltensleistung kognitiver Aufgaben bei Probanden mit IAD integrieren. Insgesamt deuteten die in der vorliegenden Studie gezeigten FA-Veränderungen und Volumenänderungen der grauen Substanz auf eine Veränderung im Gehirn auf mikrostruktureller Ebene hin, was unser Verständnis von IAD verbesserte.

Fazit

Wir lieferten Belege dafür, dass bei Personen mit Internetsucht multiple strukturelle Veränderungen im Gehirn festgestellt wurden. Die Atrophie der grauen Substanz und die Veränderungen der fraktionellen Anisotropie (FA) der weißen Substanz in einigen Hirnregionen korrelierten signifikant mit der Dauer der Internetsucht. Diese Ergebnisse lassen sich zumindest teilweise als funktionelle Beeinträchtigung der kognitiven Kontrolle bei Internetsucht interpretieren. Die Anomalien im präfrontalen Kortex stimmten mit früheren Studien zu Substanzmissbrauch überein [23] , [48] , [80] , [81] . Daher vermuten wir, dass es bei Internetsucht und Substanzkonsum teilweise überlappende Mechanismen geben könnte. Wir hoffen, dass unsere Ergebnisse das Verständnis von Internetsucht verbessern und zur Optimierung von Diagnose und Prävention beitragen.

Anerkennungen Oben

Wir möchten Qin Ouyang, Qizhu Wu und Junran Zhang für die wertvolle technische Unterstützung bei der Durchführung dieser Forschung danken.

Referenzen Oben

1. Ernst M, Pine D, Hardin M (2006) Triadisches Modell der Neurobiologie motivierten Verhaltens im Jugendalter. Psychologische Medizin 36: 299–312. Finden Sie diesen Artikel online
2. Csikszentmihalyi M, Larson R, Prescott S (1977) Die Ökologie jugendlicher Aktivität und Erfahrung. Zeitschrift für Jugend und Jugend 6: 281–294. Finden Sie diesen Artikel online
3. Casey B, Tottenham N, Liston C, Durston S (2005) Bildgebung des sich entwickelnden Gehirns: Was haben wir über die kognitive Entwicklung gelernt? Trends in den Kognitionswissenschaften 9: 104–110. Finden Sie diesen Artikel online
4. Casey B, Galvan A, Hare T (2005) Veränderungen in der funktionellen Organisation des Gehirns während der kognitiven Entwicklung. Aktuelle Meinung in der Neurobiologie 15: 239–244. Finden Sie diesen Artikel online
5. Ernst M, Nelson E, Jazbec S, McClure E, Monk C, et al. (2005) Amygdala und Nucleus accumbens in Reaktionen auf Erhalt und Unterlassung von Gewinnen bei Erwachsenen und Jugendlichen. Neuroimage 25: 1279–1291. Finden Sie diesen Artikel online
6. May J, Delgado M, Dahl R, Stenger V, Ryan N, et al. (2004) Ereignisbezogene funktionelle Magnetresonanztomographie belohnungsbezogener Gehirnschaltkreise bei Kindern und Jugendlichen. Biologische Psychiatrie 55: 359–366.
7. Galvan A, Hare T, Parra C, Penn J, Voss H, et al. (2006) Eine frühere Entwicklung des Accumbens im Vergleich zum orbitofrontalen Kortex könnte dem Risikoverhalten bei Jugendlichen zugrunde liegen. Journal of Neuroscience 26: 6885–6892. Finden Sie diesen Artikel online
8. Steinberg L (2005) Kognitive und affektive Entwicklung im Jugendalter. Trends in den Kognitionswissenschaften 9: 69–74. Finden Sie diesen Artikel online
9. Pine D, Cohen P, Brook J (2001) Emotionale Reaktivität und Risiko für Psychopathologie bei Jugendlichen. ZNS-Spektren 6: 27–35. Finden Sie diesen Artikel online
10. Silveri M, Tzilos G, Pimentel P, Yurgelun-Todd D (2004) Trajektorien der emotionalen und kognitiven Entwicklung von Jugendlichen: Auswirkungen von Sex und Risiko für Drogenkonsum. Annalen der New York Academy of Sciences 1021: 363–370. Finden Sie diesen Artikel online
11. Cao F, Su L, Liu T, Gao X (2007) Die Beziehung zwischen Impulsivität und Internetsucht in einer Stichprobe chinesischer Jugendlicher. Europäische Psychiatrie 22: 466–471. Finden Sie diesen Artikel online
12. Ko C, Yen J, Chen S, Yang M, Lin H, et al. (2009) Vorgeschlagene Diagnosekriterien und das Screening- und Diagnosetool für Internetsucht bei College-Studenten. Umfassende Psychiatrie 50: 378–384. Finden Sie diesen Artikel online
13. Flisher C (2010) Getting plugged in: Ein Überblick über Internetsucht. Zeitschrift für Pädiatrie und Kindergesundheit 46: 557–559. Finden Sie diesen Artikel online
14. Christakis D (2010) Internetsucht: eine Epidemie des 21. Jahrhunderts? BMC-Medizin 8: 61. Finden Sie diesen Artikel online
15. Chou C, Condron L, Belland J (2005) Ein Überblick über die Forschung zur Internetsucht. Educational Psychology Review 17: 363–388. Finden Sie diesen Artikel online
16. Young K (1998) Internetsucht: Die Entstehung einer neuen klinischen Störung. CyberPsychology & Behavior 1: 237–244. Finden Sie diesen Artikel online
17. Morahan-Martin J, Schumacher P (2000) Inzidenz und Korrelate pathologischer Internetnutzung bei College-Studenten. Computer im menschlichen Verhalten 16: 13–29. Finden Sie diesen Artikel online
18. Scherer K (1997) Hochschulleben online: Gesunde und ungesunde Internetnutzung. Journal of College Student Development 38: 655–665. Finden Sie diesen Artikel online
19. Ko C, Liu G, Hsiao S, Yen J, Yang M, et al. (2009) Gehirnaktivitäten im Zusammenhang mit dem Spieldrang bei Online-Spielsucht. Zeitschrift für psychiatrische Forschung 43: 739–747. Finden Sie diesen Artikel online
20. Dong G, Lu Q, Zhou H, Zhao X (2010) Impulshemmung bei Menschen mit Internetsuchtstörung: elektrophysiologische Beweise aus einer Go/NoGo-Studie. Neurowissenschaftliche Briefe 485: 138–142. Finden Sie diesen Artikel online
21. Zhou Y, Lin F, Du Y, Qin L, Zhao Z, et al. (2009) Anomalien der grauen Substanz bei Internetsucht: Eine voxelbasierte Morphometriestudie. Europäisches Journal für Radiologie. doi:10.1016 / j.ejrad.2009.1010.1025.
22. Jun L, Xue-ping G, Osunde I, Xin L, Shun-ke Z, et al. (2010) Erhöhte regionale Homogenität bei Internetabhängigkeitsstörungen: eine Studie zur funktionellen Magnetresonanztomographie im Ruhezustand. Chinesisches medizinisches Journal 123: 1904–1908. Finden Sie diesen Artikel online
23. Yuan K, Qin W, Dong M, Liu J, Sun J, et al. (2010) Defizite in der grauen Substanz und Anomalien im Ruhezustand bei abstinenten heroinabhängigen Personen. Neurowissenschaftliche Briefe 482: 101–105. Finden Sie diesen Artikel online
24. Yuan K, Qin W, Liu J, Guo Q, Dong M, et al. (2010) Veränderte funktionelle Netzwerke des Kleinhirns und Dauer des Heroinkonsums bei männlichen abstinenten heroinabhängigen Personen. Neurowissenschaftliche Briefe 477: 37–42. Finden Sie diesen Artikel online
25. Yuan K, Qin W, Dong M, Liu J, Liu P, et al. (2010) Kombination räumlicher und zeitlicher Informationen zur Untersuchung von Netzwerkveränderungen im Ruhezustand bei abstinenten heroinabhängigen Personen. Neurowissenschaftliche Briefe 475: 20–24. Finden Sie diesen Artikel online
26. Liu J, Liang J, Qin W, Tian J, Yuan K, et al. (2009) Dysfunktionale Konnektivitätsmuster bei chronischen Heroinkonsumenten: eine fMRT-Studie. Neurowissenschaftliche Briefe 460: 72–77. Finden Sie diesen Artikel online
27. Volkow N, Fowler J, Wang G (2003) Das süchtige menschliche Gehirn: Erkenntnisse aus Bildgebungsstudien. Journal of Clinical Investigation 111: 1444–1451. Finden Sie diesen Artikel online
28. Ko C, Hsiao S, Liu G, Yen J, Yang M, et al. (2010) Die Merkmale der Entscheidungsfindung, das Risikopotenzial und die Persönlichkeit von College-Studenten mit Internetsucht. Psychiatrieforschung 175: 121–125. Finden Sie diesen Artikel online
29. Beard K, Wolf E (2001) Änderung der vorgeschlagenen Diagnosekriterien für Internetsucht. CyberPsychology & Behavior 4: 377–383. Finden Sie diesen Artikel online
30. Ashburner J, Friston K (2000) Voxelbasierte Morphometrie – die Methoden. Neuroimage 11: 805–821. Finden Sie diesen Artikel online
31. Good C, Johnsrude I, Ashburner J, Henson R, Fristen K, et al. (2001) Eine voxelbasierte morphometrische Studie des Alterns in 465 normalen erwachsenen menschlichen Gehirnen. Neuroimage 14: 21–36. Finden Sie diesen Artikel online
32. Smith S., Jenkinson M., Woolrich M., Beckmann C., Behrens T. et al. (2004) Fortschritte in der funktionellen und strukturellen MR-Bildanalyse und Implementierung als FSL. Neuroimage 23: 208–219. Finden Sie diesen Artikel online
33. Smith S (2002) Schnelle robuste automatisierte Gehirnextraktion. Kartierung des menschlichen Gehirns 17: 143–155. Finden Sie diesen Artikel online
34. Zhang Y, Brady M, Smith S (2001) Segmentierung von MR-Bildern des Gehirns durch ein Hidden-Markov-Zufallsfeldmodell und den Erwartungsmaximierungsalgorithmus. IEEE-Transaktionen zur medizinischen Bildgebung 20: 45–57. Finden Sie diesen Artikel online
35. Jenkinson M, Smith S (2001) Eine globale Optimierungsmethode für eine robuste affine Registrierung von Gehirnbildern. Medizinische Bildanalyse 5: 143–156. Finden Sie diesen Artikel online
36. Jenkinson M, Bannister P, Brady M, Smith S (2002) Verbesserte Optimierung für die robuste und genaue lineare Registrierung und Bewegungskorrektur von Gehirnbildern. Neuroimage 17: 825–841. Finden Sie diesen Artikel online
37. Andersson J, Jenkinson M, Smith S (2007) Nichtlineare Optimierung. Technische Berichte der FMRIB Analysis Group: TR07JA02 von www.fmrib.ox.ac.uk/analysis/techrep.
38. Andersson J, Jenkinson M, Smith S (2007) Nichtlineare Registrierung, auch bekannt als räumliche Normalisierung. Technische Berichte der FMRIB Analysis Group: TR07JA02 von www.fmrib.ox.ac.uk/analysis/techrep.
39. Rueckert D, Sonoda L, Hayes C, Hill D, Leach M, et al. (2002) Nicht starre Registrierung unter Verwendung von Freiformverformungen: Anwendung auf Brust-MR-Bilder. IEEE-Transaktionen zur medizinischen Bildgebung 18: 712–721. Finden Sie diesen Artikel online
40. Nichols T, Holmes A (2002) Nichtparametrische Permutationstests für die funktionelle Neurobildgebung: eine Einführung mit Beispielen. Kartierung des menschlichen Gehirns 15: 1–25. Finden Sie diesen Artikel online
41. Dong G, Lu Q, Zhou H, Zhao X, Miles J (2011) Vorläufer oder Folge: Pathologische Störungen bei Menschen mit Internetsuchtstörung. PloS eins 6: 306–307. Finden Sie diesen Artikel online
42. Beaulieu C (2002) Die Grundlagen der anisotropen Wasserdiffusion im Nervensystem – eine technische Übersicht. NMR in der Biomedizin 15: 435–455. Finden Sie diesen Artikel online
43. Smith S., Jenkinson M., Johansenberg H., Rueckert D., Nichols T. et al. (2006) Traktbasierte räumliche Statistik: Voxelweise Analyse von Diffusionsdaten mehrerer Subjekte. Neuroimage 31: 1487–1505. Finden Sie diesen Artikel online
44. Smith S., Johansenberg H., Jenkinson M., Rueckert D., Nichols T. et al. (2007) Erfassung und voxelweise Analyse von Diffusionsdaten mehrerer Subjekte mit traktbasierter räumlicher Statistik. Naturprotokolle 2: 499–503. Finden Sie diesen Artikel online
45. Kaufman J, Ross T, Stein E, Garavan H (2003) Cingulierende Hypoaktivität bei Kokainkonsumenten während einer GO-NOGO-Aufgabe, wie durch ereignisbezogene funktionelle Magnetresonanztomographie aufgedeckt. Journal of Neuroscience 23: 7839–7843. Finden Sie diesen Artikel online
46. Li C, Sinha R (2008) Hemmende Kontrolle und emotionale Stressregulation: Neuroimaging-Beweise für frontal-limbische Dysfunktion bei Sucht nach Psychostimulanzien. Neuroscience & Biobehavioral Reviews 32: 581–597. Finden Sie diesen Artikel online
47. Botvinick M, Braver T, Barch D, Carter C, Cohen J (2001) Konfliktüberwachung und kognitive Kontrolle. Psychologische Rezension 108: 624–652. Finden Sie diesen Artikel online
48. Krawczyk D (2002) Beiträge des präfrontalen Kortex zur neuronalen Grundlage menschlicher Entscheidungsfindung. Neuroscience & Biobehavioral Reviews 26: 631–664. Finden Sie diesen Artikel online
49. Wilson S, Sayette M, Fiez J (2004) Präfrontale Reaktionen auf Drogenhinweise: eine neurokognitive Analyse. Nature Neuroscience 7: 211–214. Finden Sie diesen Artikel online
50. Barber A, Carter C (2005) Kognitive Kontrolle, die bei der Überwindung vorherrschender Reaktionstendenzen und beim Wechseln zwischen Aufgaben eine Rolle spielt. Großhirnrinde 15: 899–912. Finden Sie diesen Artikel online
51. MacDonald A, Cohen J, Stenger V, Carter C (2000) Dissoziation der Rolle des dorsolateralen präfrontalen und anterioren cingulären Kortex bei der kognitiven Kontrolle. Wissenschaft 288: 1835–1838. Finden Sie diesen Artikel online
52. Botvinick M, Nystrom L, Fissell K, Carter C, Cohen J (1999) Konfliktüberwachung versus Handlungsauswahl im anterioren cingulären Kortex. Natur 402: 179–180. Finden Sie diesen Artikel online
53. Vanderhasselt M, De Raedt R, Baeken C (2009) Dorsolateraler präfrontaler Kortex und Stroop-Leistung: Bekämpfung der Lateralisierung. Psychonomic Bulletin & Review 16: 609–612. Finden Sie diesen Artikel online
54. Forman S, Dougherty G, Casey B, Siegle G, Braver T, et al. (2004) Opiatabhängigen fehlt die fehlerabhängige Aktivierung des rostralen anterioren Cingulats. Biologische Psychiatrie 55: 531–537. Finden Sie diesen Artikel online
55. Fu L, Bi G, Zou Z, Wang Y, Ye E, et al. (2008) Beeinträchtigte Reaktionshemmfunktion bei abstinenten Heroinabhängigen: eine fMRT-Studie. Neurowissenschaftliche Briefe 438: 322–326. Finden Sie diesen Artikel online
56. Rolls E (2000) Der orbitofrontale Kortex und die Belohnung. Großhirnrinde 10: 284–294. Finden Sie diesen Artikel online
57. Groenewegen H, Uylings H (2000) Der präfrontale Kortex und die Integration sensorischer, limbischer und autonomer Informationen. Fortschritte in der Hirnforschung 126: 3–28. Finden Sie diesen Artikel online
58. Balleine B, Dickinson A (1998) Zielgerichtetes instrumentelles Handeln: Kontingenz- und Anreizlernen und ihre kortikalen Substrate. Neuropharmakologie 37: 407–419. Finden Sie diesen Artikel online
59. Simmonds D, Pekar J, Mostofsky S (2008) Metaanalyse von Go/No-Go-Aufgaben, die zeigt, dass die mit der Reaktionshemmung verbundene fMRI-Aktivierung aufgabenabhängig ist. Neuropsychologia 46: 224–232. Finden Sie diesen Artikel online
60. Ray Li C, Huang C, Constable R, Sinha R (2006) Bildgebungsreaktionshemmung bei einer Stoppsignalaufgabe: Neuronale Korrelate unabhängig von Signalüberwachung und Nachreaktionsverarbeitung. Journal of Neuroscience 26: 186–192. Finden Sie diesen Artikel online
61. Raymond J, Lisberger S, Mauk M (1996) Das Kleinhirn: eine neuronale Lernmaschine? Wissenschaft 272: 1126–1131. Finden Sie diesen Artikel online
62. Schmahmann J, Sherman J (1998) Das zerebelläre kognitive affektive Syndrom. Gehirn 121: 561–579. Finden Sie diesen Artikel online
63. Desmond J (2001) Beteiligung des Kleinhirns an der kognitiven Funktion: Beweise aus der Bildgebung. International Review of Psychiatry 13: 283–294. Finden Sie diesen Artikel online
64. Heyder K, Suchan B, Daum I (2004) Kortiko-subkortikale Beiträge zur exekutiven Kontrolle. Acta Psychologica 115: 271–289. Finden Sie diesen Artikel online
65. Wagner A, Schacter D, Rotte M, Koutstaal W, Maril A, et al. (1998) Erinnerungen aufbauen: Erinnern und Vergessen von verbalen Erfahrungen, wie durch die Gehirnaktivität vorhergesagt. Wissenschaft 281: 1188–1191. Finden Sie diesen Artikel online
66. Tulving E, Markowitsch H, Craik F, Habib R, Houle S (1996) Neuheits- und Vertrautheitsaktivierungen in PET-Studien zur Gedächtniskodierung und zum Abruf. Großhirnrinde 6: 71–79. Finden Sie diesen Artikel online
67. Powell H, Guye M, Parker G, Symms M, Boulby P, et al. (2004) Nichtinvasive In-vivo-Demonstration der Verbindungen des menschlichen Gyrus parahippocampus. Neuroimage 22: 740–747. Finden Sie diesen Artikel online
68. BURWELL R (2000) Die parahippocampale Region: kortikokortikale Konnektivität. Annalen der New York Academy of Sciences 911: 25–42. Finden Sie diesen Artikel online
69. Zhu X, Wang X, Xiao J, Zhong M, Liao J, et al. (2010) Veränderte Integrität der weißen Substanz bei behandlungsnaiven jungen Erwachsenen mit schwerer depressiver Störung in der ersten Episode: Eine traktbasierte räumliche Statistikstudie. Gehirnforschung 1396: 223–229. Finden Sie diesen Artikel online
70. Luck D, Danion J, Marrer C, Pham B, Gounot D, et al. (2010) Der rechte Gyrus parahippocampus trägt zur Bildung und Aufrechterhaltung gebundener Informationen im Arbeitsgedächtnis bei. Gehirn und Kognition 72: 255–263. Finden Sie diesen Artikel online
71. Engle R, Kane M (2003) Exekutive Aufmerksamkeit, Arbeitsgedächtniskapazität und eine Zwei-Faktoren-Theorie der kognitiven Kontrolle. Psychologie des Lernens und der Motivation 44: 145–199. Finden Sie diesen Artikel online
72. Jun L, Xue-ping G, Osunde I, Xin L, Shun-ke Z, et al. Erhöhte regionale Homogenität bei Internetabhängigkeitsstörungen: eine Studie zur funktionellen Magnetresonanztomographie im Ruhezustand. Chinesisches medizinisches Journal 123: 1904–1908. Finden Sie diesen Artikel online
73. Elternteil A, Carpenter M (1996) Carpenters menschliche Neuroanatomie: Williams & Wilkins.
74. Wakana S, Jiang H, Nagae-Poetscher L, van Zijl P, Mori S (2004) Fiber Tract–based Atlas of Human White Matter Anatomy1. Radiologie 230: 77–87. Finden Sie diesen Artikel online
75. Andersen R, Knight P, Merzenich M (1980) Die thalamokortikalen und kortikothalamischen Verbindungen von AI, AII und dem vorderen Hörfeld (AFF) bei der Katze: Hinweise auf zwei weitgehend getrennte Verbindungssysteme. Das Journal of Comparative Neurology 194: 663–701. Finden Sie diesen Artikel online
76. Winer J, Diehl J, Larue D (2001) Projektionen des auditorischen Kortex auf den medialen Kniehöcker der Katze. Das Journal of Comparative Neurology 430: 27–55. Finden Sie diesen Artikel online
77. Schnitzler A, Salenius S, Salmelin R, Jousm ki V, Hari R (1997) Beteiligung des primären motorischen Kortex an motorischen Bildern: eine neuromagnetische Studie. Neuroimage 6: 201–208. Finden Sie diesen Artikel online
78. 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 bei komplexen Fingerbewegungen eine wichtige Rolle. Gehirn 116: 1387–1398. Finden Sie diesen Artikel online
79. Draganski B, Gaser C, Busch V, Schuierer G, Bogdahn U, et al. (2004) Neuroplastizität: Durch Training induzierte Veränderungen der grauen Substanz. Natur 427: 311–312. Finden Sie diesen Artikel online
80. Boyke J, Driemeyer J, Gaser C, Buchel C, May A (2008) Trainingsbedingte Veränderungen der Gehirnstruktur bei älteren Menschen. Journal of Neuroscience 28: 7031–7035. Finden Sie diesen Artikel online
81. Scholz J, Klein MC, Behrens TEJ, Johansenberg H (2009) Training führt zu Veränderungen in der Architektur der weißen Substanz. Nature Neuroscience 12: 1370–1371. Finden Sie diesen Artikel online
82. Cummings JL (1993) Frontal-subkortikale Schaltkreise und menschliches Verhalten. Archiv für Neurologie 50: 873–880. Finden Sie diesen Artikel online
83. Cummings JL (1995) Anatomische und Verhaltensaspekte frontal-subkortikaler Schaltkreisesa. Annalen der New York Academy of Sciences 769: 1–14. Finden Sie diesen Artikel online
84. Albin RL, Young AB, Penney JB (1989) Die funktionelle Anatomie von Basalganglienstörungen. Trends in den Neurowissenschaften 12: 366–375. Finden Sie diesen Artikel online
85. Levitt JJ, Kubicki M, Nestor PG, Ersner-Hershfield H, Westin C, et al. (2010) Eine Diffusionstensor-Bildgebungsstudie des vorderen Gliedes der inneren Kapsel bei Schizophrenie. Psychiatrieforschung 184: 143–150. Finden Sie diesen Artikel online
86. Werring D, Clark C, Barker G, Miller D, Parker G, et al. (1998) Die strukturellen und funktionellen Mechanismen der motorischen Erholung: Komplementäre Verwendung von Diffusionstensor und funktioneller Magnetresonanztomographie bei einer traumatischen Verletzung der inneren Kapsel. Zeitschrift für Neurologie, Neurochirurgie und Psychiatrie 65: 863–869. Finden Sie diesen Artikel online
87. Niogi S., Mukherjee P., Ghajar J., Johnson C., Kolster R. et al. (2008) Das Ausmaß der mikrostrukturellen Verletzung der weißen Substanz beim postkonkussiven Syndrom korreliert mit einer beeinträchtigten kognitiven Reaktionszeit: eine 3T-Diffusionstensor-Bildgebungsstudie einer leichten traumatischen Hirnverletzung. American Journal of Neuroradiology 29: 967–973. Finden Sie diesen Artikel online
88. Young K (1999) Internetsucht: Symptome, Bewertung und Behandlung. Innovationen in der klinischen Praxis: Ein Quellenbuch 17: 19–31. Finden Sie diesen Artikel online
89. Beard K (2005) Internetsucht: ein Überblick über aktuelle Beurteilungstechniken und mögliche Beurteilungsfragen. CyberPsychology & Behavior 8: 7–14. Finden Sie diesen Artikel online
90. Culver J, Gerr F, Frumkin H (1997) Medizinische Informationen im Internet. Zeitschrift für Allgemeine Innere Medizin 12: 466–470.