Netzwerkbasierte Analyse zeigt funktionale Konnektivität in Verbindung mit Internetsucht Tendenz (2016)

Vorderhum Neurosci. 2016; 10: 6.

Veröffentlicht online 2016 Feb 1. doi: 10.3389 / fnhum.2016.00006

PMCID: PMC4740778

Tanya Wen^1,^2,^* und Shulan Hsieh^1,^3,^4,^*

Autoreninformation ► Artikel Anmerkungen ► Urheber- und Lizenzinformationen ►

Abstrakt

Beschäftigung und zwanghafte Nutzung des Internets können negative psychologische Auswirkungen haben, so dass es zunehmend als psychische Störung erkannt wird. In der vorliegenden Studie wurde anhand netzwerkbasierter Statistiken untersucht, wie funktionelle Verbindungen im Gesamtzusammenhang mit dem Grad der Internetabhängigkeit eines Individuums zusammenhängen, die durch einen selbstbewerteten Fragebogen indiziert werden. Wir identifizierten zwei topologisch signifikante Netzwerke, eines mit Verbindungen, die positiv mit der Tendenz zur Internetabhängigkeit korrelieren, und eines mit Verbindungen, die negativ mit der Tendenz zur Internetabhängigkeit korrelieren. Die beiden Netzwerke sind hauptsächlich in frontalen Regionen miteinander verbunden, was Veränderungen in der Frontalregion für verschiedene Aspekte der kognitiven Kontrolle (dh für die Kontrolle der Internetnutzung und Spielfähigkeiten) widerspiegeln könnte. Als nächstes kategorisierten wir das Gehirn in mehrere große regionale Untergruppen und stellten fest, dass die Mehrheit der Verbindungsanteile in den beiden Netzwerken dem zerebellären Suchtmodell entspricht, das das Vier-Kreislauf-Modell umfasst.

Schließlich haben wir beobachtet, dass die Gehirnregionen mit den meisten interregionalen Verbindungen, die mit der Tendenz zur Internetabhängigkeit assoziiert sind, jene reproduzieren, die oft in der Suchtliteratur zu finden sind, und dies wird durch unsere Metaanalyse von Internet-Suchtstudien bestätigt. Diese Forschung bietet ein besseres Verständnis von großen Netzwerken, die an der Internet-Suchttendenz beteiligt sind, und zeigt, dass vorklinische Niveaus der Internetabhängigkeit mit ähnlichen Regionen und Verbindungen wie klinische Fälle von Abhängigkeit assoziiert sind.

Stichwort: Internetabhängigkeit, netzwerkbasierte Statistik, funktionale Konnektivität, Ruhezustand, Meta-Analyse

Einleitung

Internetsucht (OReilly, 1996; Jung, 1998) ist ein modernes Phänomen, das durch Beschäftigung und zwanghafte Nutzung des Internets gekennzeichnet ist. Insbesondere wurde die Internet Gaming Disorder (IGD) in Abschnitt III der Diagnostic and Statistical Manual Version 5 (DSM-5^®, American Psychiatric Association [APA], 2013). Aufgrund des Fehlens eines Standardkriteriums wurde in einigen Veröffentlichungen die zwei Begriffe synonym behandelt (vgl Petry und O'Brien, 2013; Petry et al., 2014 für eine Diskussion); Allerdings ist die zwanghafte und exzessive Nutzung des Internets für jede Aktivität (die wir in dieser Literatur als Internetsucht bezeichnen) globaler als die des Hauptuntertyps IGD, die neben Online-Spielen auch mehrere Formen der Internetnutzung umfassen kann (Griffiths und Pontes, 2014; Király et al., 2014; Petry et al., 2014). Unsere aktuelle Studie untersucht Internetsucht in der allgemeineren Form. Ähnlich wie Drogenkonsumstörungen zeigt die Internetabhängigkeit Entzugssymptome, Toleranz, Kontrollverlust und psychosoziale Probleme, die zu klinisch bedeutsamen Störungen oder Beeinträchtigungen des täglichen Funktionierens führen. Die Prävalenz scheint in asiatischen Ländern und bei männlichen Jugendlichen am höchsten zu sein. Schätzungen zufolge liegt der Anteil der XENUMX- bis 14.1-% (16.5-Prozent-Konfidenzintervall) unter den taiwanesischen Studenten in einer Studie (Lin et al., 2011). Das Phänomen hat in den letzten Jahren mehr Beachtung gefunden und verdient weitere Forschung.

Die funktionelle Magnetresonanztomographie (fMRT) wurde eingesetzt, um die neuronalen Substrate der Internetabhängigkeit zu identifizieren, die ähnliche Substanzsyndrome mit Substanzabhängigkeit aufwiesen (Kuss und Griffiths, 2012; Marke et al., 2014; Meng et al., 2015). In blockierten und ereignisbezogenen Studien wurden mehrere Regionen, die mit Belohnung, Sucht und Verlangen assoziiert sind, durch die Gegenüberstellung von Internet-Gaming-Hinweisen mit Baseline identifiziert, darunter die Insula, Nucleus Accumbens (NAc), dorsolateraler präfrontaler Cortex (DLPFC) und Orbitalfrontal Kortex (OFC) (Höft et al., 2008; Ko et al., 2009; Han et al., 2010; Sun et al., 2012; Ko et al., 2013). Aktivierungsbasierte Ansätze stehen jedoch in Zusammenhang mit aktivitätsbezogener Aktivität und behandeln nicht, wie Regionen des Gehirns interagieren, und können somit keine veränderten funktionellen Verbindungen charakterisieren, die mit klinischen oder verhaltensbezogenen Maßnahmen assoziiert sind. doch menschliche Störungen sind das Ergebnis von Störungen in einem miteinander verbundenen komplexen System (Fornito und Bullmore, 2015). Die Einführung von fMRI im Ruhezustand hat sich als ein leistungsfähiges Werkzeug zur Untersuchung der neuronalen Konnektivität des gesamten Gehirns erwiesen (van den Heuvel und Pol, 2010). Die funktionale Konnektivität im Ruhezustand wird durch die Korrelation von spontanen Schwankungen der Blutsauerstoffspiegel-abhängigen (BOLD) Signale in verschiedenen Regionen des Gehirns beurteilt und soll ein Maß für ihre funktionelle Organisation sein und dazu beitragen, abnormale Synchronisationen zwischen Hirnregionen zu charakterisieren im Spektrum der psychologischen Phänotypen (Biswal et al., 2010; Craddock et al., 2013).

Obwohl es einige Studien gab, die funktionelle Konnektivität zur Untersuchung der mit der Internetabhängigkeit verbundenen veränderten funktionellen Konnektivität verwendeten, verwendeten die meisten Studien a priori ausgewählte Samenregionen, entweder (a) eine Samenregion mit den restlichen Voxeln des gesamten Gehirns korrelierend [Höft et al., 2008 benutzte den NAc; Lorenz et al., 2013 benutzte den rechten inferioren frontalen Gyrus (IFG); Ding et al., 2013 verwendete den posterioren cingulären Cortex (PCC); Ko et al., 2015 benutzte die Amygdala; Zhang et al. 2015 benutzte die Insel; Hong et al., 2015 verwendete den Nucleus caudatus und Putamen; Kühn und Gallinat, 2015 benutzte den rechten vorderen Pfosten; Li et al., 2015 verwendet die richtige DLPFC] oder (b) führt Korrelationen zwischen mehreren vordefinierten ROIs aus, die aus sinnvollen Netzwerken ausgewählt wurden (Yuan et al., 2015 untersuchte das zentrale Executive Network und das Salience Network; Dong et al., 2015b untersuchte das ausführende Kontrollnetz; Dong et al., 2015a untersuchte das exekutive Kontrollnetz und das Belohnungsnetzwerk; Li et al., 2014 untersuchte das Antwort-Inhibitions-Netzwerk; Lin et al., 2015 untersuchten sechs vordefinierte bilaterale kortikostriatale ROIs). Die vordefinierten Samenregionen, die untersucht werden, stellen nur einen kleinen Anteil des Gehirns dar und können daher möglicherweise kein vollständiges Bild darüber liefern, wie das Connectom von der Internetabhängigkeit betroffen ist.

Nur sehr wenige Studien haben einen ganzheitlichen Ansatz zur Untersuchung der Internetabhängigkeit verwendet. Nach unserem Kenntnisstand gibt es derzeit nur vier veröffentlichte Artikel, die einen Ganzhirnansatz verfolgen, und ihre Methoden sind sehr unterschiedlich und reichen von netzwerkbasierten Statistiken (NBS; Hong et al., 2013) zu topologischen (Hong et al., 2013; Wee et al., 2014; Park et al., 2015) zu einer neuartigen Voxel-gespiegelten homotopen Konnektivität (Wang et al., 2015). Im Speziellen, Hong et al. (2013) NBS eingesetzt, um zwischen den Gruppen Unterschiede in der interregionalen funktionalen Konnektivität zu identifizieren, und festgestellt, beeinträchtigte Verbindungen in kortiko-subkortikalen Schaltungen bei Patienten mit Internet-Sucht beteiligt. Ihre Studie konzentrierte sich jedoch auf eine kleine Stichprobengröße einer einzigartigen Population (männliche frühe Jugendliche).

Daher haben wir uns in unserer aktuellen Arbeit dazu entschlossen, einen Ansatz für das gesamte Gehirn zu verwenden, NBS (Zalesky et al., 2010a; Han et al., 2013), um funktionelle Zusammenhänge zu identifizieren, die eine Tendenz zur Internetabhängigkeit vorhersagen. NBS ist eine validierte statistische Methode, um das Problem der Mehrfachvergleiche in einem Graphen zu lösen. Es ist analog zu Cluster-basierten Methoden (Nichols und Holmes, 2002), und wird verwendet, um Verbindungen und Netzwerke zu identifizieren, die das menschliche Connectom umfassen, die mit einem experimentellen Effekt oder einer Differenz zwischen den Gruppen assoziiert sind, indem die Hypothese unabhängig bei jeder Verbindung getestet wird. Unsere Ergebnisse werden darüber hinaus mit einer Meta-Analyse von bestehenden Arbeiten verglichen, die sich auf die neuronalen Korrelate der Internetsucht beziehen. Wir hoffen, die bestehende Literatur auf mehrere Arten zu erweitern: (1) Wir hoffen, ein vollständigeres Bild der Internetabhängigkeit zu liefern, indem wir eine Ganzhirnanalyse verwenden, anstatt nur eine kleine Anzahl von vordefinierten Samenregionen zu verwenden. (2) Obwohl es eine Reihe von Studien zur funktionellen Vernetzung des gesamten Gehirns gibt, Hong et al., 2013; Wang et al., 2015), verglichen die Studien Internet Suchtgruppen mit gesunden Kontrollen. Unsere Studie umfasste keine klinischen Patienten, charakterisierte jedoch die Neigung zur Internetabhängigkeit als Gradient. Wir hoffen funktionelle Verbindungen zu identifizieren, deren Stärke von der Sucht abhängig ist. (3) Die meisten Internet-Suchtstudien haben das Kleinhirn nicht berücksichtigt, aber das Kleinhirn wurde als eine wichtige Region in der Sucht (Moultonet al., 2014). Daher haben wir das Kleinhirn in unsere Analyse einbezogen. (4) Viele Studien haben ihre Teilnehmergruppe auf Männer beschränkt und enthalten oft relativ kleine Stichprobengrößen (z. B. Hong et al., 2013, 2015; Kühn und Gallinat, 2015). Um die Generalisierbarkeit und Leistungsfähigkeit dieser Studien zu erhöhen, sind Stichproben mit beiden Geschlechtern und einer größeren Stichprobengröße erforderlich (Li et al., 2015). Durch die Bewältigung der oben genannten Probleme hofft die vorliegende Studie, ein besseres Verständnis dafür zu vermitteln, wie funktionale Konnektivität mit der Tendenz zur Internetsucht verbunden ist.

Materialen und Methoden

Meta-Analyse

Eine Meta-Analyse wurde mit der NeuroSynth-Datenbank erstellt (http://neurosynth.org; Yarkoni et al., 2011). Eine angepasste Analyse wurde durchgeführt, indem die Suchbegriffe "Sucht", "Süchtige", "Internet", "Spiel", "Spiel" und "Online" verwendet wurden, um Studien im Zusammenhang mit Internetsucht in der Datenbank zu identifizieren. Die Kriterien für die Aufnahme wurden manuell überprüft, und eine Liste der eingeschlossenen Studien ist im Supplementary Materials 1 aufgeführt. Insgesamt wurden 18-Studien eingeschlossen. Die Peakaktivierungskoordinaten sowie die Umgebung von 6 mm Voxeln wurden aus den eingeschlossenen Studien extrahiert. Als nächstes wurde eine Meta-Analyse dieser Koordinaten durchgeführt, die Vorwärts- und Weiterschluss-Ganzhirn ergab z-score Karten. Die Forward Inference Maps spiegeln die Wahrscheinlichkeit wider, dass eine Region unter diesen Bedingungen aktiviert wird.P(Aktivierung | Begriffe)] und informiert uns daher über die Konsistenz der Aktivierung für die gegebenen Bedingungen. Die umgekehrte Inferenzkarte zeigt die Wahrscheinlichkeit, dass diese Begriffe in einer Studie verwendet werden, wenn die Aktivierung gemeldet wird [P(Begriffe | Aktivierung)]; Daher weist eine aktivierte Region darauf hin, dass es sich eher um eine internetabhängigkeitsbezogene Studie als um eine Studie handelt, die nicht auf das Internet bezogen ist und die Selektivität dieser Region widerspiegelt. Da sowohl die Vorwärts- als auch die Rückwärtsinferenz eine wichtige Rolle beim Verständnis der mit der Internetabhängigkeit assoziierten Regionen spielt, überschnitten wir diese beiden Inferenzkarten, um ihre gemeinsamen Regionen zu skizzieren. Cluster, die größer als fünf Voxel sind, werden berichtet.

Resting-State fMRI

Teilnehmer

Siebenundvierzig gesunde Teilnehmer (21-Männer und 26-Frauen) aus Südtaiwan, von denen die meisten Studenten oder Mitarbeiter der Universität sind, wurden durch Werbung rekrutiert, um an dem Experiment teilzunehmen (Altersspanne = 19-29 Jahre, Durchschnittsalter = 22.87 Jahre, SD = 2.22 Jahre). Die Teilnehmer waren rechtshändig (angezeigt durch das Edinburgh Handedness Inventory), hatten ein normales oder korrigiertes bis normales Sehvermögen und keine Vorgeschichte von psychologischen oder neuralen Störungen. Ihre Depressions-, Angst- und Intelligenzwerte lagen im normalen Bereich [Beck's Depression Inventory (BDI) -Score: 0-12; Beck's Anxiety Inventory (BAI): 0-7; Raven's Standard Progressive Matrizen Testergebnis: 35-57]. Der von der Chen Internet Addiction Scale überarbeitete (CIAS-R) Score aller Teilnehmer hatte den Bereich = 28-92, Mittelwert = 60.04, SD = 16.53. Tisch Tabelle11 fasst die demografischen Informationen und Verhaltensmerkmale der Teilnehmer zusammen. Die Normalität der CIAS-R-Scores wurde durch den Shapiro-Wilk-Test verifiziert [W(47) = 0.98, p = 0.50]. Es gab keine signifikante Korrelation zwischen Geschlecht und CIAS-R-Score (Spearmans ρ = 0.15, p = 0.30). Alle Teilnehmer gaben ihre schriftliche Einverständniserklärung ab, und das Studienprotokoll wurde vom Institutional Review Board (IRB) des National Cheng Kung Universitätskrankenhauses, Tainan, Taiwan, genehmigt (NO: B-ER-101-144). Alle Teilnehmer erhielten 500 NTD nach Abschluss des Experiments.

Demographische Informationen und Verhaltensmerkmale.

Chen Internet Sucht Skala-überarbeitete (CIAS-R) Fragebogen

Die von Chen überarbeitete Internet-Sucht-Skala (CIAS-R; Chen et al., 2003) ist ein 26-Item, mit dem der Schweregrad der Internetabhängigkeit ermittelt wird. Das CIAS-R basiert auf den additiven Verhaltenskriterien DSM-IV-TR und enthält zwei Subskalen der Internetabhängigkeit (a) Kernsymptome und (b) verwandte Probleme, Bewertung von fünf Dimensionen einschließlich (1) zwanghafter Internetnutzung, (2) Entzug Symptome, wenn das Internet weggenommen wird, (3) Toleranz, (4) Gefährdung der zwischenmenschlichen Beziehungen und körperliche Gesundheit und (5) Zeitmanagement Probleme. Items werden auf einer 4-Point-Likert-Skala bewertet, wobei die Gesamtpunktzahlen von 26 bis 104 reichen, was eine niedrige bis hohe Tendenz der Internetabhängigkeit widerspiegelt. Es wurde gezeigt, dass das CIAS-R eine hohe interne Konsistenz aufweist (Cronbachs α = 0.79-0.93; Chen et al., 2003) und hohe diagnostische Genauigkeit (AUC = 89.6%; Ko et al., 2005). In der vorliegenden Studie wurde der CIAS-R-Gesamtwert als Indikator für den aktuellen Status der Internetneigung der Teilnehmer herangezogen.

Bilderfassung und -verarbeitung

Die Bildgebung wurde unter Verwendung des GE MR750 3T-Scanners (GE Healthcare, Waukesha, WI, USA) im MRI-Zentrum der National Cheng Kung University durchgeführt. Hochauflösende anatomische Bilder wurden mit Fast-SPGR, bestehend aus 166-Axialschnitten (TR = 7.6 ms, TE = 3.3 ms, Kippwinkel 171 = 12 °, 224-Matrizen × 224-Matrizen, Schichtdicke = 1 mm). Funktionelle Bilder wurden mit einer Gradienten-Echo-Echo-Planar-Imaging (EPI) -Pulssequenz (TR = 2000 ms, TE = 30 ms, Kippwinkel = 77 °, 64-Matrizen × 64-Matrizen, Schichtdicke = 4 mm, keine Lücke, Voxelgröße 3.4375 mm × 3.4375 mm × 4 mm, 32 axiale Schichten, die das gesamte Gehirn abdecken).

Die Teilnehmer sollten sich entspannen und mit geschlossenen Augen im Scanner liegen. Sie wurden gebeten, beim Scannen nicht an ein bestimmtes Ereignis zu denken. Die Abtastzeit für das strukturelle Bild betrug ungefähr 3.6 min. Das Funktionsbild dauerte ungefähr 8 min, wobei die ersten fünf TRs als Dummy-Scans dienten, um sicherzustellen, dass das Signal einen stabilen Zustand erreicht hat, bevor Daten gesammelt werden; Daher besteht ein Lauf aus 240 EPI-Volumenbildern zur Analyse.

Die Daten wurden mit dem Datenverarbeitungsassistenten für Ruhezustands-fMRI (DPARSF; Yan und Zang, 2010), die auf Funktionen in MRIcroN basiert (Rorden et al., 2007^¹) sowie die Software Statistical Parametric Mapping (SPM^²) und das Resting-State fMRI-Datenanalyse-Toolkit (REST; Song et al., 2011) in Matlab (The MathWorks, Inc., Natick, MA, USA). Funktionsbilder wurden einer Zeitkorrektur unterzogen, gefolgt von einer Neuausrichtung zur Korrektur der Kopfbewegung unter Verwendung von Starrkörpertransformationen mit sechs Parametern. Die Gesamtbewegung, charakterisiert durch mittlere bildweise Verschiebung (FD), war nicht groß (Mittelwert = 0.05, SD = 0.03) und korrelierte nicht mit den CIAS-R-Werten (Spearmans ρ = -0.28, p = 0.055), daher ist Impulsivität kein störender Faktor für den Score und dieKong et al., 2014). T1-Bilder wurden in funktionelle Bilder aufgenommen. Strukturbilder wurden in CSF, weiße Substanz und graue Substanz basierend auf Gewebewahrscheinlichkeitskarten im MNI-Raum segmentiert, und diese Berechnungen wurden bei der anschließenden Normalisierung von T1- und EPI-Bildern in den MNI-Raum verwendet. Die Daten wurden in der räumlichen Domäne unter Verwendung eines Gaußschen Kerns von 6 mm voller Breite bei halbem Maximum (FWHM) geglättet und von linearem Trend entfernt. Störungskovariaten, einschließlich des globalen mittleren Signals, des Signals der weißen Substanz und des Liquor-Signals, gingen zurück. Ob die globale Signalregression durchgeführt werden soll, ist jedoch nach wie vor eine kontroverse Saad et al., 2012), haben wir uns entschlossen, diese Methode zu implementieren, da vorgeschlagen wurde, die Spezifität funktionaler Korrelationen zu maximieren und die Übereinstimmung zwischen den Korrelationen im Ruhezustand und der Anatomie zu verbessern (Fox et al., 2009; Weissenbacher et al., 2009; Takeuchi et al., 2014). Schließlich wurden die Bilder einer Bandpassfilterung von 0.01-0.08 Hz unterzogen.

Datenanalyse

Die fMRI - Bilder wurden basierend auf dem Anatomical Automatic Labeling (AAL; Tzourio-Mazoyer et al., 2002) Vorlage, die das Gehirn basierend auf der anatomischen Struktur in 116 ROIs (oder Knoten) unterteilt. Wir haben uns für den AAL-Atlas entschieden, weil er in funktionalen Netzwerkstudien die am häufigsten verwendete Parzellierung war (Stanley et al., 2013) und war auch die Vorlage von Hong et al. (2013), dessen Studie für uns am relevantesten ist, wodurch der Grad der Vergleichbarkeit zwischen den Studien erhöht wird (Zalesky et al., 2010b). Die NBS-Methode wurde verwendet, um Gehirnnetzwerke zu identifizieren, die aus einer interregionalen funktionalen Konnektivität bestehen, die eine signifikante Korrelation mit dem CIAS-R-Score zeigt. Die folgenden Analysen wurden mit Hilfe der Network Based Statistic Toolbox (Zalesky et al., 2010a) mit zusätzlichen hauseigenen Matlab-Skripten. Eine 116 × 116-Korrelationsmatrix wurde für jeden Teilnehmer unter Verwendung der aus jeder ROI extrahierten Zeitverläufe erstellt. Die Pearson's r Werte wurden normalisiert auf Z Noten mit Fishers Z Transformation. Jede Zelle der Korrelationsmatrix repräsentiert die Stärke der Verbindung (oder Kante) zwischen zwei Knoten. Univariate Massentests unter Verwendung der Spearman-Rangkorrelation wurden zwischen den CIAS-R-Bewertungen der Teilnehmer und den Kantenstärken innerhalb jeder Kante durchgeführt, um relevante Verbindungen zu identifizieren, die die CIAS-R-Bewertung vorhersagen. Kandidatenkanten, die eine hohe Vorhersagbarkeit des CIAS-R-Scores zeigten, wurden über einen primären Schwellenwert von Spearmans Rho> 0.37 bzw. <-0.37 (ungefähr das einseitige Alpha = 0.005) ausgewählt, um Netzwerke zu identifizieren, die positiv und negativ mit CIAS- assoziiert sind. R-Punktzahl. Als nächstes wurden topologische Cluster, die als verbundene Graphkomponenten bekannt sind, unter den Verbindungen über dem Schwellenwert identifiziert. Ein familienweiser Fehler (FWE) für die Komponentengröße wurde unter Verwendung von Permutationstests (3000 Permutationen) berechnet, bei denen die CIAS-R-Scores zufällig neu angeordnet und der obige Prozess für jede Permutation wiederholt wurden, um eine Nullverteilung der größten Komponentengröße zu erhalten. Verbundene Diagrammkomponenten, deren Größe die geschätzte FWE-korrigierte überschreitet p-Wert-Cutoff von <0.05 wurden als Netzwerke identifiziert, die signifikant mit der Tendenz zur Internetabhängigkeit zusammenhängen. BrainNet Viewer (Xia et al., 2013) wurde zur Visualisierung von Verbindungen verwendet. Eine Illustration der Datenanalyse-Pipeline ist in gezeigt Abbildung Abbildung11.

FIGUR 1

Flussdiagramm der Datenanalyse-Pipeline. Die Gehirne der Teilnehmer wurden gemäß der AAL-Vorlage vorverarbeitet und auf verschiedene strukturelle Regionen parzelliert. Eine Korrelationsmatrix wurde unter Verwendung der Zeitverläufe erstellt, die aus jeder Region extrahiert wurden ...

Die Ergebnisse

Meta-Analyse

Vorwärts- und Rückwärtsschluss zKarten wurden aus NeuroSynth generiert (gezeigt in Abbildung Abbildung22). Die Aktivierungen in diesen beiden Karten zeigen eine große Ähnlichkeit zueinander. Überlappungen dieser Karten zeigten eine Aktivierung in Regionen des Kleinhirns, des Temporallappens (bilateral inferiores temporales Gyri, rechtes oberes temporales Pol, und rechts mittleres und oberes temporales Gyrus), mehrere frontale Regionen (linker mittlerer und oberer Gyrus frontalis orbitalis, rechter mittlerer frontaler Gyrus, rechts inferior frontal operculum und rechts präcentral gyrus), bilateral putamen, bilaterale insula, rechts mittel cingulate und rechts precuneus. Tisch Tabelle22 listet die identifizierten Cluster sowie die zum Cluster gehörenden AAL-Regionen auf.

FIGUR 2

Inferenzkarten der Meta-Analyse, die mit NeuroSynth durchgeführt wurden, zeigen Regionen, die in Vorwärtsinferenz, Rückwärtsinferenz und der Überlappung der zwei Karten aktiv sind.

Überlappende Cluster von Vorwärts- und Rückwärts-Inferenzkarten.

Resting-State fMRI

Funktionelle Verbindungen in Verbindung mit Internetsucht Tendenz

Unter Verwendung von NBS identifizierten wir zwei Netzwerke, die eine signifikante Korrelation von Kantenstärke und CIAS-R-Scores aufwiesen (p <0.05, FWE-korrigiert): eine mit Kanten, die positiv mit den CIAS-R-Werten korreliert sind („CIAS-R positiv“, rot dargestellt), und eine mit Kanten, die negativ mit CIAS-R korreliert sind („CIAS-R negativ“, gezeigt) in Blau). Das positive CIAS-R-Netzwerk besteht aus insgesamt 65 Knoten und 90 Kanten (45 intrahemisphärisch, 42 interhemisphärisch und 3 mit dem Vermis verbunden), während das negative Netzwerk aus 64 Knoten und 89 Kanten (35 intrahemisphärisch, 40 interhemisphärisch und 14) besteht Verbindung zu / innerhalb des Vermis). Es ist wichtig zu beachten, dass die beiden Netzwerke nicht vollständig getrennt sind und insgesamt 39 Knoten gemeinsam nutzen, von denen 30.77% Frontallappenregionen sind. Die Gesamtzahl der mit CIAS-R verbundenen Kanten beträgt 2.68% aller Kanten des Gehirns. Das Netzwerk ist in dargestellt Abbildung Abbildung33 und spezifische Verbindungen sind in Ergänzende Materialien 2, Tabelle S1 aufgelistet.

FIGUR 3

Netzwerk von Verbindungen, die mit CIAS-R-Scores korreliert sind. Graue Kugeln stellen den Schwerpunkt jedes Knotens dar und sind entsprechend der Anzahl der signifikanten Kanten skaliert, denen sie zugeordnet sind. Nur Knoten mit Verbindungen werden angezeigt. Rote Linien repräsentieren ...

Globale Verteilung der involvierten Kanten

Um zu verstehen, wie diese Verbindungen verteilt sind, haben wir uns daran gehalten Fornitoet al. (2011) und Hong et al. (2013)und kategorisierte jede AAL - Region in jedem Netzwerk als zu sieben regionalen Untergruppierungen gehörend: frontal, temporal, parietal, okzipital, insula und cingulate gyri, subkortikal und Kleinhirn. Die Mehrheit der Kanten im CIAS-R-positiven Netzwerk umfasste Verbindungen zwischen (1) Temporalregionen und Insula und Cingulate Gryi (~ 13%), von denen die meisten den posterioren cingulären Gyrus umfassen, der mit verschiedenen temporalen Regionen verbunden ist; (2) frontale und temporale Regionen (~ 12%), die Verbindungen zwischen dem medialen orbitofrontalen Kortex, dem parazentralen Lobulus und dem temporalen Lappen Gyri, dem temporalen Pol umfassen; und (3) parietalen und subkortikalen Regionen (~ 11%), bestehend aus Verbindungen zwischen dem postzentralen Kortex und dem oberen Parietallappen mit dem Putamen und Pallidum. Es ist interessant festzustellen, dass außer dem Frontallappen alle anderen Regionen keine intraregionalen Verbindungen haben, deren Stärke positiv mit der Tendenz zur Internetabhängigkeit korreliert. Die Mehrheit der Kanten im CIAS-R-negativen Netzwerk beinhaltete Verbindungen zwischen (1) Frontallappen und Kleinhirn (~ 19%), von denen die meisten Verbindungen zwischen den orbitalen Frontalbereichen und verschiedenen ROIs des Kleinhirns sind; und (2) Insula und Cingulate Gyri und der Temporallappen (~ 12%), die Verbindungen zwischen der Insula, Cingulum, Parahippocampus und Temporallappen Gyri umfasst. Es wurde festgestellt, dass keine Okzipitalregionen in dem CIAS-R-negativen Netzwerk enthalten sind. Die Anteile der interregionalen Verbindungen jedes Netzwerks sind in dargestellt Abbildung Abbildung44.

FIGUR 4

Anteil der Kanten, die positiv und negativ mit der Neigung zur Internetabhängigkeit bei Paaren regionaler Untergruppen korrelieren. Die Anteile wurden berechnet, indem die Anzahl der Kanten zwischen (oder innerhalb) Paaren von Regionen durch die Summe dividiert wurde ...

Maximal betroffene Knoten

Aufgrund der großen Anzahl der identifizierten Kanten folgten wir Finn et al. (2014)und identifizierte Knoten, die eine hohe "Summe von CIAS-R-korrelierten Kanten" aufweisen, um unsere Analyse auf Regionen zu konzentrieren, in denen Verbindungen maximal mit der Neigung zur Internetabhängigkeit in Beziehung stehen. Die Summe der CIAS-R-korrelierten Kanten eines Knotens wurde definiert als die Gesamtzahl seiner Kanten in sowohl CIAS-R-positiven als auch CIAS-R-negativen Netzwerken (dies entspricht konzeptionell dem Gradmaß in der Graphentheorie). Diese Methode wird es uns ermöglichen, Knoten zu identifizieren, bei denen Verbindungen am wahrscheinlichsten durch die Tendenz zur Internetabhängigkeit verändert werden. Folgende Tisch Tabelle33 listet die maximal betroffenen Knoten auf und zeigt Knoten, die mindestens eine Summe von CIAS-R-korrelierten Flanken von mindestens 8 aufweisen. Die Visualisierung der Knoten und ihrer Verbindungen wird in angezeigt Abbildung Abbildung55. Dies sind auch die Knoten, die zur Diskussion ausgewählt werden.

Node-Level-Analyse der Internet-Sucht-Tendenz.

FIGUR 5

Visualisierung der Knoten mit der höchsten Anzahl an Kanten im Zusammenhang mit der Neigung zur Internetsucht. Grüne Kugeln zeigen den Schwerpunkt jedes Knotens mit maximalen Kanten, während gelbe Kugeln ihre funktionalen Konnektivitätspartner darstellen. Rote Linien zeigen Kanten an ...

Diskussion

In einer normalen Gruppe von jungen Erwachsenen haben wir ihren Grad der Internetabhängigkeit anhand eines selbstbewerteten Fragebogens (CIAS-R) untersucht und zwei Gehirnnetzwerke identifiziert, deren funktionale Verbindungen positiv und negativ mit der Neigung zur Internetabhängigkeit korrelierten. Im Folgenden diskutieren wir unsere Ergebnisse auf verschiedenen Beobachtungsskalen: (1) die entscheidenden Regionen, die CIAS-R-positive und CIAS-R negative Netzwerke verbinden, (2) Regionen mit hohen Anteilen an Verbindungen, die mit der Internet-Sucht-Tendenz zusammenhängen, und (3 ) die kritischen Knoten durch Internet-Sucht-Tendenz verändert.

Frontale Regionen Verknüpfen von CIAS-R-positiven und CIAS-R-negativen Netzwerken

Wir beobachteten, dass die Mehrheit der Knoten, die die zwei (CIAS-R-positiven und CIAS-R-negativen) Netzwerke verbinden, innerhalb des Frontallappens lokalisiert sind. Diese Regionen umfassen den vorderen Gyrus frontalis, IFG, medialen frontalen Gyrus, Rolandic Operculum und ergänzende motorische Bereiche. Der präfrontale Kortex wurde als eine kritische Struktur in der kognitiven Kontrolle, Hemmung und Antwort-Selektion (Aronet al., 2004; Talati und Hirsch, 2005; Forstmann et al., 2008). Internet-Sucht ist ein Phänomen, in dem Süchtige die Selbstkontrolle und die Entscheidungsfindung in Bezug auf die Internetnutzung verringert haben, was sich in einer fortgesetzten Übernutzung widerspiegelt, obwohl sie über negative Auswirkungen Bescheid wissen. Zum Beispiel haben mehrere Studien gezeigt, dass Teilnehmer mit Internet-Sucht während der Go / Nogo-Aufgabe eine höhere fronto-striatale und fronto-parietale Aktivierung zeigten (Ding et al., 2014; Ko et al., 2014; Chen et al., 2015) und Stroop-Aufgabe (Dong et al., 2012a, 2013, 2014), was eine schlechtere Reaktionshemmung und Fehlerüberwachung und eine erhöhte Impulsivität nahelegt. Auf der anderen Seite zeigen Internet-Süchtige und Videospiel-Spieler oft eine ausgezeichnete Leistung der kognitiven Funktionen, wie zum Beispiel motorische Kontrolle und effiziente Entscheidungsfindung während des Spiels. In der Tat hat sich gezeigt, dass die Praxiseffekte des Videospielens auf eine Vielzahl verbesserter exekutiver Fähigkeiten wie Wahrnehmungs-, motorische, Aufmerksamkeits- und probabilistische Inferenzfertigkeiten verallgemeinern (Grün und Bavelier, 2003; Castel et al., 2005; Farbstoff et al., 2009; Green et al., 2010; Green et al., 2012). Eine fMRI-Studie fand eine verminderte Rekrutierung des frontoparietalen Netzwerks bei Videospiel-Spielern im Vergleich zu Nicht-Spielern während einer Aufgabe mit hoher Aufmerksamkeit, was möglicherweise eine effizientere exekutive und Aufmerksamkeitskontrolle widerspiegelte (Bavelier et al., 2012). Die zwei Seiten der kognitiven Kontrolle, die von Internetsüchtigen gezeigt werden, stellen ein interessantes Dilemma dar. In unserer Studie könnte die Beobachtung von frontalen Regionen, die die beiden Netzwerke verbinden, in denen die funktionelle Konnektivität abnimmt und durch die Neigung zur Internetsucht verstärkt wird, Veränderungen in der Frontalregion für verschiedene Aspekte der kognitiven Kontrolle (dh für die Kontrolle der Internetnutzung und Spielfertigkeiten) widerspiegeln.. Es ist erwähnenswert, dass obwohl Hong et al. (2013) Hypothese, dass es möglicherweise eine erhöhte funktionelle Konnektivität in Verbindung mit Übungseffekten bei Internetabhängigen gibt, wurde nur eine verringerte funktionelle Konnektivität in ihrer Studie beobachtet. Eine Möglichkeit vorgeschlagen von Hong et al. (2013) Aufgrund des Fehlens einer erhöhten funktionalen Konnektivität bei Internet-abhängigen Personen führte die geringe Stichprobengröße zu mangelnder Leistungsfähigkeit. Durch die Verwendung von samenbasierten Analysen, die weniger multiple Vergleiche erfordern als bei Ganzhirnansätzen, Hong et al. (2015) analysierten die 2013-Daten erneut und beobachteten sowohl die zunehmende als auch die verringerte funktionelle Konnektivität, die mit der Internetabhängigkeit verbunden ist.

Die weit verteilten Verbindungen der Internet-Suchttendenznetzwerke

Die Daten zeigen eine große Anzahl von inter- und intra-hemisphärischen Verbindungen sowohl in CIAS-R-positiven als auch in CIAS-R-negativen Netzwerken, was den weitreichenden Einfluss der Internet-Suchttendenz auf das Gehirn widerspiegelt. Wir beobachteten, dass der höchste Anteil an Verbindungen im CIAS-R-positiven Netzwerk die "insula and cingulate - temporale", "frontal-temporale" und "subkortikal-parietale" Kanten aufweist, während der höchste Anteil an Verbindungen im CIAS-R Negatives Netzwerk involviert "frontal - zerebellär" und "insula und cingulate - temporale" Kanten (Abbildung Abbildung44). In einem kürzlich vorgeschlagenen Modell der Sucht (Moultonet al., 2014), hilft das Kleinhirn, die Homöostase der vier miteinander verbundenen Schaltkreise zu erhalten, die für die Sucht relevant sind: Belohnung / Ausgeglichenheit, Motivation / Antrieb, Lernen / Gedächtnis sowie kognitive Kontrolle. Dieses Modell integriert das Vierkreismodell (Volkow et al., 2003, 2010) und die zerebellären funktionellen Ruhezustandsnetzwerke in Bezug auf die exekutive und assoziative Verarbeitung in der Großhirnrinde (Buckner et al., 2011). Die Komponenten für Belohnung / Ausgeglichenheit, Motivation / Antrieb und Lernen / Gedächtnis werden verstärkt, während die kognitive Kontrolle in Abhängigkeit vermindert wird. Sehen Abbildung Abbildung66 für eine Illustration. Unsere Beobachtungen der höchsten funktionalen Konnektivitätsproportionen der beiden Internet - Neigungsnetzwerke sind im Allgemeinen kompatibel mit Moulton et al. (2014) Modell der kritischen Komponenten in der Sucht Schaltung beteiligt. Ebenso haben wir nicht viele bedeutende Verbindungen beobachtet, die den Occipitallappen umfassen, der auch schwingt Hong et al. (2013) Ergebnisse. Allerdings fanden wir zusätzlich einen großen Anteil an "subkortikal - parietalen" Rändern, die zwar im 4-Phasen-Modell nicht besonders hervorgehoben sind, aber in der Internet-Suchtliteratur beobachtet wurden (zB Ding et al., 2013; Hong et al., 2013, 2015), was auf einen Übungseffekt in Bezug auf die Internetnutzung zurückzuführen sein könnte.

FIGUR 6

Ein Modell der Sucht, das die modulierende Rolle des Kleinhirns der vier Haupthirnnetzwerke hervorhebt, von denen vorgeschlagen wird, dass sie von der Sucht betroffen sind (adaptiert aus Moultonet al., 2014). Diese Schaltungen umfassen Belohnung / Ausgeglichenheit, Motivation / Antrieb, Lernen / Gedächtnis, ...

Kritische Knoten werden durch Internet-Suchttendenz geändert

Wir haben festgestellt, dass Knoten mit den meisten Verbindungen maximal mit der Tendenz zur Internetabhängigkeit verbunden sind. Diese Knoten sind solche, deren Verbindungsmuster zwischen dem Knoten selbst und anderen Gehirnregionen am anfälligsten für eine Veränderung durch Internet-Suchttendenz sind. Die Regionen sind spezifisch der bilaterale hintere Gyrus cinguli, die rechte Insel, der rechte mittlere Temporalgyrus, der linke obere Temporalpol, der rechte Putamen und der orbitale Teil des linken IFG (Abbildung Abbildung55). Diese Regionen wurden in vielen (Internet-) Suchtstudien als Schlüsselregionen betrachtet und einige wurden bereits im vorherigen Abschnitt erwähnt. Wir diskutieren nun die Suchtliteratur, die diese Regionen genauer beleuchtet. Die PCC, Teil des Standardmodus-Netzwerks und in verschiedenen Aspekten der Selbstverarbeitung (Buckner et al., 2008; Fransson und Marrelec, 2008), diente als Samenregion in Ding et al. (2013) Studie, die signifikant erhöhte funktionelle Konnektivität mit dem bilateralen Kleinhirn-Hinterlappen und mittleren temporalen Gyrus gezeigt, während verringerte bilaterale inferior Parietalläppchen und rechten unteren temporalen Gyrus bei Internet-Spielsüchtigen. Internet-Süchtige haben auch eine abnormale fraktionelle Anisotropie (Dong et al., 2012b) und Dichte der grauenZhou et al., 2011) in der PCC. Zhang et al. (2015) wählte die Insula, die mit der Sucht in Verbindung gebracht wurde (Naqvi und Bechara, 2009; Droutmanet al., 2015), als Seed - Region und fand veränderte funktionale Konnektivität mit einem Netzwerk von Regionen in Internet - Süchtigen. Die Rolle der Insula bei der Sucht wurde vorgeschlagen, um interozeptive Signale in bewusste Gefühle (Drogendrang) zu integrieren und Verhalten bei der Entscheidungsfindung (Naqvi und Bechara, 2009). Der mittlere temporale Gyrus und der superior temporale Pol wurden in einigen Internet - Suchtstudien beobachtet (vgl Meng et al., 2015 für eine Meta-Analyse), und wurden mit Spiel Drang / Craving, semantische Verarbeitung, Entkörperlichung, Arbeitsgedächtnis und emotionale Verarbeitung in Verbindung gebracht; ihre spezifischen Rollen in der Sucht erfordern jedoch weitere Untersuchungen. Das Putamen, Teil des dorsalen Striatums, ist auch eine kritische Region, die von vielen Suchtforschungen vorgeschlagen wurde (zB Ko et al., 2009; Ding et al., 2013; Lin et al., 2015), bei denen die gleichzeitige Dopamin-Neurotransmission an der Entwicklung eines zwanghaften Suchtverhaltens und Verlangens beteiligt ist (Volkow et al., 2006; Koob und Volkow, 2010). Darüber hinaus hat die Forschung gezeigt, dass eine Dysfunktion mit dem striato-thalamo-orbitofrontalen Kreislauf eine entscheidende Ursache für die Sucht ist, während das dorsale Striatum, das am habituellen Lernen und Verlangen beteiligt ist, am orbitofrontalen Kortex mit Salienz, Antrieb und Zwanghaftigkeit beteiligt ist (Volkow und Fowler, 2000; Koob und Volkow, 2010; Volkow et al., 2010; Goldstein und Volkow, 2011). Die abnormale Funktion des orbitofrontalen Kortex könnte die Verhaltensstörung bei Abhängigkeit erklären. Zusammenfassend lässt sich sagen, dass die Knoten, die wir identifiziert haben, Knoten sind, die am anfälligsten für Veränderungen durch Internet-Suchttendenzen sind, und sie wurden wiederholt in der existierenden Literatur identifiziert.

Einschränkung

Wie von einem unserer Gutachter festgestellt wurde, bleibt die Frage, ob eine globale Signalregression in Ruhezustands-fMRT durchgeführt werden soll, immer noch eine aktuelle Debatte. Nach einer erneuten Analyse der aktuellen Daten ohne globale Signalregression waren unsere Ergebnisse im Vergleich zu unserer ursprünglichen Analyse sehr unterschiedlich und nur 22.91% der in den NBS-Analysen gefundenen Kanten ohne globale Signalregression überlappten mit denen unserer aktuellen Ergebnisse. Ohne globale Signalregression fanden wir keine ausreichenden funktionellen Verbindungen, die positiv mit den CIAS-R-Scores zusammenhingen; Wir fanden jedoch ein Netzwerk mit funktionellen Verbindungen, die negativ mit den CIAS-R-Scores korreliert waren. Wenn die Identifizierung von Knoten mit den meisten Verbindungen maximal mit der Neigung zur Internetabhängigkeit zusammenhängt, finden wir Übereinstimmung mit der globalen Signalregressionsanalyse, da die Cingulaten-, Insula-, Temporal- und Frontalbereiche am stärksten betroffen sind. Mehrere Unterschiede schließen jedoch das zusätzliche Auffinden bilateraler ergänzender motorischer Bereiche und des rechten Gyrus angularis mit verminderter funktioneller Konnektivität ein, und im identifizierten Netzwerk gab es nicht so viele subkortikale Regionen. Während die globale Signalregression immer noch umstritten ist, haben wir beschlossen, beide Ergebnisse zu berichten. Details des ohne globale Signalregression identifizierten Netzwerkes sind im Supplementary Materials 3 dokumentiert. Hoffentlich werden zukünftige Arbeiten zur Bildvorverarbeitung Aufschluss darüber geben, welches Ergebnis genauer ist. In diesem Moment schlagen wir vor, die aktuellen Ergebnisse mit solchen Einschränkungen zu interpretieren.

Zusammenfassung

Unter Verwendung eines datengesteuerten Ansatzes haben wir gezeigt, dass netzwerkbasierte Statistiken ein nützliches Werkzeug sind, um die durch Internetsucht dominierte Ganzhirnkonnektivität zu charakterisieren und Verbindungen und kritische Regionen zu identifizieren, die frühere Studien widerspiegeln. Im Vergleich zu Seed-Analysen liefert dieser Ganzhirn-Ansatz eine umfassendere Analyse der Gehirnverbindungen im Zusammenhang mit der Internetabhängigkeit und untersucht insgesamt 6670-Verbindungen. Wir haben außerdem gezeigt, dass viele funktionelle Verbindungen und Gehirnregionen, die in klinischen Fällen von Abhängigkeit kritisch sind, auch mit präklinischen Tendenzen in Verbindung gebracht werden, die durch verhaltensbezogene Fragebogenmaße indiziert sind. Obwohl wir einen Korrelationsansatz verwenden, können wir nicht sicher sein, ob diese Netzwerke als Ergebnis der Internetnutzung verändert werden oder ob sie Eigenschaften von Menschen sind, die für ein höheres Risiko der Entwicklung einer Internetabhängigkeit prädisponiert sind Merkmale, die der Sucht und ihrer Entwicklung zugrunde liegen.

Autorenbeiträge

TW führte das Experiment durch, analysierte die Daten, interpretierte die Ergebnisse, schrieb und überarbeitete das Manuskript. SH entwarf das Experiment, schrieb den Zuschussantrag, leitete die Vorbereitung und Durchführung des Experiments, half bei der Interpretation der Daten, bei der Vorbereitung und Überarbeitung des Manuskripts.

Interessenkonflikt

Die Autoren erklären, dass die Untersuchung in Abwesenheit von kommerziellen oder finanziellen Beziehungen durchgeführt wurde, die als möglicher Interessenkonflikt ausgelegt werden könnten.

Anerkennungen

Die Autoren danken Yun-Ting Lee für die Hilfe bei der Datensammlung und Professor Po-Hsien Huang für die statistische Beratung. Die Studie wurde vom Ministerium für Wissenschaft und Technologie (MOST), Taiwan (MOST 102-2420-006-006-MY2 und MOST 104-2420-H-006-004-MY2) finanziert. Darüber hinaus wurde diese Forschung teilweise vom Bildungsministerium (MoE), Taiwan, ROC, unterstützt. Ziel war das Top-Universitätsprojekt an der National Cheng Kung University (NCKU). Wir danken dem Mind Research and Imaging Center (MRIC), das vom MOST unterstützt wird, bei NCKU für die Konsultation und die Verfügbarkeit der Instrumente. Der CIAS-R Fragebogen wurde von Sue-Huei Chen zur Verfügung gestellt.

Fußnoten

¹http://www.mricro.com

²http://www.fil.ion.ucl.ac.uk/spm

Ergänzungsmaterial

Das Ergänzungsmaterial zu diesem Artikel finden Sie online unter: http://journal.frontiersin.org/article/10.3389/fnhum.2016.00006

Klicken Sie hier für eine zusätzliche Datei.^{(20K, DOCX)}

Klicken Sie hier für eine zusätzliche Datei.^{(33K, DOCX)}

Klicken Sie hier für eine zusätzliche Datei.^{(258K, DOCX)}

Bibliographie

Amerikanische Psychiatrische Vereinigung [APA] (2013). Diagnostisches und statistisches Handbuch psychischer Störungen (DSM-5^®). Arlington, VA: Amerikanische psychiatrische Kneipe.
Aron AR, Robbins TW, Poldrack RA (2004). Hemmung und der rechte untere frontale Kortex. Tendenzen Cogn. Sci. 8 170-177. 10.1016 / j.tics.2004.02.010 [PubMed] [Kreuz Ref]
Bavelier D., Achtman RL, Mani M., Focker J. (2012). Neurale Grundlagen der selektiven Aufmerksamkeit in Action-Videospiel-Spieler. Vis. Res. 61 132-143. 10.1016 / j.visres.2011.08.007 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Biswal BB, Mennes M., Zuo XN, Gohel S., Kelly C., Smith SM, et al. (2010). Entdeckungsforschung der Funktion des menschlichen Gehirns. Proc. Natl. Acad. Sci. USA 107 4734-4739. 10.1073 / pnas.0911855107 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Marke M., Young KS, Laier C. (2014). Vor-Ort-Kontrolle und Internet-Sucht: ein theoretisches Modell und einen Überblick über neuropsychologische und bildgebende Befunde. Vorderseite. Summen. Neurosc 8: 375 10.3389 / fnhum.2014.00375 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Buckner RL, Andrews-Hanna JR, Schacter DL (2008). Das Standardnetzwerk des Gehirns - Anatomie, Funktion und Relevanz für Krankheiten. Jahr Cogn. Neurosc 2008 1-38. 10.1196 / annals.1440.011 [PubMed] [Kreuz Ref]
Buckner RL, Kriesen FM, Castellanos A., Diaz JC, Yeo BTT (2011). Die Organisation des menschlichen Kleinhirns wird durch intrinsische funktionelle Konnektivität geschätzt. J. Neurophysiol. 106 2322-2345. 10.1152 / jn.00339.2011 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Castel AD, Pratt J., Drummond E. (2005). Die Auswirkungen von Action-Video-Spiel Erfahrung auf den zeitlichen Verlauf der Hemmung der Rückkehr und die Effizienz der visuellen Suche. Acta Psychol. 119 217-230. 10.1016 / j.actpy.2005.02.004 [PubMed] [Kreuz Ref]
Chen CY, Huang MF, Yen JY, Chen CS, Liu GC, Yen CF, et al. (2015). Gehirn korreliert mit der Response-Inhibition bei Internet-Gaming-Störungen. Psychiatrie Clin. Neurosc 69 201-209. 10.1111 / pcn.12224 [PubMed] [Kreuz Ref]
Chen S., Weng L., Su Y., Wu H., Yang P. (2003). Entwicklung einer chinesischen Internet-Sucht-Skala und ihrer psychometrischen Studie. Kinn. J. Psychol. 45 251-266. 10.1371 / journal.pone.0098312 [Kreuz Ref]
Craddock RC, Jbabdi S., CG Yan, Vogelstein JT, Castellanos FX, Di Martino A., et al. (2013). Abbildung menschlicher Connectome auf der Makroskala. Nat. Methoden 10 524-539. 10.1038 / Nmeth.2482 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Ding WN, Sun JH, Sun YW, Chen X., Zhou Y., Zhuang ZG, et al. (2014). Merkmals-Impulsivität und gestörte präfrontale Impuls-Inhibitionsfunktion bei Jugendlichen mit Internet-Spielsucht, die durch eine Go / No-Go fMRI-Studie aufgedeckt wurden. Verhalten Gehirnfunkt. 10:20 10.1186/1744-9081-10-20 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Ding WN, Sonne JH, Sun YW, Zhou Y., Li L., Xu JR, et al. (2013). Geänderte Standard-Netzwerk-Ruhezustands-Funktionskonnektivität bei Jugendlichen mit Internet-Spielsucht. PLoS ONE 8: e59902 10.1371 / journal.pone.0059902 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Dong GH, De Vito EE, Du XX, Cui ZY (2012a). Beeinträchtigte Hemmungskontrolle bei der "Internet-Suchtkrankheit": eine funktionelle Magnetresonanztomographie-Studie. Psychiatrie Res. Neuroimaging 203 153-158. 10.1016 / j.pscychresns.2012.02.001 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Dong GH, DeVito E., Huang J., Du XX (2012b). Diffusion Tensor Imaging zeigt Thalamus und posterior cinguläre Kortex Abnormalitäten in Internet-Gaming-Süchtigen. J. Psychiatr. Res. 46 1212-1216. 10.1016 / j.jpsychires.2012.05.015 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Dong GH, Lin X., Hu YB, Xie CM, Du XX (2015a). Unausgeglichene funktionale Verbindung zwischen dem exekutiven Kontrollnetzwerk und dem Belohnungsnetzwerk erklärt das Online-Spiel, das nach Verhaltensweisen in der Internetspielstörung sucht. Sci. Rep. 5: 9197 10.1038 / Srep09197 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Dong GH, Lin X., Potenza MN (2015b). Eine verringerte funktionale Konnektivität in einem exekutiven Kontrollnetzwerk steht in Zusammenhang mit einer beeinträchtigten exekutiven Funktion bei einer Internetspielstörung. Prog. Neuro-Psychopharmacol. Biol. Psychiatrie 57 76-85. 10.1016 / j.pnpbp.2014.10.012 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Dong GH, Lin X., HL Zhou, Lu QL (2014). Kognitive Flexibilität bei Internetsüchtigen: fMRT-Evidenz von schwierigen bis leichten und schwierigen Situationen. Süchtiger. Verhalten 39 677-683. 10.1016 / j.addbeh.2013.11.028 [PubMed] [Kreuz Ref]
Dong GH, Shen Y., Huang J., Du XX (2013). Eingeschränkte Fehler-Monitoring-Funktion bei Menschen mit Internet-Sucht-Störung: eine ereignisbezogene fMRI-Studie. EUR. Süchtiger. Res. 19 269-275. 10.1159 / 000346783 [PubMed] [Kreuz Ref]
Droutman V., las SJ, Bechara A. (2015). Die Rolle der Insula in der Sucht erneut untersuchen. Tendenzen Cogn. Sci. 19 414-420. 10.1016 / j.tics.2015.05.005 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Farbstoff MWG, Grün CS, Bavelier D. (2009). Zunehmende Verarbeitungsgeschwindigkeit mit Action-Videospielen. Curr. Dir. Psychol. Sci. 18 321-326. 10.1111 / j.1467-8721.2009.01660.x [PMC freier Artikel] [PubMed] [Kreuz Ref]
Finn ES, Shen X., Holahan JM, Scheinost D., Lacadie C., Papademetris X., et al. (2014). Störung funktioneller Netzwerke bei Dyslexie: eine datengetriebene Analyse der Konnektivität im ganzen Gehirn. Biol. Psychiatrie 76 397-404. 10.1016 / j.biopsych.2013.08.031 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Fornito A., Bullmore ET (2015). Connectomics: ein neues Paradigma für das Verständnis von Erkrankungen des Gehirns. EUR. Neuropsychopharmacol. 25 733-748. 10.1016 / j.euroneuro.2014.02.011 [PubMed] [Kreuz Ref]
Fornito A., Yoon J., Zalesky A., Bullmore ET, Carter CS (2011). Allgemeine und spezifische funktionelle Konnektivitätsstörungen bei Schizophrenie in der ersten Episode während der kognitiven Kontrollleistung. Biol. Psychiatrie 70 64-72. 10.1016 / j.biopsych.2011.02.019 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Forstmann BU, van den Wildenberg WPM, Ridderinkhof KR (2008). Neurale Mechanismen, zeitliche Dynamik und individuelle Unterschiede in der Interferenzkontrolle. J. Cogn. Neurosc 20 1854-1865. 10.1162 / jocn.2008.20122 [PubMed] [Kreuz Ref]
Fox MD, Zhang D., Snyder AZ, Raichle ME (2009). Das globale Signal und die beobachteten anti-korrelierten ruhenden Gehirnnetzwerke. J. Neurophysiol. 101 3270-3283. 10.1152 / jn.90777.2008 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Fransson P., Marrelec G. (2008). Der Precuneus / posterior cinguläre Kortex spielt eine zentrale Rolle im Standardmodus-Netzwerk: Beweise aus einer partiellen Korrelationsnetzwerkanalyse. Neuroimage 42 1178-1184. 10.1016 / j.neuroimage.2008.05.059 [PubMed] [Kreuz Ref]
Goldstein RZ, Volkow ND (2011). Funktionsstörung des präfrontalen Kortex bei Sucht: bildgebende Befunde und klinische Implikationen. Nat. Rev. Neurosci. 12 652-669. 10.1038 / nrn3119 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Grüne CS, Bavelier D. (2003). Action Video Game modifiziert visuelle selektive Aufmerksamkeit. Natur 423 534-537. 10.1038 / nature01647 [PubMed] [Kreuz Ref]
Grüne CS, Pouget A., Bavelier D. (2010). Verbesserte probabilistische Inferenz als allgemeiner Lernmechanismus bei Action-Videospielen. Curr. Biol. 20 1573-1579. 10.1016 / j.cub.2010.07.040 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Grüne CS, Sugarman MA, Medford K., Klobusicky E., Bavelier D. (2012). Die Wirkung von Action-Videospiel-Erfahrung auf Task-Switching. Comput. Summen. Verhalten 28 984-994. 10.1016 / j.chb.2011.12.020 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Griffiths MD, Pontes HM (2014). Internet-Sucht-Störung und Internet-Gaming-Störung sind nicht dasselbe. J. Süchtiger. Res. Ther. 5:e124 10.4172/2155-6105.1000e124 [Kreuz Ref]
Han CE, Yoo SW, Seo SW, Na DL, Seong JK (2013). Cluster-basierte Statistiken zur Gehirnkonnektivität in Korrelation mit Verhaltensmaßstäben. PLoS ONE 8: e72332 10.1371 / journal.pone.0072332 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Han DH, Kim YS, Lee YS, Min. KJ, Renshaw PF (2010). Veränderungen in der cue-induzierten, präfrontalen Kortexaktivität mit Videospiel. Cyberpsychol. Verhalten Soc. Netz 13 655-661. 10.1089 / cyber.2009.0327 [PubMed] [Kreuz Ref]
Höft F., Watson CL, Kesler SR, Bettinger KE, Reiss AL (2008). Geschlechtsunterschiede im mesocorticelimbischen System beim Computerspiel. J. Psychiatr. Res. 42 253-258. 10.1016 / j.jpsychires.2007.11.010 [PubMed] [Kreuz Ref]
Hong SB, Harrison BJ, Dandash O., Choi EJ, Kim SC, Kim HH, et al. (2015). Eine selektive Beteiligung von Putamen funktionale Konnektivität in der Jugend mit Internet-Gaming-Störung. Gehirn Res. 1602 85-95. 10.1016 / j.brainres.2014.12.042 [PubMed] [Kreuz Ref]
Hong SB, Zalesky A., Cocchi L., Fornito A., Choi EJ, Kim HH, et al. (2013). Verminderte funktionelle Gehirnkonnektivität bei Jugendlichen mit Internetabhängigkeit. PLoS ONE 8: e57831 10.1371 / journal.pone.0057831 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Király O., Griffiths MD, Urbán R., Farkas J., Kökönyei G., Elekes Z., et al. (2014). Problematische Internetnutzung und problematisches Online-Gaming sind nicht gleich: Ergebnisse einer großen repräsentativen Jugendstichprobe. Cyberpsychol. Verhalten Soc. Netz 17 749-754. 10.1089 / cyber.2014.0475 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Ko CH, Hsieh TJ, Chen CY, Yen CF, Chen CS, Yen JY, et al. (2014). Veränderte Gehirnaktivierung während der Antwortinhibierung und Fehlerverarbeitung bei Personen mit einer Internet-Spielstörung: eine funktionelle Magnetresonanztomographie-Studie. EUR. Bogen. Psychiatrie Clin. Neurosc 264 661–672. 10.1007/s00406-013-0483-3 [PubMed] [Kreuz Ref]
Ko CH, Hsieh TJ, Wang PW, Lin WC, Yen CF, Chen CS, et al. (2015). Veränderte Dichte der grauen Substanz und gestörte funktionale Konnektivität der Amygdala bei Erwachsenen mit einer Internet-Spielstörung. Prog. Neuro-Psychopharmacol. Biol. Psychiatrie 57 185-192. 10.1016 / j.pnpbp.2014.11.003 [PubMed] [Kreuz Ref]
Ko CH, GC Liu, Hsiao SM, Yen JY, Yang MJ, Lin WC, et al. (2009). Gehirnaktivitäten mit Spiel Drang der Online-Spielsucht verbunden. J. Psychiatr. Res. 43 739-747. 10.1016 / j.jpsychires.2008.09.012 [PubMed] [Kreuz Ref]
Ko CH, Liu GC, Yen JY, Chen CY, Yen CF, Chen CS (2013). Gehirn korreliert das Verlangen nach Online-Gaming unter Cue-Exposition in Fächern mit Internet-Spielsucht und remittierten Themen. Süchtiger. Biol. 18 559-569. 10.1111 / j.1369-1600.2011.00405.x [PubMed] [Kreuz Ref]
Ko C.-H., Yen C.-F., Yen C.-N., Yen J.-Y., Chen C.-C., Chen S.-H. (2005). Screening für Internet-Sucht: eine empirische Studie über die Cut-Off-Punkte für die Internet-Sucht-Skala. Kaohsiung J. Med. Sci. 21 545–551. 10.1016/S1607-551X(09)70206-2 [PubMed] [Kreuz Ref]
Kong X.-Z., Zhen Z., Li X., Lu H.-H., Wang R., Liu L., et al. (2014). Individuelle Unterschiede in der Impulsivität sagen Kopfbewegungen während der Magnetresonanztomographie voraus. PLoS ONE 9: e104989 10.1371 / journal.pone.0104989 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Koob GF, Volkow ND (2010). Neurochirurgie der Sucht. Neuropsychopharmakologie 35 217-238. 10.1038 / npp.2009.110 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Kühn S., Gallinat J. (2015). Brains online: strukturelle und funktionale Korrelate der gewohnheitsmäßigen Internetnutzung. Süchtiger. Biol. 20 415-422. 10.1111 / adb.12128 [PubMed] [Kreuz Ref]
Kuss DJ, Griffiths MD (2012). Internet-Spielsucht: ein systematischer Überblick über empirische Forschung. Int. J. Psychische Gesundheit Addict. 10 278–296. 10.1007/s11469-011-9318-5 [Kreuz Ref]
Li BJ, Friston KJ, Liu J., Liu Y., Zhang GP, Cao FL, et al. (2014). Störung der frontal-basalen Ganglien-Konnektivität bei Jugendlichen mit Internetabhängigkeit. Sci. Rep. 4: 5027 10.1038 / Srep05027 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Li WW, Li YD, Yang WJ, Zhang QL, Wei DT, Li WF, et al. (2015). Gehirnstrukturen und funktionelle Konnektivität verbunden mit individuellen Unterschieden in der Internet-Tendenz bei gesunden jungen Erwachsenen. Neuropsychologia 70 134-144. 10.1016 / j.neuropsychologia.2015.02.019 [PubMed] [Kreuz Ref]
Lin FC, Zhou Y., Du YS, Zhao ZM, Qin LD, Xu JR, et al. (2015). Abweichende kortikostriatale Funktionskreise bei Jugendlichen mit Internetabhängigkeit. Vorderseite. Summen. Neurosc 9: 356 10.3389 / fnhum.2015.00356 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Lin MP, Ko HC, Wu JYW (2011). Prävalenz und psychosoziale Risikofaktoren im Zusammenhang mit Internet-Sucht in einer landesweit repräsentativen Stichprobe von College-Studenten in Taiwan. Cyberpsychol. Verhalten Soci. Netz 14 741-746. 10.1089 / cyber.2010.0574 [PubMed] [Kreuz Ref]
Lorenz RC, Kruger JK, Neumann B., Schott BH, Kaufmann C., Heinz A., et al. (2013). Cue Reaktivität und seine Hemmung bei pathologischen Computerspielern. Süchtiger. Biol. 18 134-146. 10.1111 / j.1369-1600.2012.00491.x [PubMed] [Kreuz Ref]
Meng YJ, Deng W., Wang HY, Guo WJ, Li T. (2015). Die präfrontale Dysfunktion bei Menschen mit Internet-Gaming-Störung: eine Meta-Analyse von funktionellen Magnetresonanztomographie-Studien. Süchtiger. Biol. 20 799-808. 10.1111 / adb.12154 [PubMed] [Kreuz Ref]
Moulton EA, Elman I., Becerra LR, Goldstein RZ, Borsook D. (2014). Das Kleinhirn und die Sucht: Erkenntnisse aus der bildgebenden Forschung. Süchtiger. Biol. 19 317-331. 10.1111 / adb.12101 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Naqvi NH, Bechara A. (2009). Die versteckte Insel der Sucht: die Insel. Trends Neurosci. 32 56-67. 10.1016 / j.tins.2008.09.009 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Nichols TE, Holmes AP (2002). Nichtparametrische Permutationstests für funktionelle Neuroimaging: ein Primer mit Beispielen. Summen. Gehirn Mapp. 15 1-25. 10.1002 / hbm.1058 [PubMed] [Kreuz Ref]
OReilly M. (1996). Internetsucht: Eine neue Störung tritt in das medizinische Lexikon ein. Können. Med. Assozi. J. 154 1882-1883. [PMC freier Artikel] [PubMed]
Park CH, Chun JW, Cho H., Jung YC, Choi J., Kim DJ (2015). Ist das internetspielsüchtige Gehirn in einem pathologischen Zustand? Süchtiger. Biol. [Epub vor Druck] .10.1111 / adb.12282 [PubMed] [Kreuz Ref]
Petry NM, O'Brien CP (2013). Internet Gaming Disorder und der DSM-5. Sucht 108 1186-1187. 10.1111 / add.12162 [PubMed] [Kreuz Ref]
Petry NM, Rehbein F., Gentile DA, Lemmens JS, Rumpf HJ, Mößle T., et al. (2014). Ein internationaler Konsens zur Bewertung von Internet-Spielstörungen mit dem neuen DSM-5-Ansatz. Sucht 109 1399-1406. 10.1111 / add.12457 [PubMed] [Kreuz Ref]
Rorden C., Karnath HO, Bonilha L. (2007). Verbessern von Läsion-Symptom-Mapping. J. Cogn. Neurosc 19 1081-1088. 10.1162 / jocn.2007.19.7.1081 [PubMed] [Kreuz Ref]
Saad ZS, Gotts SJ, Murphy K., Chen G., Jo HJ, Martin A., et al. (2012). Trouble in Rest: Wie Korrelationsmuster und Gruppenunterschiede nach globaler Signalregression verzerrt werden. Gehirn verbinden. 2 25-32. 10.1089 / brain.2012.0080 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Lied XW, Dong ZY, Lang XY, Li SF, Zuo XN, Zhu CZ, et al. (2011). REST: ein Toolkit für die Datenverarbeitung im Ruhezustand der funktionellen Magnetresonanztomographie. PLoS ONE 6: e25031 10.1371 / journal.pone.0025031 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Stanley ML, Moussa MN, Paolini BM, Lyday RG, Burdette JH, Laurienti PJ (2013). Definieren von Knoten in komplexen Gehirnnetzwerken. Vorderseite. Comput. Neurosc 7: 169 10.3389 / fncom.2013.00169 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Sun YJ, Ying H., Seetohul RM, Wang XM, Ya Z., Qian L., et al. (2012). Gehirn-fMRT-Studie der Sehnsucht, induziert durch Cue-Bilder in Online-Spielsüchtigen (männliche Jugendliche). Verhalten Gehirn Res. 233 563-576. 10.1016 / j.bbr.2012.05.005 [PubMed] [Kreuz Ref]
Takeuchi H., Taki Y., Nouchi R., Sekiguchi A., Hashizume H., Sassa Y., et al. (2014). Assoziation zwischen funktionaler Konnektivität im Ruhezustand und Empathisierung / Systematisierung. Neuroimage 99 312-322. 10.1016 / j.neuroimage.2014.05.031 [PubMed] [Kreuz Ref]
Talati A., Hirsch J. (2005). Funktionelle Spezialisierung innerhalb des medialen Frontalgyrus für perzeptive Go / No-Go-Entscheidungen basierend auf "was", "wann" und "wo" bezogene Informationen: eine fMRI-Studie. J. Cogn. Neurosc 17 981-993. 10.1162 / 0898929054475226 [PubMed] [Kreuz Ref]
Tzourio-Mazoyer N., Landeau B., Papathanassiou D., Crivello F., Etard O., Delcroix N., et al. (2002). Automatisierte anatomische Markierung von Aktivierungen in SPM mittels makroskopischer anatomischer Parzellierung des MNI-MRT-Einzelhirns. Neuroimage 15 273-289. 10.1006 / nimg.2001.0978 [PubMed] [Kreuz Ref]
van den Heuvel MP, Polen HEH (2010). Das Gehirn-Netzwerk erkunden: eine Überprüfung der funktionalen fMRI-Konnektivität im Ruhezustand. EUR. Neuropsychopharmacol. 20 519-534. 10.1016 / j.euroneuro.2010.03.008 [PubMed] [Kreuz Ref]
Volkow ND, Fowler JS (2000). Sucht, eine Zwangs- und Antriebskrankheit: Beteiligung des orbitofrontalen Cortex. Cereb. Kortex 10 318-325. 10.1093 / cercor / 10.3.318 [PubMed] [Kreuz Ref]
Volkow ND, Fowler JS, Wang GJ (2003). Das süchtige menschliche Gehirn: Erkenntnisse aus bildgebenden Studien. J. Clin. Untersuchung. 111 1444-1451. 10.1172 / Jci200318533 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Volkow ND, Wang GJ, Fowler JS, Tomasi D., Telang F., Baler R. (2010). Sucht: Eine verminderte Belohnungssensitivität und eine erhöhte Erwartungssensitivität führen dazu, dass der Kontrollkreislauf des Gehirns überwältigt wird. Bioessays 32 748-755. 10.1002 / bies.201000042 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Volkow ND, Wang GJ, Telang F., Fowler JS, Logan J., Childress AR, et al. (2006). Kokain-Signale und Dopamin im dorsalen Striatum: Mechanismus des Verlangens nach Kokainabhängigkeit. J. Neurosci. 26 6583-6588. 10.1523 / Jneurosci.1544-06.2006 [PubMed] [Kreuz Ref]
Wang Y., Yin Y., Sun YW, Zhou Y., Chen X., Ding WN, et al. (2015). Verringerte interhemisphärische funktionelle Konnektivität des präfrontalen Lappens bei Heranwachsenden mit Internet-Spielstörungen: eine Primärstudie, bei der die fMRI im Ruhezustand verwendet wird. PLoS ONE 10: e0118733 10.1371 / journal.pone.0118733 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Wee CY, Zhao ZM, Yap PT, Wu GR, Shi F., Preis T., et al. (2014). Funktionsstörung des Hirns bei der Internet-Suchtkrankheit: eine funktionelle Magnetresonanztomographie im Ruhezustand. PLoS ONE 9: e107306 10.1371 / journal.pone.0107306 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Weißenbacher A., Kasess C., Gerstl F., Lanzenberger R., Moser E., Windischberger C. (2009). Korrelationen und Antikorrelationen in funktioneller Konnektivität im Ruhezustand MRT: ein quantitativer Vergleich von Vorverarbeitungsstrategien. Neuroimage 47 1408-1416. 10.1016 / j.neuroimage.2009.05.005 [PubMed] [Kreuz Ref]
Xia M., Wang J., He Y. (2013). BrainNet Viewer: ein Netzwerk-Visualisierungstool für die menschliche Gehirn-Connectomik. PLoS ONE 8: e68910 10.1371 / journal.pone.0068910 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Yan C., Zang Y. (2010). DPARSF: Eine MATLAB-Toolbox für die "Pipeline" -Datenanalyse von fMRI im Ruhezustand. Vorderseite. Syst. Neurosc 4: 13 10.3389 / fnsys.2010.00013 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Yarkoni T., Poldrack RA, Nichols TE, Van Essen DC, Wager TD (2011). Groß angelegte automatisierte Synthese von menschlichen funktionellen Bildgebungsdaten. Nat. Methoden 8 665-670. 10.1038 / nmeth.1635 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Yeo BTT, Krienen FM, Sepulcre J., Sabuncu MR, Lashkari D., Hollinshead M., et al. (2011). Die Organisation der menschlichen Großhirnrinde wird durch intrinsische funktionelle Konnektivität geschätzt. J. Neurophysiol. 106 1125-1165. 10.1152 / jn.00338.2011 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Junge KS (1998). Internetsucht: Die Entstehung einer neuen klinischen Störung. CyberPsychol. Verhalten 1 237–244. 10.1007/s10899-011-9287-4 [Kreuz Ref]
Yuan K., Qin W., Yu D., Bi Y., Xing L., Jin C., et al. (2015). Core-Gehirn-Netzwerke Interaktionen und kognitive Kontrolle in Internet-Gaming-Störung Individuen in der späten Jugend / frühen Erwachsenenalter. Gehirnstruktur. Funkt. [Epub vor Druck] .10.1007 / s00429-014-0982-7 [PubMed] [Kreuz Ref]
Zalesky A., Fornito A., Bullmore ET (2010a). Netzwerkbasierte Statistik: Identifizieren von Unterschieden in Gehirnnetzwerken. Neuroimage 53 1197-1207. 10.1016 / j.neuroimage.2010.06.041 [PubMed] [Kreuz Ref]
Zalesky A., Fornito A., Harding IH, Cocchi L., Yücel M., Pantelis C., et al. (2010b). Anatomische Netzwerke des gesamten Gehirns: Ist die Wahl der Knoten von Bedeutung? Neuroimage 50 970-983. 10.1016 / j.neuroimage.2009.12.027 [PubMed] [Kreuz Ref]
Zhang JT, Yao YW, Li CSR, Zang YF, Shen ZJ, Liu L., et al. (2015). Die funktionelle Konnektivität der Insula im Ruhezustand bei jungen Erwachsenen mit einer Internet-Spielstörung verändert. Süchtiger. Biol. [Epub vor Druck] .10.1111 / adb.12247 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Zhou Y., Lin FC, Du YS, Qin LD, Zhao ZM, Xu JR, et al. (2011). Anomalien der grauen Substanz bei der Internetsucht: eine Voxel-basierte Morphometrie-Studie. EUR. J. Radiol. 79 92-95. 10.1016 / j.ejrad.2009.10.025 [PubMed] [Kreuz Ref]