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

Materialen und Methoden Top

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 Young Diagnostic Questionnaire for Internet Addiction (YDQ)-Kriterien von Beard und Wolf [16], [29]An unserer Studie waren 12 Erst- und Zweitsemesterstudenten mit IAD (zwölf Männer, Durchschnittsalter = 19.4 ± 3.1 Jahre, Ausbildung 13.4 ± 2.5 Jahre) beteiligt. Die YDQ-Kriterien [16] bestand aus den folgenden acht „Ja“- oder „Nein“-Fragen: (1) Fühlen Sie sich in das Internet vertieft (erinnern Sie sich an frühere Online-Aktivitäten oder die gewünschte nächste Online-Sitzung)? (2) Sind Sie mit der Internetnutzung zufrieden, wenn Sie Ihre Online-Zeit erhöhen? (3) Haben Sie es wiederholt versäumt, die Internetnutzung zu kontrollieren, einzuschränken oder damit aufzuhören? (4) Fühlen Sie sich nervös, launisch, deprimiert oder empfindlich, wenn Sie versuchen, die Internetnutzung zu reduzieren oder ganz damit aufzuhören? (5) Bleiben Sie länger online als ursprünglich geplant? (6) Sind Sie das Risiko eingegangen, aufgrund des Internets eine wichtige Beziehung, einen Job, eine Ausbildung oder eine Karrierechance zu verlieren? (7) Haben Sie Ihre Familienangehörigen, Ihren Therapeuten oder andere angelogen, um die Wahrheit über Ihre Beteiligung am Internet zu verbergen? (8) Nutzen Sie das Internet, um Problemen zu entfliehen oder eine ängstliche Stimmung zu lindern (z. B. Gefühle der Hilflosigkeit, Schuldgefühle, Ängste oder Depressionen)? Alle acht Fragen wurden ins Chinesische übersetzt. Young behauptete, dass fünf oder mehr „Ja“-Antworten auf die acht Fragen auf einen internetabhängigen Benutzer hindeuteten [16]. Später modifizierten Beard und Wolf die YDQ-Kriterien [29], und Befragte, die die Fragen 1 bis 5 und mindestens eine der verbleibenden drei Fragen mit „Ja“ beantworteten, wurden als internetabhängig eingestuft, was für das Screening der Probanden in der vorliegenden Studie herangezogen wurde. Da die Sucht ein schleichender Prozess war, untersuchten wir, ob es lineare Veränderungen in der Gehirnstruktur gab oder nicht. Die Dauer der Erkrankung wurde über eine retrospektive Diagnose abgeschätzt. 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 IAD-Probanden verbrachten 10.2 ± 2.6 Stunden pro Tag mit Online-Spielen. Die Internetnutzungstage pro Woche betrugen 6.3 ± 0.5. Wir haben auch die Informationen der Mitbewohner und Klassenkameraden der IAD-Probanden überprüft, die oft darauf bestanden, bis spät in die Nacht im Internet zu sein, was trotz der Konsequenzen das Leben anderer störte. Achtzehn alters- und geschlechtsangepasste (p>0.01) gesunde Kontrollpersonen (12 Männer, Durchschnittsalter = 19.5 ± 2.8 Jahre, Bildung 13.3 ± 2.0 Jahre) ohne persönliche oder familiäre Vorgeschichte psychiatrischer Störungen nahmen ebenfalls an unserer Studie teil. Laut einer früheren IAD-Studie [19]haben wir gesunde Kontrollpersonen ausgewählt, die weniger als 2 Stunden pro Tag im Internet verbrachten. Die gesunden Kontrollpersonen wurden auch mit den von Beard und Wolf modifizierten YDQ-Kriterien getestet, um sicherzustellen, dass sie nicht an IAD litten. Alle überprüften rekrutierten Teilnehmer waren chinesische Muttersprachler, konsumierten nie illegale Substanzen 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 Störung; (2) Alkohol-, Nikotin- oder Drogenmissbrauch; (3) Schwangerschaft oder Menstruation bei Frauen; und (4) jede körperliche Erkrankung wie ein Gehirntumor, Hepatitis oder Epilepsie, wie anhand klinischer Untersuchungen und medizinischer Unterlagen beurteilt. Darüber hinaus wurden die Self-Rating Anxiety Scale (SAS) und die Self-Rating Depression Scale (SDS) verwendet, um die emotionalen Zustände aller Teilnehmer am Tag der Scans zu bewerten. Alle Patienten und gesunden Kontrollpersonen gaben eine schriftliche Einverständniserklärung. Detailliertere demografische Informationen wurden in angegeben Tabelle 1.

2.2 Methodik der Bildgebung des Gehirns und Datenanalyse

2.2.1 Scanparameter.

Bilddaten wurden mit einem 3T-Siemens-Scanner (Allegra; Siemens Medical System) im Huaxi MR Research Center, West China Hospital der Sichuan University, Chengdu, China, durchgeführt. Es wurde eine standardmäßige Birdcage-Kopfspule zusammen mit zurückhaltenden Schaumstoffpolstern verwendet, um Kopfbewegungen zu minimieren und Scannergeräusche zu verringern. Bildsequenzen wurden mittels diffusionsgewichteter Bildgebung mit Einzelbild-Echo-Planar-Bildgebung in Ausrichtung auf die anterior-posteriore Kommissurebene aufgenommen. Diffusionstensorbilder wurden mit 2 Mittelwerten aufgenommen. Die Diffusionssensibilisierungsgradienten wurden entlang 30 nichtlinearen Richtungen angewendet (b = 1000 s/mm).²) zusammen mit einer Aufnahme ohne Diffusionsgewichtung (b = 0 s/mm).²). Die Bildgebungsparameter waren 45 kontinuierliche axiale Schichten mit einer Schichtdicke von 3 mm und ohne Lücke, Sichtfeld = 240 × 240 mm², Wiederholungszeit/Echozeit = 6800/93 ms, Erfassungsmatrix = 128×128. Darüber hinaus wurden die axialen 3D-T1-gewichteten Bilder mit einer Spoiled-Gradient-Recall-Sequenz und den folgenden Parametern erhalten: TR = 1900 ms; TE = 2.26 ms; Flipwinkel = 9⁰; Auflösung der Matrix in der Ebene = 256×256; Scheiben = 176; Sichtfeld = 256 mm; Voxelgröße = 1×1×1 mm.

2.2.2 VBM.

Strukturdaten wurden mit einem FSL-VBM-Protokoll verarbeitet [30], [31] mit FSL 4.1-Software [32]. Zunächst wurden alle T1-Bilder mit dem Brain Extracting Tool (BET) gehirnextrahiert. [33]. Als nächstes wurde die Gewebetypsegmentierung mit dem automatisierten Segmentierungstool (FAST) V4.1 von FMRIB durchgeführt [34]. Die resultierenden Teilvolumenbilder der grauen Substanz wurden dann mit dem linearen Bildregistrierungstool (FLIRT) des FMRIB auf den MNI152-Standardraum ausgerichtet. [35], [36], optional gefolgt von einer nichtlinearen Registrierung mit dem nichtlinearen Bildregistrierungstool (FNIRT) des FMRIB. [37], [38], das eine B-Spline-Darstellung des Registrierungs-Warp-Feldes verwendet [39]. Die resultierenden Bilder wurden gemittelt, um eine studienspezifische Vorlage zu erstellen, in der die nativen Bilder der grauen Substanz dann nichtlinear neu registriert wurden. Das optimierte Protokoll führte aufgrund der nichtlinearen Komponente der Transformation eine Modulation für die Kontraktion/Vergrößerung ein: Jedes Voxel des registrierten Bildes der grauen Substanz wurde durch den Jacobi-Wert des Warp-Feldes geteilt. Um schließlich den besten Glättungskern auszuwählen, wurden alle 32 modulierten, normalisierten Volumenbilder der grauen Substanz mit isotropen Gaußschen Kernen geglättet, deren Größe zunahm (Sigma = 2.5, 3, 3.5 und 4 mm, entsprechend 6, 7, 8). bzw. 9.2 mm FWHM). Regionale Veränderungen der grauen Substanz wurden mithilfe permutationsbasierter, nichtparametrischer Tests mit 5000 zufälligen Permutationen bewertet [40]. Die Kovarianzanalyse (ANCOVA) wurde mit Alter, Geschlechtseffekten und dem gesamten intrakraniellen Volumen als Kovariaten durchgeführt. Das gesamte intrakranielle Volumen wurde als Summe der Volumina der grauen Substanz, der weißen Substanz und der Liquor cerebrospinalis aus FSL-BET-Segmentierungen berechnet. Kürzlich haben Dong et al. fanden heraus, dass die Depressions- und Angstwerte bei einigen College-Studenten nach der Sucht signifikant höher waren als vor der Sucht, und sie schlugen vor, dass dies Ergebnisse von IAD waren, weshalb SAS und SDS nicht als Störfaktoren berücksichtigt wurden [41]. Die Korrektur für Mehrfachvergleiche wurde mithilfe einer Cluster-basierten Schwellenwertmethode durchgeführt, wobei ein anfänglicher Cluster einen Schwellenwert bei t = 2.0 bildete. Die Ergebnisse wurden als signifikant angesehen p<0.05. Für die Regionen, in denen IAD-Probanden ein signifikant anderes Volumen an grauer Substanz als die Kontrollpersonen aufwiesen, wurden die Volumina an grauer Substanz dieser Bereiche extrahiert, gemittelt und gegen die Dauer der Internetsucht regressiert.

2.2.3 DTI.

Wir haben den FA-Wert für jedes Voxel berechnet, der den Grad der Diffusionsanisotropie innerhalb eines Voxels widerspiegelt (Bereich 0–1, wobei kleinere Werte eine stärkere isotrope Diffusion und weniger Kohärenz anzeigen und große Werte eine Richtungsabhängigkeit der Brownschen Bewegung aufgrund von Bahnen der weißen Substanz anzeigen). [42]. Für die FA-Berechnung wurde die FDT-Software in FSL 4.1 verwendet [32]. Zunächst erfolgte die Korrektur von Wirbelströmen und Kopfbewegungen mittels affiner Registrierung am ersten nicht diffusionsgewichteten Volumen jedes Probanden. FA-Bilder wurden erstellt, indem der Diffusionstensor an die rohen Diffusionsdaten nach der Gehirnextraktion mittels BET angepasst wurde [33]. Anschließend wurde eine voxelweise statistische Analyse der FA-Daten unter Verwendung des Tract-based Spatial Statistics (TBSS) V1.2-Teils von FSL durchgeführt [43], [44]. FA-Bilder aller Probanden (IAD-Probanden und gesunde Kontrollpersonen) wurden von FNIRT zu einem FMRIB58_FA-Standardraumbild neu ausgerichtet [37], [38] unter Verwendung einer B-Spline-Darstellung des Registrierungs-Warp-Feldes [39]. Anschließend wurde das mittlere FA-Bild erstellt und ausgedünnt, um ein mittleres FA-Skelett (Schwellenwert 0.2) zu erstellen, das die Zentren aller der Gruppe gemeinsamen Traktate darstellt. Die ausgerichteten FA-Daten jedes Probanden wurden dann auf dieses Skelett zurückprojiziert. Änderungen des FA-Werts der weißen Substanz wurden mithilfe permutationsbasierter, nichtparametrischer Tests bewertet [40] mit 5000 zufälligen Permutationen. ANCOVA wurde mit Alters- und Geschlechtseffekten als Kovariaten verwendet. Die Korrektur für Mehrfachvergleiche wurde mithilfe einer Cluster-basierten Schwellenwertmethode mit einem anfänglichen Schwellenwert für die Clusterbildung von t = 2.0 durchgeführt. Die Ergebnisse wurden als signifikant angesehen p<0.05. Für die Cluster, bei denen sich die FA-Werte der Probanden mit Internetsucht signifikant von denen der Kontrollpersonen unterschieden, wurden die FA dieser Gehirnregionen 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.

Die Ergebnisse

3.1 VBM-Ergebnisse

Regionale Volumenänderungen der grauen Substanz wurden nichtparametrisch unter Verwendung optimierter VBM bewertet. Die Korrektur für Mehrfachvergleiche wurde mithilfe einer Cluster-basierten Schwellenwertmethode durchgeführt. Der VBM-Vergleich zwischen IAD-Probanden und entsprechenden gesunden Kontrollpersonen zeigte nach Kontrolle auf mögliche Störfaktoren ein verringertes Volumen der grauen Substanz in mehreren Clustern, d Variablen wie Alter, Geschlechtseffekte und gesamtes intrakranielles Volumen. Die Volumina der grauen Substanz des rechten DLPFC, des linken rACC und des rechten SMA zeigten eine negative Korrelation mit Monaten der Internetsucht (r1 = −0.7256, p1 < 0.005; r2 = −0.7409, p2 < 0.005; r3 = −0.6451, p3 < 0.005). Keine Gehirnregion zeigte ein höheres Volumen an grauer Substanz als gesunde Kontrollpersonen, wie in gezeigt Figure 1 und Tabelle 2

  

 

 

 

 

 

 

 

 

 

Abbildung 1. VBM-Ergebnisse.

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

  

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Tabelle 2. Regionen, die ein abnormales Volumen der grauen Substanz und FA der weißen Substanz (fraktionierte Anisotropie) zwischen Probanden mit Internetsucht (IAD) und gesunden Kontrollpersonen aufwiesen (p<0.05 korrigiert).

doi: 10.1371 / journal.pone.0020708.t002

3.2 DTI-Ergebnisse

Im Hinblick auf die DTI-Datenanalyse wurde die Korrektur für Mehrfachvergleiche mithilfe der Cluster-basierten Schwellenwertmethode durchgeführt. Unsere TBSS-Ergebnisse zeigten einen erhöhten FA-Wert (IAD: 0.78 ± 0.04; Kontrolle: 0.56 ± 0.02) des linken hinteren Gliedes der inneren Kapsel (PLIC) bei IAD-Probanden im Vergleich zu gesunden Kontrollpersonen und einen verringerten FA-Wert (IAD: 0.31 ± 0.04; Kontrolle: 0.48 ± 0.03) in der weißen Substanz im rechten Gyrus parahippocampus (PHG), wie in gezeigt Figure 2 und Tabelle 2. Darüber hinaus korrelierte der FA tendenziell positiv mit der Dauer der Internetsucht im linken PLIC (r = 0.5869, p < 0.05), wohingegen keine signifikante Korrelation zwischen dem FA-Wert des rechten PHG und der Dauer der Internetsucht beobachtet wurde

  

 

 

 

 

 

 

 

 

 

 

 

 

Abbildung 2. DTI-Ergebnisse.

A. Strukturen der weißen Substanz, die bei IAD-Patienten eine abnormale FA zeigen (1-p) korrigiert p-wertvolle Bilder. Das Hintergrundbild ist die Standardvorlage FMRIB58_FA_1mm in FSL. Rot-gelbe Voxel stellen Regionen dar, in denen die FA bei IAD im Vergleich zu gesunden Kontrollpersonen signifikant verringert war. Blau-hellblaue Voxel stehen für eine erhöhte FA bei IAD. B. Der FA des 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 Top

IAD führte bei Jugendlichen zu einer Beeinträchtigung des individuellen psychischen Wohlbefindens, schulischem Versagen und verminderter Arbeitsleistung [12]-[18]. Derzeit gibt es jedoch keine standardisierte Behandlung für IAD. Um wirksame Methoden zur Intervention und Behandlung von IAD zu entwickeln, muss zunächst ein klares Verständnis der Mechanismen geschaffen werden. Die Kenntnis der strukturellen Anomalien des Gehirns bei IAD ist von entscheidender Bedeutung für die Identifizierung möglicher Pharmakotherapien zur Behandlung dieser Störung. In der vorliegenden Studie haben wir Veränderungen des Volumens der grauen Substanz und Veränderungen der FA der weißen Substanz bei Jugendlichen mit IAD entdeckt. Wir haben auch den Zusammenhang zwischen diesen strukturellen Anomalien und der Dauer der Internetsucht aufgezeigt. Wir vermuteten, dass IAD bei Jugendlichen zu strukturellen Veränderungen im Gehirn führte und diese strukturellen Anomalien wahrscheinlich mit funktionellen Beeinträchtigungen der kognitiven Kontrolle verbunden waren.

4.1 VBM-Ergebnisse

Im Einklang mit einer früheren VBM-Studie [21]Wir fanden keine Gehirnregionen, die bei Internetabhängigen ein erhöhtes Volumen an grauer Substanz aufwiesen. Ein regionaler Vergleich des Volumens der grauen Substanz zeigte eine Atrophie innerhalb mehrerer Cluster für die gesamte Gruppe der Internetsüchtigen (p < 0.05, korrigiert), bei denen es sich um das bilaterale DLPFC, SMA, Kleinhirn, OFC und das linke rACC handelte (wie in gezeigt). Figure 1). Darüber hinaus korrelierte die Atrophie des rechten DLPFC, des linken rACC und des rechten SMA negativ mit der Dauer der Internetsucht, was Zhou et al. konnte nicht erkannt werden [21]. Diese Ergebnisse zeigten, dass die Hirnatrophie von DLPFC, rACC und SMA mit fortbestehender Internetsucht schwerwiegender war. Einige Ergebnisse zur Hirnatrophie in unserer Studie unterschieden sich von früheren Ergebnissen [21], was an den unterschiedlichen Datenverarbeitungsmethoden liegen kann. In der vorliegenden Studie wurden die möglichen Störeffekte von Alter, Geschlecht und dem gesamten Gehirnvolumen als Kovariaten einbezogen, die in der vorherigen Studie nicht berücksichtigt wurden. Möglicherweise führten die unterschiedlichen Verarbeitungsmethoden zu den unterschiedlichen Befunden.

Laut früheren Drogenabhängigkeitsstudien handelt es sich um einen langfristigen Substanzmissbrauch [45], [46] und Internetsucht [11], [20] führt zu einer Beeinträchtigung der kognitiven Kontrolle. Kognitive Kontrolle kann als die Fähigkeit konzeptualisiert werden, präpotente, aber falsche Reaktionen zu unterdrücken und irrelevante Informationen aus einem Reizsatz herauszufiltern und geeignete Aktionen zu ermöglichen, um komplizierte Aufgabenanforderungen zu erfüllen und sich an sich ändernde Umgebungen anzupassen [47]. Zahlreiche funktionelle Bildgebungsstudien des Gehirns haben gezeigt, dass DLPFC und rACC zentral an der kognitiven Kontrolle beteiligt sind [48], [49]. Verschiedene neurokognitive Studien haben gezeigt, dass die kognitive Kontrolle mit einem bestimmten kortiko-subkortikalen Schaltkreis, einschließlich rACC und DLPFC, zusammenhängt [50], [51]. Nach einer prominenten Konfliktüberwachungshypothese [47], [52], wird das Auftreten eines Reaktionskonflikts durch den rACC signalisiert, was zur Rekrutierung des DLPFC für mehr kognitive Kontrolle für die nachfolgende Leistung führt. Diese wichtige Rolle des DLPFC wurde in der neurowissenschaftlichen Forschung bei Top-Down-Regulationsprozessen der kognitiven Kontrolle identifiziert [53]. Neuere Neuroimaging-Studien haben auch eine Deaktivierung des rACC in einer GO/NOGO-Aufgabe bei heroinabhängigen Personen gezeigt [54], [55] und Kokainkonsumenten [45], was auf die entscheidende Rolle des rACC bei der kognitiven Kontrolle hinweist [46].

Es wird auch angenommen, dass der OFC durch die Beurteilung der Motivationsbedeutung von Reizen und die Auswahl von Verhalten zur Erzielung gewünschter Ergebnisse zur kognitiven Kontrolle zielgerichteten Verhaltens beiträgt [56]. Der OFC hat umfangreiche Verbindungen zum Striatum und zu limbischen Regionen (wie der Amygdala). Dadurch ist der OFC gut geeignet, die Aktivität mehrerer limbischer und subkortikaler Bereiche zu integrieren, die mit Motivationsverhalten und Belohnungsverarbeitung verbunden sind [57]. Einige Tierstudien haben gezeigt, dass eine Schädigung sowohl des OFC als auch des prälimbischen Kortex der Ratte (das funktionelle Homolog des menschlichen DLPFC) den Erwerb und die Änderung von Verhalten beeinträchtigt, das durch Kontingenzen zwischen Reaktionen und Ergebnissen gesteuert wird, was darauf hindeutet, dass diese Regionen möglicherweise von entscheidender Bedeutung für das sind kognitive Kontrolle zielgerichteten Verhaltens [56], [58].

Der SMA ist entscheidend für die Auswahl eines angemessenen Verhaltens, unabhängig davon, ob er sich dafür entscheidet, eine angemessene Reaktion auszuführen oder eine unangemessene Reaktion zu verhindern [59]. Einige Forscher stellten fest, dass sowohl einfache als auch komplexe GO/NOGO-Aufgaben an der SMA beteiligt waren, und zeigten die wichtige Rolle der SMA bei der Vermittlung der kognitiven Kontrolle auf [46], [60].

Mehrere anatomische, physiologische und funktionelle Bildgebungsstudien legen nahe, dass das Kleinhirn zu kognitiven Funktionen höherer Ordnung beiträgt [61]-[64], mit diskreten Läsionen des Kleinhirns, die zu einer Beeinträchtigung der exekutiven Funktionen und des Arbeitsgedächtnisses führen, sogar zu Persönlichkeitsveränderungen wie enthemmtem und unangemessenem Verhalten.

Unsere Ergebnisse (Figure 1) des reduzierten Volumens der grauen Substanz in DLPFC, rACC, OFC, SMA und Kleinhirn können zumindest teilweise mit kognitiven Kontroll- und zielgerichteten Verhaltensstörungen bei Internetsucht verbunden sein [15], [19], [20], [28], was grundlegende Symptome der Internetsucht erklären könnte.

4.2 DTI-Ergebnisse

Wir haben den FA-Wert in jedem Voxel der weißen Substanz für jedes Subjekt berechnet, der die Stärke der Direktionalität der lokalen Mikrostruktur des Trakts quantifizierte. Der voxelweise Vergleich des gesamten Gehirns mit dem Skelett der weißen Substanz unter Verwendung von Permutationstests und strengen statistischen Schwellenwerten zeigte, dass IAD-Probanden niedrigere FA-Werte in einem Cluster innerhalb des rechten PHG aufwiesen (p < 0.05, korrigiert). Andererseits zeigte die Suche nach erhöhtem FA bei IAD-Probanden, dass IAD-Probanden 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 (Figure 2).

Das PHG ist eine Gehirnregion, die den Hippocampus umgibt und eine wichtige Rolle bei der Kodierung und dem Abruf von Erinnerungen spielt [65], [66]. Das PHG stellt über die entorhinalen Verbindungen den wichtigsten polysensorischen Input für den Hippocampus bereit und ist Empfänger verschiedener Kombinationen sensorischer Informationen [67], [68], die an der Wahrnehmung und emotionalen Regulierung beteiligt sind [69]. Kürzlich haben einige Forscher vorgeschlagen, dass das richtige PHG zur Bildung und Aufrechterhaltung gebundener Informationen im Arbeitsgedächtnis beiträgt [70]. Das Arbeitsgedächtnis dient der vorübergehenden Speicherung und Online-Bearbeitung von Informationen und ist für die kognitive Kontrolle von entscheidender Bedeutung [71]. Die Feststellung, dass der niedrigere FA-Wert des PHG bei IAD-Patienten zeigte, dass abnormale Eigenschaften der weißen Substanz möglicherweise die strukturelle Grundlage für funktionelle Defizite des Arbeitsgedächtnisses bei IAD-Patienten sind [19]. Kürzlich haben Liu et al. [72] berichteten von einem erhöhten ReHo im bilateralen PHG bei IAD-College-Studenten im Vergleich zu den Kontrollpersonen und legten nahe, dass dieses Ergebnis die funktionelle Veränderung im Gehirn widerspiegelte, die möglicherweise mit den Belohnungswegen zusammenhängt. Offensichtlich ist noch mehr Arbeit 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.

Zusammenfassung

Wir haben Beweise dafür vorgelegt, dass IAD-Patienten mehrere strukturelle Veränderungen im Gehirn aufwiesen. Die Atrophie der grauen Substanz und die FA-Veränderungen der weißen Substanz einiger Gehirnregionen korrelierten signifikant mit der Dauer der Internetsucht. Diese Ergebnisse können zumindest teilweise als funktionelle Beeinträchtigung der kognitiven Kontrolle bei IAD interpretiert werden. Die Anomalien des präfrontalen Kortex stimmten mit früheren Drogenmissbrauchsstudien überein [23], [48], [80], [81]Daher vermuten wir, dass es möglicherweise teilweise überlappende Mechanismen bei IAD und Substanzkonsum gibt. Wir hofften, dass unsere Ergebnisse unser Verständnis von IAD erweitern und zur Verbesserung der Diagnose und Prävention von IAD beitragen werden.

Anerkennungen Top

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

Bibliographie Top

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.