Csökkent funkcionális agyi kapcsolat az internet-függőségű serdülőknél (2013)

PLoS One. 2013;8(2):e57831. doi: 10.1371/journal.pone.0057831.

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

forrás

Melbourne Neuropsychiatry Center, Pszichiátriai Tanszék, Melbourne Egyetem és Melbourne Health, Parkville, Victoria, Ausztrália; Florey Idegtudományi és Mentális Egészségügyi Intézet, Parkville, Victoria, Ausztrália; Gyermek- és serdülőkori pszichiátria osztálya, Pszichiátriai Tanszék, Orvostudományi Főiskola, Szöul Nemzeti Egyetem, Szöul, Korea.

Absztrakt

HÁTTÉR:

Internet függőség egyre inkább felismerik mentális rendellenességként, bár annak neurobiológiai alapja ismeretlen. Ez a tanulmány funkcionális neuroképet használt a teljes agy funkcionális kapcsolatának vizsgálatára serdülőknél, akiknél diagnosztizáltak Internet függőség. Az egyéb neurobiológiai változások alapján függőség kapcsolatos rendellenességek, a becslések szerint a kapcsolat megszakad a serdülőknél Internet függőség leginkább a cortico-striatalis áramkörökben lenne a legszembetűnőbb.

MÓD:

A résztvevők diagnosztizált 12 serdülők voltak Internet függőség és 11 egészséges összehasonlító alanyok. Nyugalmi állapotú mágneses rezonanciaképeket kaptunk, és az agyi funkcionális összekapcsolhatóság csoportos különbségeit elemeztük a hálózati alapú statisztikák felhasználásával. Megvizsgáltuk a hálózati topológiát is, és megvizsgáltuk a csoportok közötti különbségeket a kulcsfontosságú gráf alapú hálózati intézkedésekben.

EREDMÉNYEK:

Serdülők Internet függőség csökkentett funkcionális összeköttetést mutattak egy elosztott hálózaton keresztül. A károsodott kapcsolatok többsége kortikoszubikortikus áramköröket tartalmazott (f24% prefrontalis és ∼27% parietalis cortex esetén). A kétoldalú putamen volt a legszélesebb körben érintett subkortikális agyrégió. A csoportok közötti különbséget nem figyelték meg a hálózati topológiai mérésekben, ideértve a klaszter-együtthatót, a jellemző út hosszát vagy a kis-világosság arányát.

Következtetések:

Internet függőség Az agyi funkcionális hálózati topológiában bekövetkező globális változások hiányában a kortiko-striatális áramkörökben a funkcionális összekapcsolódás széles körben elterjedt és jelentős csökkenése jár együtt.

Idézet: Hong SB, Zalesky A, Cocchi L, Fornito A, Choi EJ és mtsai. (2013) A funkcionális agyi kapcsolat csökkenése Internet-függőségű serdülőknél. PLOS ONE 8 (2): e57831. doi: 10.1371 / journal.pone.0057831

Szerkesztő: Xi-Nian Zuo, Pszichológiai Intézet, Kínai Tudományos Akadémia, Kína

kapott: Október 1, 2012; Elfogadott: Január 26, 2013; Megjelent: Február 25, 2013

Copyright: © 2013 Hong et al. Ez egy nyílt hozzáférésű cikk, amelyet a Creative Commons Nevezd meg! Licenc feltételei alapján terjesszen, amely korlátlan felhasználást, terjesztést és reprodukciót engedélyez bármilyen adathordozón, feltéve, hogy az eredeti szerző és a forrás jóváírásra kerül.

finanszírozás: Ezt a munkát a Szöuli Nemzeti Egyetem Agyfúziós Program Kutatási Alap támogatta. Az SBH-t a Koreai Nemzeti Kutatási Alapítvány támogatása (Global Internship Program) támogatta a koreai kormány által. Az AF-t egy Nemzeti Egészségügyi és Orvosi Kutatási Tanács, CJ Martin Fellowship (ID: 454797) támogatta. A finanszírozóknak nem volt szerepe a tanulmánytervezésben, az adatgyűjtésben és elemzésben, a közzétételi döntésben és a kézirat elkészítésében.

Versenyképes érdekek: A szerzők kijelentették, hogy nincsenek versengő érdekek.

 

Bevezetés

Az internetes függőség világszerte egyre inkább elismert mind a nyilvánosság, mind a tudományos közösség körében [1], bár ez egy viszonylag új állapot, pszichopatológiai tulajdonságai és a neurobiológiai mechanizmusok továbbra sem érthetők. A legújabb neuroimaging kutatások az agy működésében és szerkezetében bekövetkezett jelentős változásokról számoltak be az internetes függőséggel kapcsolatban. Ezeknek a vizsgálatoknak a többsége a feladatok során elvégzett funkcionális mágneses rezonancia képalkotást (fMRI) alkalmazta, és a frontális és a striatális régiókra, valamint kisebb mértékben a parietális és az insula kéregre vonatkozott. [2]-[5]. Ezenkívül pozitron emissziós tomográfia (PET) alkalmazásával Kim et al. (2011) csökkentett dopamin D2 receptor elérhetőséget talált a bilaterális caudates és a jobb putamenben [6]és Hou et al. (2012) egy foton emissziós számítástechnikai tomográfia (SPECT) alkalmazásával csökkent striatális dopamin transzporter expressziós szint Internet-függőségű felnőtteknél [7]. Ezek az eredmények összhangban vannak a függőség rendellenességek jelenlegi elméleti modelljeivel, amelyek nemcsak az anyagfüggőségből, hanem a viselkedési függőségből (pl. Kóros szerencsejátékból) állnak, amelyek hangsúlyozzák a fronto-striatális áramlás patológiáját [8], valamint a sziget [9], [10]. Zhou et al., Szerkezeti MRI vizsgálatok. (2011) és Yuan és munkatársai. (2011) együttesen javasolták a szürke anyag rendellenességeit az agyi régiókban, beleértve a prefrontalis cortex-et is [11], [12], valamint diffúziós-tenzoros képalkotó vizsgálat Lin és mtsai. (2012) jelentett széles körű fehérje-rendellenességeket internetes függőségű serdülőknél [13]. Végül: Liu et al. (2010) megváltozott regionális homogenitást talált az internetes függőségben [14], amely tudomásunk szerint az irodalomban az nyugalmi állapotban levő fMRI egyetlen megállapítása erről a rendellenességről [15]. A szerzők voxel-szempontból vizsgálták az egyes voxelok vér-oxigénszinttől függő (BOLD) jelének időbeli homogenitását a legközelebbi 26 szomszédos voxeljeivel.

A nyugalmi állapotú fMRI egy viszonylag új képalkotó módszer a spontán agyi tevékenység régiók közötti korrelációinak vizsgálatára, Ha valaki csendesen fekszik a szkennerben, anélkül, hogy egy adott feladatot elvégezne [16]. Ez a megközelítés robusztus módszert kínál a jól meghatározott funkcionális rendszerek feltérképezésére [17], [18]. A pihenőintézkedések megbízhatóak [19], [20]genetikai ellenőrzés alatt [21]-[23], és azt gondoltam, hogy indexelni fogja az agy funkcionális szervezetének belső tulajdonságait [24], bizonyos figyelmeztetésekre is figyelemmel [25]. A gráfelméleti technikákkal kombinálva a nyugalmi állapotú fMRI hatékony eszközt kínál az agy funkcionális dinamikájának nagyszabású szervezete és annak zavara pszichopatológiai állapotokban történő vizsgálatához. [26].

Ebben a tanulmányban nyugalmi állapotú fMRI adatokat használtunk az 90 különálló kortikális és szubkortikális agyrégiók közötti átfogó készlet közötti különbségek feltérképezésére egészséges egyénekben és internetes függőségű serdülőkben, összpontosítva azokra az egyénekre, akik a javasolt altípusok között túlzott online játékban vesznek részt. e rendellenesség [27]. A hálózati topológiai zavarok elemzését is elvégeztük [28] annak felmérésére, hogy vannak-e különbségek a csoportok közötti kapcsolatbeli erősségben a funkcionális interakciók globális újrakonfigurációjával [26], amint sok más pszichiátriai rendellenességről is beszámoltak [29], [30].

Az internetes függőség korábbi strukturális és funkcionális neuroimaging eredményei alapján [3], [4], [6], [7], [15], valamint az anyagfüggőség rendellenességeinek kialakult elméleti modelljei [8], [9], feltételeztük, hogy az internetes függőséggel rendelkező serdülők megváltozott régiók közötti összeköttetést mutatnak a frontális és a striatális régiók között, a parietalis cortex és az insula esetleges további bevonásával.

 

Anyagok és módszerek

Etikai nyilatkozat

Ezt a tanulmányt a szöuli nemzeti egyetem emberi alanyok intézményi felülvizsgálati testülete hagyta jóvá. Az összes serdülő és szüleik írásbeli tájékozott hozzájárulást adott a tanulmányi jelentkezés előtt. A tanulmányt a Helsinki Nyilatkozatnak megfelelően végezték el.

A résztvevők

Tizenkét jobbkezes férfi serdülő internetes függőséggel, valamint 11 jobbkezes és nemi szempontból illeszkedő [31] az egészséges kontrollok részt vettek ebben a vizsgálatban. Az internetfüggőség diagnosztizálását a Young Internet Addiction Scale (YIAS) segítségével végeztük, amely 20 elemekből áll, mindegyik egy 5-pont Likert skálán alapul, amely az internethasználat okozta problémák mértékét értékeli. [32], valamint az effektív rendellenességekre és a skizofrénia jelenlegi és élethosszig tartó változatára vonatkozó Kiddie-ütemterv (K-SADS-PL), egy félig strukturált diagnosztikai interjú eszköz, megalapozott érvényességgel és megbízhatósággal, amely lehetővé tette számunkra, hogy kizárjuk más pszichiátriai rendellenességeket. [33], [34]. Az internetes függőséggel rendelkező résztvevők azokra a bejelentőkre szorítkoztak, akik a függőség tipikus összetevőit tapasztalják meg (azaz tolerancia, visszavonulás, online játékokkal való foglalkoztatás, ismételt sikertelen kísérletek az online játékok csökkentésére vagy leállítására, negatívan befolyásolt hangulat az online játékok csökkentésekor). fontos kapcsolatok vagy tevékenységek elhanyagolása az online játékok miatt) [35], [36]. Az internetes függőségben részt vevő összes résztvevő ebből a túlzott online játékból számolt be a rendellenesség javasolt altípusai között. Ugyanezeket az eszközöket alkalmazták az egészséges serdülők toborzásakor is. A résztvevők demográfiai információit és intelligencia hányadosát (IQ) szintén kiértékelték (lásd Táblázat 1).

miniatűr
Letöltés: 

 

Táblázat 1. A résztvevők demográfiai és klinikai jellemzői.

doi: 10.1371 / journal.pone.0057831.t001

Adatgyűjtés és képfeldolgozás

A nyugalmi fMRI képeket 3T Siemens szkenneren (Siemens Magnetom Trio Tim Syngo MR B17, Németország) szereztük be a következő paraméterekkel: ismétlési idő (TR) 2700 ms; visszhang ideje (TE) 30 ms; adatgyűjtési mátrix 64 × 64; látómező (FOV) 192 × 192 mm2; elfordulási szög 90 °; voxel mérete 3.0 mm × 3.0 mm × 3.0 mm; szeletek 40. Az akvizíció teljes időtartama 6 min 45 mp. Fejtekercset használtunk, és a fej mozgását minimalizáltuk úgy, hogy a fej körül lévő üres helyet szivaccsal töltöttük meg, és az alsó állkapcsot szalaggal rögzítettük.

Az fMRI képek előfeldolgozását a nyugalmi állapotú fMRI adatfeldolgozási asszisztensével (DPARSF) végeztük. [37], amelynek alapja a statisztikai paraméteres leképezés (SPM8) és a nyugalmi állapotú fMRI adatelemző eszközkészlet (REST). Az egyes alanyok első 5 képeit eldobták, a fennmaradó 145 képeket pedig a szeletek időzítésekor korrigálták, és az első kötethez igazították, hogy a mozgásban előforduló műtárgyak helyesek legyenek. Minden résztvevő 0.5 fejmozgási paramétereinél kevesebb, mint 0.5 mm elmozdulást és 6 forgási fokot mutatott. Ezenkívül a két csoport nem különbözött szignifikánsan egymástól (p<0.05) a Van Dijk és mtsai által nemrégiben javasolt négy fejmozgási paraméterben. [38]: azaz átlagos fej elmozdulás (internet-függőség: 0.04 ± 0.01 mm, vezérlés: 0.04 ± 0.01 mm), maximális elmozdulás (internet-függőség: 0.18 ± 0.14 mm, vezérlés: 0.17 ± 0.07 mm), mikro száma (> 0.1 mm) ) mozdulatok (minden résztvevő esetében legfeljebb 2, kivéve az internet-függőségi csoportban lévő két személyt, akiknek 5 és 6 mikro mozgása van), és a fej forgása (internet-függőség: 0.04 ± 0.01 °, kontroll: 0.04 ± 0.00 °). A térbeli normalizálás előtt az életkornak és a nemnek megfelelő agyi sablont készítettünk az NIH MRI Normal Brain Development tanulmányának adatai alapján, a Template-O-Matic felhasználásával. [39]. Az fMRI képeket normalizáltuk ennek a testreszabott sablonnak a felhasználásával, és egy teljes szélességű fél maximális Gauss-kernel 6 mm-vel simítottuk. Az adatokat ezután széttöredezték, és az alacsony frekvenciájú ingadozásokat (0.01 – 0.08 Hz) kiszűrték a szürke anyag jeleinek észlelése és a zaj hatásának csökkentése érdekében. A szűrt BOLD jelből hat fejmozgási paramétert, fehér anyag jeleket és cerebrospinális folyadék jeleket regresszáltunk. Végül ennek a regressziónak a maradványait az Automatikus anatómiai címkézés (AAL) atlasz alapján extraháltuk az 90 agyrégiókból (csomópontokból). [40], és páronkénti asszociációkat számoltunk ki, amelyek egy-egy alanyra vonatkoztatva 90-90 kapcsolati mátrixot eredményeztek. A Pearson-féle korrelációs együtthatót (nulla késés) alkalmaztuk az egyes páros asszociációk számszerűsítésére. Ne feledje, hogy a globális jelet nem vették figyelembe kellemetlen kovariánsként, biztosítva, hogy a negatív korrelációk aránya minimális legyen.

Az adatok elemzése

A hálózati alapú statisztika (NBS) [41], [42] A regionális agyhálózatok azonosítására szolgáltak, amelyek jelentősen megkülönböztetik a régiók közötti funkcionális kapcsolatok csoportok közötti különbségét. Pontosabban, egy t-tesztet végeztünk annak érdekében, hogy megvizsgáljuk a korrelációs együttható csoportok közötti különbségét az 90 × (90-1) / 2 = 4005 egyedi regionális párosítások mindegyikénél. Összekapcsolt hálózatok, hivatalosan: grafikon összetevők, majd azonosítottuk a t = 3.0 küszöbértéket meghaladó t-statisztikával rendelkező kapcsolatok között. Család-alapú hibával (FWE) korrigált p-értéket számítottunk az egyes kapott komponensek méretére permutációs teszteléssel (20000 permutációk). Mindegyik permutáció véletlenszerűen csoszogta a csoportcímkéket és meghatározta a csoport méretét legnagyobb összekapcsolt hálózatot, ezáltal a maximális komponensméret empirikus null-eloszlását eredményezve [43]. Becsültük az FWE-korrigált p-értéket minden összekapcsolt hálózathoz, mint azon permutációk arányát, amelyek nagyobb, vagy egyenlő méretű összekapcsolt hálózatot eredményeztek. A két alternatív hipotézist (függőség> kontrollok és függőség <kontrollok) függetlenül értékelték. Mindezeket a lépéseket az NBS szoftvercsomag segítségével hajtották végre, amelyet szabadon terjesztenek a Brain Connectivity Toolbox részeként (http://www.brain-connectivity-toolbox.net/) vagy NITRC (http://www.nitrc.org/projects/nbs/). Annak felmérése, hogy bármilyen szignifikáns eredmény reprodukálható-e az alternatív atlaszokkal [44]A fenti elemzést külön megismételtük az AAL atlas-nal, amelyet két alternatív atlasz helyettesített, hogy a kéreg nem átfedő régiókba kerüljön; nevezetesen a Montreali Neurológiai Intézet (MNI) szerkezeti atlaszát (http://www.fmrib.ox.ac.uk/fsl/data/atlas-descriptions.html) és egy véletlenszerű parcella, amely tartalmazza az 120 régiókat [45]. Az MNI atlasz egy durva parcella, amely agyféltekénként nyolc anatómiai régiót képvisel, ezáltal megkönnyíti az inter-lobar összeköttetés jellemzését.

Ezután megvizsgáltuk a kulcsfontosságú gráf alapú hálózati intézkedések csoportok közötti különbségeit [28]; nevezetesen az átlagos klaszter-együttható, a jellemző út hossz és a kis-világosság aránya. Ezen intézkedések értelmezése az agy komplexitása és szervezete szempontjából sok új irodalomban található [26], [30], [46]-[49]. Az összeköttetési mátrixokat először binárisan állítottuk össze egy rögzített csatlakozási sűrűséggel, az 10% és 30% között. [28]. A hálózati mértékeket minden sűrűségnél kiszámítottuk a Brain Connectivity Toolbox megfelelő funkciójával. A klaszterezési együtthatót és a jellemző út hosszát normalizáltuk a Maslov-Sneppen újravezetési algoritmussal generált 20 véletlen hálózatok együttese tekintetében. [50]. A csoportok közötti különbségeket ezután mindegyik sűrűségnél kétoldalas t-teszttel határoztuk meg.

Végül a klaszterezési együtthatót és az út hosszát lokálisan kiszámítottuk az 90 régiók mindegyikére. Kétoldalú t-tesztet is alkalmaztak a csoportok közötti különbségek tesztelésére ezekben a régió-specifikus mérésekben. A téves felfedezés aránya (FDR) [51] használták a többszörös összehasonlítások korrekciójához a hálózati sűrűség és a régiók családjában.

 

Eredmények

A résztvevő jellemzői

Minden résztvevő jobbkezes hím volt. Nem találtunk szignifikáns különbséget az életkorban és az IQ-ban a két csoport között, az YIAS pontszám szignifikánsan magasabb volt az internet-függőség csoportjában (Táblázat 1).

Csoportos különbségek a funkcionális kapcsolatokban

Az NBS azonosított egy hálózatot, amely szignifikánsan mutat (p<0.05, FWE-korrigálva) csökkent a kapcsolat az internet-függőségben szenvedő serdülőknél a kontrollokhoz képest. Ez az érintett hálózat 59 kapcsolatból állt, 38 különböző agyi régióval (ábra 1). A hálózat széles körben megismétlődött, amikor az AAL atlasot két alternatív atlasz helyettesítette, amelyek a kéreg nem átfedő régiókba történő ábrázolására szolgálnak (lásd a Ábra S1). Annak ellenére, hogy az ezeket az atlaszokat tartalmazó régiók teljes száma jelentős különbségeket mutat (AAL: 90, MNI: 16, véletlenszerűen: 120), figyelemre méltó következetesség mutatkozott a teljes hálózati struktúrában. A hálózat mérete várhatóan növekszik az atlasz felbontással (azaz a régiók teljes száma), ami összetettebb konfigurációt eredményez. Ugyanakkor az érintett corticalis és subcorticalis régiókat (és a megfelelő lebenyeket) széles körben megismételjük a három atlaszban. Az ábrákat a BrainNet Viewer segítségével (http://www.nitrc.org/projects/bnv/).

miniatűr
Letöltés: 

Ábra 1. A csökkent agyi funkcionális kapcsolatok hálózata az internetes függőséggel rendelkező serdülőknél.

A piros pontok az agyi régiók (csomópontok) sztereotaktikus centridjait mutatják, amelyeket az Automatikus anatómiai címkézés (AAL) atlasz határoz meg, a kék vonalak pedig a küszöb fölötti hivatkozásokat (t = 3.0), amelyek az érintett hálózatot a hálózati alapú statisztikával (NBS) azonosítják (p<0.05, alkatrészenként korrigálva). Az axiális nézet szemlélteti az interhemisphere kapcsolatok (azaz a jobb és a bal agyfélteke között kereszteződő kapcsolatok) érintettségét. A sagittális nézet szemlélteti a frontális, temporális és parietális lebeny érintettségét az érintett hálózatban.

doi: 10.1371 / journal.pone.0057831.g001

Fornito et al. [52], Az AAL régiókat megfelelő fő lebenyekre (pl. Frontális, időbeli, parietális) kategorizáltuk, és az ezeket a nagy léptékű megosztásokat összekötő kapcsolatok arányát minden egyes lebeny esetében meghatározzuk. Megállapítottuk, hogy a fronto-temporo-parietális kapcsolatok érintettek, de az okklitális lebenyt nem vették be az érintett hálózatba. Az internet-függőségi csoportban csökkentett kapcsolatok többsége a szubkortikális régiók és az elülső (~ 24%) és a parietális (~ 27%) kérgi (ábra 2). Annak érdekében, hogy jobban megértsük, mely subkortikális régiók járulhatnak hozzá ehhez a megállapításhoz, megvizsgáltuk az egyes kortikális lebenyek és az egyes subkortikális régiók közötti kapcsolatot az NBS hálózatban (Ábra S2). Ez az elemzés feltárta, hogy a subkortikális régiókban a hippokampusz, a globus pallidus és a putamen található. Az amygdala és a caudate sejtmag nem került be az érintett hálózatba. A kétoldalú putamen volt a legszélesebb körben bevont subkortikális régió, amely csökkentette a kapcsolatokat mindhárom érintett agyi lebeny között. Ezt a mintát az MNI atlasz felhasználásával megismételjük, amelyből a kapott hálózat csak az elülső, a parietális és az időbeli lebenyek mellett putameneket és insulákat tartalmazott; a caudate sejtmagját és az occipitalis lebenyt nem vették be az érintett hálózatba.

miniatűr
Letöltés:  

 

Ábra 2. Az internetes függőségben érintett kapcsolatok aránya, amely összekapcsolja a széles agyos megoszlás különálló pártjait.

Az egyes osztási párokat összekötő kapcsolatok számát a páronkénti összeköttetések teljes számával normalizáljuk. Vegye figyelembe, hogy a hippokampust, a globus pallidusot és a putameneket az subkortikális kategóriába sorolták, az elülső cingulált gyrusokat pedig az elülső kategóriába. Az amygdala és a caudate sejtmag nem került be a megszakadt hálózatba, így nem volt szükség ezeket a régiókat lebenyhez rendelni. A kétoldalú putamen volt a legszélesebb körben érintett subkortikális régió, ahol mindhárom érintett agyi lebeny kapcsolatai csökkentek.

doi: 10.1371 / journal.pone.0057831.g002

Az internet-függőség csoportban nem azonosítottunk olyan hálózatokat, amelyek megnövekedett kapcsolattal rendelkeznek. Nem találtunk szignifikáns összefüggést az azonosított hálózat funkcionális kapcsolódása és az YIAS pontszám között sem az internetes függőségi csoportban, sem a kontrollokban.

Csoportos különbségek a hálózati topológiában

A vizsgált hálózati sűrűségnél a csoportok közötti különbséget nem figyelték meg az átlagos klaszterezési együtthatóban, a jellegzetes úthosszban vagy a kis világosság arányában (p<0.05, FDR-korrigált) (ábra 3). Ezen túlmenően, a megfelelő helyi (régióspecifikus) mérésekben nem volt különbség a csoportok között az FDR korrekcióval több összehasonlítás esetén. Kevésbé szigorú hamis pozitív korrekció alkalmazása p<(1/90) = 0.011 [53] annak érdekében, hogy feltárjuk a trendszintű hatásokat, amelyek a csoportos különbségeket eredményezték a lokális klaszterezési együtthatóban és a lokális úthosszban, amelyek túlnyomórészt az okcitális lebenyekben jelentek meg (S1 táblázatok és a S2).

miniatűr
Letöltés: 

 

Ábra 3. Az agy funkcionális kapcsolatának kisvilágú paraméterei serdülőkorúakban, internetes függőségben.

doi: 10.1371 / journal.pone.0057831.g003

 

 

Megbeszélés

Az agyi funkcionális kapcsolat csökkenésének bizonyítékát internetes függőségű serdülőknél találták meg. Összhangban a jelenlegi modellekkel, amelyek hangsúlyozzák a cortico-subkortikális patológia szerepét a függőségben [54], A megváltozott hálózat kapcsolatainak 24% -a, megkülönböztetve a függőségeket szenvedő személyeket és az egészséges kontrollokat, a frontális és a subkortikális régiók közötti kapcsolatokban. További 27% -kal összekapcsolt subkortikális és parietális területek, korlátozottabb bizonyítékokkal a szigetek részvételére vonatkozóan, ismét összhangban állnak ezeknek a régióknak a függőségbe való bevonásával kapcsolatos legfrissebb bizonyítékokkal. Vegye figyelembe, hogy elemzésünk szigorú tesztet nyújt a függőség kortikó-subkortikális modelljeire, mivel az az agyban eloszlatott 90 különböző régiók közötti, páronkénti funkcionális kapcsolat méréseit tartalmazza. Az a tény, hogy a teljes képadatos elemzés alkalmazásával a cortico-subkortikális rendszerek kiemelkedő patológiává váltak, erőteljes támogatást nyújt e rendszereknek az internetes függőségbe való bevonásához. Megállapításaink azt is jelzik, hogy az internetes függőség hasonló a neurobiológiai tulajdonságokra, mint a többi függőségi rendellenesség esetében, és hogy különösen az subkortikális régiók jelenthetik az agyi hálózat patológiájának központi helyét. Fontos megjegyzés a Kábítószer-visszaélés Nemzeti Intézetének azon véleménye, miszerint a viselkedési függőség viszonylag tiszta modell lehet a függőség, figyelembe véve, hogy ezeket a feltételeket nem szennyezik az anyagok hatásai [55]. Míg számos más függőség rendellenességének tanulmányozását mindig befolyásolja a kábítószer-visszaélések másodlagos toxikológiai hatásai, addig az internetes függőséget viselkedési szempontból diagnosztizálják, és így célzottabb modellt nyújtanak a függőség tanulmányozására, amely mentes a hosszú távú gyógyszeres hatásoktól.

Ebben a tanulmányban az NBS-t használtuk a hálózat méretének mértékével; vagyis a hálózatot tartalmazó összeköttetések száma. Ez a méretmérő nem alkalmas a fókuszhatások kimutatására olyan egyedi, izolált kapcsolatok esetén, amelyek együttesen nem képeznek hálózatot. Az ilyen típusú csoportközi különbségek tesztelésére az NBS elemzést megismételtük az összetevők tömegének, és nem a méretbeli különbségek vizsgálatára. A tömegstatisztika nagyobb érzékenységet biztosít a fókuszált, intenzív hatásokra, mint a komponensek méretbeli különbségeinek tesztelése. Ezenkívül az FDR használatával is szélsőséges összehasonlításokat végeztünk, amelyek nagyon érzékenyek lesznek a nagy intenzitású, fókuszáló hatásokra. Nem volt szignifikáns a csoportok közötti különbség sem az FDR, sem a tömeges statisztikák esetében, ami arra utal, hogy az internetes függőség rendellenes összeköttetése olyan elosztott hálózatot foglal magában, amely több kortikális és szubkortikális régiót foglal magában.

Tekintettel arra, hogy az agyi hálózat tulajdonságai ismerten érzékenyek a parcellák sablonjának megválasztására, több alternatív parcellázási sémát vizsgáltunk annak érdekében, hogy értékeljük az esetleges megállapítások reprodukálhatóságát a csomópontdefiníciók változásaival kapcsolatban [45], [56], [57]. Ez lehetővé tette számunkra, hogy kizárjuk annak lehetőségét, hogy bizonyos megállapítások pusztán a csomópontok statisztikailag kedvező helyzetéből adódnak, ám más ismert parcellákkal nem reprodukálhatók.

IA funkcionális kapcsolat csökkentett erősségével ellentétben a topológiai paraméterek nem mutattak szignifikáns különbségeket a csoportban. Még ha további feltáró elemzéseket is végeztünk az I. típusú hibákkal szembeni kevésbé szigorú ellenőrzésen, az eredmények lehetséges topológiai különbségeket jeleztek, elsősorban az okklitális lebenyt érintve, amelyet az NBS elemzés nem befolyásolt. Így, bár az internetfüggőség a funkcionális összeköttetés széles körű és jelentős csökkenésével társult a kortiko-subkortikális áramkörökben, addig ez a csökkenés nem volt összefüggésben az agyi funkcionális hálózat topológiájának globális megszakadásával. Ez a tanulmány bebizonyítja, hogy a funkcionális összekapcsolhatóság széles körű különbségei lehetnek az alapvetõ topológiai mérések változásainak hiányában. Figyelemre méltónak tűnik, hogy a kapcsolódási erősségi különbségek annyira elterjedtek, hogy jelentős topológiai különbség hiányzik. Fontos azonban megjegyezni, hogy a topológia és az összeköttethetőség az összeköttetés különálló tulajdonságai, és az egyikben a rendellenességeknek nem kell a másikban a rendellenességeket jelenteniük. Hasonló megállapításokat figyeltek meg más rendellenességekben is [52], [58]. Megjegyezzük azonban, hogy egyes topológiai tulajdonságok csoportos különbségei statisztikai szignifikancia felé mutatnak. Nagyobb minta elemzése megteheti a szükséges erőfeszítéseket e hatások jelentősnek nyilvánításához. Eredményeink arra utalnak, hogy a topológiai változások finomabbak lehetnek, mint amelyeket a funkcionális összekapcsolhatóság mérésekor megfigyeltek.

A megváltozott hálózatba beépített 59 kapcsolatok közül az 25 interfeiszférikus, az 34 pedig intrahemiszférikus volt, jelezve mind a nagy, mind a rövid hatótávolságú kapcsolatok bevonását az agyban. Tekintettel arra, hogy az internetes függőség újonnan elismert mentálhigiénés állapot, koncepciója és diagnosztikai kritériumai továbbra sem meghatározhatók és meghatározhatatlanok, talán meglepő lehet, ha ilyen széles körben érintett hálózatot találunk ezen alanyok agyában. Nemrégiben Lin et al. (2012) az diffúziós-tensor képalkotással vizsgálta az internetfüggőséggel küzdő serdülők agyfehérje integritását, és a frakcionális anizotropia (FA) széles körű csökkenését találta az agyban, és az internetfüggőség csoportban nem volt magasabb FA-terület. [13]. Ezek az eredmények feltételezik a mintánkban megfigyelt funkcionális zavarok lehetséges anatómiai alapját, egy hipotézist, amelyet ugyanazon résztvevők kombinált fMRI és diffúziós súlyozott képalkotó módszerrel tesztelhető. [59].

Tekintettel a megváltozott hálózatban található interhemiszférikus kapcsolatok nagy számára, a hatékony interhemiszférikus kommunikáció régóta fontosnak tartja az agyi funkciókat [60]-[63]. Viszonylag kevés neurológiai képet mutató függőség-tanulmány foglalkozik azonban a kétoldalú félgömbök funkcionális integrációjával. Nemrég Kelly és munkatársai. (2011) megfigyelték, hogy csökkent kokainfüggő felnőttek közötti interhemiszferikus funkcionális kapcsolat [64]. Megállapították, hogy a fronto-parietalis hálózat elsődleges bevonása, az időbeli régiók viszonylagos megtakarításával párhuzamosan eredményeket eredményeznek. Noha a szerzők a megállapítást elsősorban a krónikus kokain expozíció hosszú távú hatásait tükrözték, megemlítették annak a lehetőségét is, hogy a függőségi rendellenességeknek való kitettség miatt a kokainnak való kitettség csökkenthette az interhemiszférikus funkcionális összekapcsolhatóságot. Eredményeink azt sugallják, hogy ezek az interhemiszterikus változások vagy a függőségi rendellenességekkel szembeni sebezhetőséget, vagy a generikus addiktív viselkedés neurális korrelációját tükrözik, nem pedig másodlagos jelentőségűek az elhúzódó kábítószer-használat szempontjából, mivel a mintánkban a függőség pusztán viselkedésbeli fogalmak szerint került meghatározásra. Ezeket a lehetőségeket ki lehet értékelni fenotípusos hasonlóságok tesztelésével az érintettek rokonai között, akik drog- vagy magatartási függőségben szenvednek.

Érdekes, hogy a frontális és a parietális régiók közötti nyugalmi állapot funkcionális kapcsolatának hasonló mintájáról számoltak be mind a kokain-, mind a heroinfüggő egyéneknéls [64], [65]. Egy közelmúltbeli áttekintésben Sutherland et al. (2012) azt sugallta, hogy a fronto-parietalis áramkörökben a csökkent kapcsolat lehet a drogfüggő populációk káros kognitív kontroll hálózatának központi eleme. [54]. Az internetes függőséggel kapcsolatos megállapításaink azt a feltevést is alátámasztják, hogy a frontális és a parietális régiók közötti funkcionális kapcsolat csökkentése lehet közös jellemző a különféle típusú függőségek esetében, ami arra utal, hogy megosztott fenotípus létezik, amely nem a droghasználat másodlagos következménye. Ezenkívül a teljes agy funkcionális kapcsolatának szkizofréniában végzett közelmúltbeli vizsgálata kiemelkedő fronto-időbeli, nem fronto-parietális vagy fronto-striatális változásokat mutatott [52], összhangban a rendellenesség klasszikus patofiziológiai modelljeivel [66]. A jelen tanulmány természetesen a legfigyelemreméltóbb megállapítása, hogy az internetes függőség különösen a striatális áramkörök patológiájával jár, amely rendszer általában más függőségi rendellenességekkel jár, és amely arra utal, hogy megosztott neurobiológiai fenotípus van. A megváltozott striatális áramkörök azonosítása, amelyek átfedésben vannak a jól megalapozott addiktív rendellenességek körével, hasznos lehet annak vizsgálatához, hogy a függőségi modell megfelelő elméleti keret a rendellenesség megértéséhez [67], [68]. Ugyanakkor továbbra is kérdéses, hogy a fronto-parietalis és fronto-striatal funkcionális kapcsolat viszonylag erősebb romlása nagyrészt a függőségi rendellenességekre vonatkozhat-e. A specifikusság megállapításához a különféle rendellenességeket közvetlenül összehasonlító jövőbeli tanulmányokra van szükség.

A jelen tanulmány egyik legérdekesebb megállapítása a putamenek erős bevonása volt. Ez az agyszerkezet ismert, hogy számos neurotranszmittert modulál, beleértve a dopamint is, és a tompított striatális dopaminerg funkciót erőteljesen befolyásolták a függőség rendellenességek egyik legfontosabb biológiai mechanizmusaként. [8]. A dopamin a putamen funkciójának kulcsfontosságú modulátora, és fontos szerepet játszhat az ebben a tanulmányban megfigyelt funkcionális kapcsolódási zavarokban. Ez összhangban áll a legfrissebb bizonyítékokkal, amelyek szerint a striatális dopamin transzporter és a D2 receptor elérhetősége megváltozott az internetfüggőséggel rendelkező embereknél [6], [7] és hogy az agy dopamin szintjének genetikai és farmakológiai modulációja mély hatást gyakorolhat a funkcionális kapcsolódási mintákra [69]-[71]. Figyelembe véve ezeket a korábbi jelentéseket és a függőség javasolt neurobiológiai mechanizmusát, amely a tompa striatális dopaminerg funkcióval jár [8], a dopaminnak a jelen tanulmányban megváltozott funkcionális összekapcsolhatóságot mutató hálózatára gyakorolt ​​hatásainak megértése fontos előrelépést jelent az internetes függőség neurobiológiai összefüggéseinek megértésében.

Érdekes az a megállapítás, hogy a putamen volt a leginkább érintett subkortikális régió a csökkent funkcionális hálózatban, megkímélve a caudate sejtmagját. Mindkét szerkezet a striatum része, amely viszont a subkortikális struktúrák része. A putamenet általában a motoros aktivitással járó agyrégiónak tekintik, és ritkábban vettek részt az anyag hozzáadásában, mint a caudate.. A motoros tevékenységek közül kimutatták, hogy az ismétlődő ujjmozgások jól megtanult sorozata kapcsolódik az aktiváláshoz a putamenben [72]-[76]. Az internetes függőségben szenvedő emberek hosszú időn keresztül sok magasabb gyakorisággal viselkedhetnek bizonyos viselkedéseknél, ideértve az egér és a billentyűzet ismétlődő kezelését, és ezek a tapasztalatok befolyásolhatják agyukat. Ezért a putamenből fakadó rendellenes kapcsolat valószínűleg az internetfüggőség sajátosságait jelzi. Mivel azonban a résztvevőkben nem mértük az ujjmanipuláció mértékét, a putameneket érintő csökkent, nem pedig fokozott kapcsolódás következményei az egér / billentyűzet manipulációval kapcsolatban továbbra is nyitottak lehetnek a jövőbeli kutatásokra. Alternatív megoldásként a putamen bevonása az eredményekbe tükrözheti szerepét a koudatív folyamatokban, amelyek meg vannak osztva a caudattal és amelyek szenvednek a függőségben, például a jutalom feldolgozásában. [77], [78].

Egy másik megvitatásra érdemes dolog az Internet-függőség csoportban fokozott funkcionális összeköttetések hiánya. Bár elsősorban arra számítottunk, hogy csökkent függőképességű függőség tapasztalható a függőségi csoportban, valójában nem zártuk ki annak lehetőségét, hogy megfigyeljük a megnövekedett funkcionális kapcsolatot, különös tekintettel arra a hipotézisre, hogy az internetes függőségű serdülők gyakorlati hatást gyakorolhatnak a túlzott online tevékenységek miatt [79]-[82]. A negatív megállapítás egyik magyarázata az lehet, hogy kis mintánknak nem volt elegendő képessége a gyakorlathoz kapcsolódó funkcionális összeköttetések növekedésének észlelésére. Még nem teljesen tisztázott, hogy bizonyos feladatok során a kognitív teljesítmény vagy az egyes pszichopatológiák súlyossága csökkentett vagy megnövekedett funkcionális kapcsolatként nyilvánul meg [83], [84]. Egy másik szempont, hogy a hosszú távú túlzott internethasználat az alpopuláció szerint eltérően befolyásolja az agyat. Például, a hivatásos online játékszereplőnek nevezett alpopuláció intenzív internetes tevékenységeket folytat, hasonló hosszú ideig tölti az online játékok gyakorlását, és valószínűleg jobban teljesít ezekben a játékokban, mint az internetfüggőségben szenvedők, és úgy tűnik, hogy nem függő, amint azt a szignifikánsan alacsonyabb YIAS pontszám is mutatja [85]. Ennélfogva feltételezhető, hogy az internetes tevékenységek gyakorlati hatása az egyéntől függően talán eltérően mutatkozik meg.

A jelen tanulmánynak van néhány fontos korlátja. Először is, a minta mérete meglehetősen kicsi volt, ami valószínűleg korlátozta az erőnket a funkcionális összekapcsolhatóság és az YIAS pontszámok közötti szignifikáns korrelációk kimutatására. Ezért a jelenlegi megállapítást meg kell ismételni egy nagyobb internet-függőséggel és kontrollal rendelkező résztvevők mintájában. Figyelemre méltó azonban, hogy a mintánk összességében összehasonlítható volt az internetes függőség korábbi funkcionális neuroimaging tanulmányaival. A mintánk egyedi volt, mivel a korábbi vizsgálatok többsége felnőttekre vonatkozott [2]-[7]. Másodszor, az internetes függőség diagnosztikai kritériumai még nem szilárdak meg, mégis megállapításaink rámutatnak e feltételezett rendellenesség lehetséges neurobiológiai alapjaira. Harmadszor, bár a K-SADS-PL alkalmazásával kizártuk a komorbid mentális rendellenességeket, a komorbid mentális állapotok küszöbszintű tünetei továbbra is fennállhatnak. Negyedszer, a klinikai információk szélesebb köre, például az alvási szokások összegyűjtése gazdagíthatta az adatokat és javíthatta az irodalomhoz való hozzájárulást. [86], [87]. Végül, a keresztmetszeti tanulmányterv korlátozza a csökkent funkcionális összekapcsolhatóság és az internetfüggőség kialakulása közötti okozati összefüggés értelmezését. Meg kell jegyezni, hogy a fej mozgása a funkcionális neuroimaging fontos összekeverésévé vált [38], [88]. Ebben a tanulmányban a fej mozgását átfogóan értékelték a közelmúltban javasolt forgási és elmozdulási intézkedések felhasználásával [38]. A figyelembe vett fejmozgási mutatók egyikében sem volt szignifikáns különbség a csoportok között.

IÖsszefoglalva, a tanulmány eredményei arra utalnak, hogy az internetes függőséggel küzdő serdülők megváltoztak az agyi funkcionális kapcsolat, a hálózati topológia bruttó zavarása hiányában. A megváltozott hálózat kimutatta a nagy hatótávolságú interhemiszférikus kapcsolatok, valamint a rövid hatótávolságú intrahemiszférikus kapcsolatok kiterjedését az agyban. A szubkortikális agyrégiók fontos szerepet játszhatnak ebben a megváltozott hálózatban, különösen a putamenben, amelyek csökkentett kapcsolatokat mutatnak mindhárom érintett agyi lebeny között.

 

 

segítő információ

Figure_S1.tif
  • 1 / 4

letöltés

A csökkent agyi funkcionális kapcsolatok hálózata az internetes függőséggel rendelkező serdülőknél (különböző atlaszok felhasználásával).A piros pontok az agyi régiók (csomópontok) sztereotaktikus centridjait jelölik, amelyeket a Montreali Neurológiai Intézet (MNI) szerkezeti atlasz (A) és véletlenszerű parcelációs atlasz (B) határoz meg, a kék vonalak pedig a küszöb feletti összeköttetéseket (t = 2.1 és 3.0), amelyek az érintett a hálózat a hálózati alapú statisztikával (NBS) azonosítva (p<0.05, komponensenként korrigálva).

S1 ábra.

A csökkent agyi funkcionális kapcsolatok hálózata az internetes függőséggel rendelkező serdülőknél (különböző atlaszok felhasználásával).A piros pontok az agyi régiók (csomópontok) sztereotaktikus centridjait jelölik, amelyeket a Montreali Neurológiai Intézet (MNI) szerkezeti atlasz (A) és véletlenszerű parcelációs atlasz (B) határoz meg, a kék vonalak pedig a küszöb feletti összeköttetéseket (t = 2.1 és 3.0), amelyek az érintett a hálózat a hálózati alapú statisztikával (NBS) azonosítva (p<0.05, komponensenként korrigálva).

(TIF)

S2 ábra.

Az internetfüggőségben érintett kapcsolatok aránya, amely a széles agyos megoszlás különféle párait kapcsolja össze (subkortikális régiókra vonatkozó részletesen).Az egyes osztási párokat összekötő kapcsolatok számát a páronkénti hivatkozások teljes számával normalizálják.

(TIF)

S1 táblázat.

Helyi klaszterezési együttható.Ez a táblázat a trendszint eredményeit mutatja kevésbé szigorú hamis pozitív korrekcióval p<(1/90) = 0.011; egyetlen eredmény sem élte túl a standard hamis felfedezési arány korrekciót többszörös összehasonlítás esetén.

(DOC)

S2 táblázat.

Helyi út hossza.Ez a táblázat a trendszint eredményeit mutatja kevésbé szigorú hamis pozitív korrekcióval p<(1/90) = 0.011; egyetlen eredmény sem élte túl a standard hamis felfedezési arány korrekciót többszörös összehasonlítás esetén.

(DOC)

  

 

Szerzői hozzájárulások

A kísérletek megtervezése és megtervezése: SBH EJC HHK JES CDK JWK SHY. Kísérleteket hajtott végre: SBH EJC HHK JES. Az adatok elemzése: SBH AZ LC AF. Hozzáadott reagensek / anyagok / elemző eszközök: SBH AZ LC AF CDK JWK SHY. Írta a papírt: SBH AZ LC AF EJC HHK JES CDK JWK SHY.

  

 

Referenciák

  1. Ko CH, Yen JY, Yen CF, Chen CS, Chen CC (2012) Az internet-függőség és a pszichiátriai rendellenesség közötti kapcsolat: az irodalom áttekintése. Eur Pszichiátria 27: 1 – 8. doi: 10.1016 / j.eurpsy.2010.04.011. Keresse meg ezt a cikket online
  2. Dong G, Huang J, Du X (2011) Fokozott jutalomérzékenység és csökkent veszteségérzékenység az Internet-függőknél: fMRI-tanulmány egy találgatás során. J Psychiatr Res 45: 1525 – 1529. doi: 10.1016 / j.jpsychires.2011.06.017. Keresse meg ezt a cikket online
  3. Han DH, Bolo N, Daniels MA, Arenella L, Lyoo IK, et al. (2011) Agyi tevékenység és vágy az internetes videojátékokra. Compr Pszichiátria 52: 88 – 95. doi: 10.1016 / j.comppsych.2010.04.004. Keresse meg ezt a cikket online
  4. Han DH, Kim YS, Lee YS, Min KJ, Renshaw PF (2010) A cue-indukált prefrontalis cortex aktivitás változásai videojátékokkal. Cyberpsychol Behav Soc Netw 13: 655 – 661. doi: 10.1089 / cyber.2009.0327. Keresse meg ezt a cikket online
  5. Ko CH, Liu GC, Hsiao S, Yen JY, Yang MJ, et al. (2009) Agyi tevékenységek, amelyek az online játékfüggőség szerencsejáték-vágyához kapcsolódnak. J Psychiatr Res 43: 739 – 747. doi: 10.1016 / j.jpsychires.2008.09.012. Keresse meg ezt a cikket online
  6. Kim SH, Baik SH, Park CS, Kim S. J., Choi SW, et al. (2011) Csökkentett striatális dopamin D2 receptorok az internetes függőségben szenvedő embereknél. Neuroreport 22: 407 – 411. doi: 10.1097/WNR.0b013e328346e16e. Keresse meg ezt a cikket online
  7. Hou H, Jia S., Hu S., Fan R, Sun W és mtsai. (2012) Csökkent striatális dopamin transzporterek internetfüggőséggel küzdő embereknél. J Biomed Biotechnol 2012: 854524. doi: 10.1155/2012/854524. Keresse meg ezt a cikket online
  8. Goldstein RZ, Volkow ND (2011) A prefrontalis kéreg diszfunkciója függőségben: neuroképalkotó eredmények és klinikai következmények. Nat Rev Neurosci 12: 652 – 669. doi: 10.1038 / nrn3119. Keresse meg ezt a cikket online
  9. Goldstein RZ, Craig AD, Bechara A, Garavan H, Childress AR, et al. (2009) A kábítószer-függőség káros észlelésének idegkörzete. Trendek Cogn Sci 13: 372 – 380. doi: 10.1016 / j.tics.2009.06.004. Keresse meg ezt a cikket online
  10. Naqvi NH, Bechara A (2010) Az izolátumok és a kábítószer-függőség: az öröm, a sürgetések és a döntéshozatal interoceptív képe. Brain Struct Funct 214: 435 – 450. doi: 10.1007/s00429-010-0268-7. Keresse meg ezt a cikket online
  11. Zhou Y, Lin FC, Du YS, Qin LD, Zhao ZM, et al. (2011) Szürkeanyag-rendellenességek az internetes függőségben: voxel-alapú morfometria vizsgálat. Eur J Radiol 79: 92 – 95. doi: 10.1016 / j.ejrad.2009.10.025. Keresse meg ezt a cikket online
  12. Yuan K, Qin W, Wang G, Zeng F, Zhao L, et al. (2011) Mikroszerkezeti rendellenességek internetes függőséggel küzdő serdülőknél. PLoS One 6: e20708. doi: 10.1371 / journal.pone.0020708. Keresse meg ezt a cikket online
  13. Lin F, Zhou Y, Du Y, Qin L, Zhao Z és mtsai. (2012) Abnormális fehérje-integritás Internet-függőséggel küzdő serdülőknél: traktus-alapú térbeli statisztikai tanulmány. PLoS One 7: e30253. doi: 10.1371 / journal.pone.0030253. Keresse meg ezt a cikket online
  14. Liu J, Gao XP, I. Osunde, Li X, Zhou SK, et al. (2010) Megnövekedett regionális homogenitás az internetes függőségi rendellenességekben: nyugalmi állapotú funkcionális mágneses rezonancia képalkotó vizsgálat. Chin Med J (Engl) 123: 1904 – 1908. Keresse meg ezt a cikket online
  15. Jüan K, Qin W, Liu Y, Tian J (2011) Internet-függőség: Neuroimaging eredmények. Commun Integr Biol 4: 637 – 639. Keresse meg ezt a cikket online
  16. Raichle ME, Snyder AZ (2007) Az agyi funkció alapértelmezett módja: a fejlődő ötlet rövid története. Neuroimagnáció 37: 1083 – 1090; 1097 – 1089 beszélgetés. doi: 10.1016 / j.neuroimage.2007.02.041. Keresse meg ezt a cikket online
  17. Fox MD, Corbetta M, Snyder AZ, Vincent JL, Raichle ME (2006) A spontán neuronális aktivitás megkülönbözteti az emberi hátsó és ventrális figyelmeztető rendszereket. Proc Natl Acad Sci USA 103: 10046 – 10051. doi: 10.1073 / pnas.0604187103. Keresse meg ezt a cikket online
  18. Smith SM, Miller KL, Moeller S, Xu J, Auerbach EJ, et al. (2012) A spontán agyi tevékenység időben független funkcionális módjai. Proc Natl Acad Sci USA 109: 3131 – 3136. doi: 10.1073 / pnas.1121329109. Keresse meg ezt a cikket online
  19. Damoiseaux JS, Rombouts SA, Barkhof F, Scheltens P, Stam CJ, et al. (2006) Állandó hálózatok az egészséges alanyok között. Proc Natl Acad Sci USA 103: 13848 – 13853. doi: 10.1073 / pnas.0601417103. Keresse meg ezt a cikket online
  20. Shehzad Z, Kelly AM, Reiss PT, Gee DG, Gotimer K, et al. (2009) A nyugalmi agy: nem korlátozott, de megbízható. Cereb Cortex 19: 2209 – 2229. doi: 10.1093 / cercor / bhn256. Keresse meg ezt a cikket online
  21. Fornito A, Bullmore ET (2012) Connectomic közbenső fenotípusok pszichiátriai rendellenességekhez. Elülső pszichiátria 3: 32. doi: 10.3389 / fpsyt.2012.00032. Keresse meg ezt a cikket online
  22. Fornito A, Zalesky A, Bassett DS, Meunier D, Ellison-Wright I és mtsai. (2011) Genetikai hatások az emberi kortikális funkcionális hálózatok költséghatékony szervezésére. J Neurosci 31: 3261 – 3270. doi: 10.1523 / JNEUROSCI.4858-10.2011. Keresse meg ezt a cikket online
  23. Glahn DC, Winkler AM, Kochunov P, Almasy L, Duggirala R és mtsai. (2010) A nyugalmi agy genetikai szabályozása. Proc Natl Acad Sci USA 107: 1223 – 1228. doi: 10.1073 / pnas.0909969107. Keresse meg ezt a cikket online
  24. Fox MD, Raichle ME (2007) Az agyi aktivitás spontán ingadozása funkcionális mágneses rezonancia leképezéssel megfigyelt. Nat Rev Neurosci 8: 700 – 711. doi: 10.1038 / nrn2201. Keresse meg ezt a cikket online
  25. Fornito A, Bullmore ET (2010) Mit adhat a vér oxigénellátási szintjétől függő jel spontán ingadozása a pszichiátriai rendellenességekről? Jelenlegi vélemény a pszichiátriában 23: 239 – 249. doi: 10.1097/YCO.0b013e328337d78d. Keresse meg ezt a cikket online
  26. Bullmore E, Sporns O (2009) Komplex agyhálózatok: a szerkezeti és funkcionális rendszerek grafikus elméleti elemzése. Nat Rev Neurosci 10: 186 – 198. Keresse meg ezt a cikket online
  27. JJ (2008) blokkolása a DSM-V-hez: internet-függőség. J J Pszichiátria 165: 306 – 307. doi: 10.1176 / appi.ajp.2007.07101556. Keresse meg ezt a cikket online
  28. Rubinov M, Sporns O (2010) Az agyi kapcsolat összetett hálózati mérése: felhasználások és értelmezések. Neuroimage 52: 1059 – 1069. doi: 10.1016 / j.neuroimage.2009.10.003. Keresse meg ezt a cikket online
  29. Xia M, He Y (2011) Mágneses rezonancia képalkotás és összetett agyi hálózatok grafikus elméleti elemzése neuropszichiátriai rendellenességekben. Brain Connect 1: 349 – 365. doi: 10.1089 / brain.2011.0062. Keresse meg ezt a cikket online
  30. Fornito A, Zalesky A, Pantelis C, Bullmore ET (2012) szkizofrénia, idegkép és összeköttetés. Neuroimage doi: 10.1016 / j.neuroimage.2011.12.090. Keresse meg ezt a cikket online
  31. Gong G, He Y, Evans AC (2011) Agyi kapcsolat: a nem változtat meg különbséget. Idegtudós 17: 575 – 591. doi: 10.1177/1073858410386492. Keresse meg ezt a cikket online
  32. Widyanto L, McMurran M (2004) Az internet-függőség teszt pszichometriai tulajdonságai. Cyberpsychol Behav 7: 443 – 450. doi: 10.1089 / cpb.2004.7.443. Keresse meg ezt a cikket online
  33. Kaufman J, Birmaher B, Brent D, Rao U, Flynn C, et al. (1997) Affektív rendellenességek és skizofrénia ütemterve az iskolás korú gyermekek jelenlegi és élettartama változatában (K-SADS-PL): kezdeti megbízhatósági és érvényességi adatok. J Am Acad gyermek serdülőkori pszichiátria 36: 980 – 988. doi: 10.1097 / 00004583-199707000-00021. Keresse meg ezt a cikket online
  34. Kim YS, Cheon KA, Kim B. N., Chang SA, Yoo HJ, et al. (2004) A Kiddie-ütemterv megbízhatósága és érvényessége az effektív rendellenességek esetén és a skizofrénia jelenlegi és élettartama változat-koreai változata (K-SADS-PL-K). Yonsei Med J 45: 81 – 89. Keresse meg ezt a cikket online
  35. Christakis DA (2010) internetes függőség: 21 század járvány? BMC Med 8: 61. doi: 10.1186/1741-7015-8-61. Keresse meg ezt a cikket online
  36. Flisher C (2010) Bekapcsolás: az internetes függőség áttekintése. J Gyermekgyógyászat 46: 557 – 559. doi: 10.1111 / j.1440-1754.2010.01879.x. Keresse meg ezt a cikket online
  37. Chao-Gan Y, Yu-Feng Z (2010) DPARSF: A MATLAB eszköztár a nyugalmi állapotú fMRI „csővezeték” adatelemzéséhez. Front Syst Neurosci 4: 13. Keresse meg ezt a cikket online
  38. Van Dijk KR, Sabuncu MR, Buckner RL (2012) A fej mozgásának hatása a belső funkcionális összeköttetések MRI-jére. Neuroimage 59: 431 – 438. doi: 10.1016 / j.neuroimage.2011.07.044. Keresse meg ezt a cikket online
  39. Wilke M, Hollandia SK, Altaye M, Gaser C (2008) Template-O-Matic: eszközkészlet testreszabott gyermekgyógyászati ​​sablonok létrehozásához. Neuroimage 41: 903 – 913. doi: 10.1016 / j.neuroimage.2008.02.056. Keresse meg ezt a cikket online
  40. Tzourio-Mazoyer N, Landeau B, Papathanassiou D, Crivello F, Etard O, et al. (2002) Az SPM aktivációinak anatómiai anatómiai címkézése az MNI MRI egyedüli agyának makroszkopikus anatómiai parcellációjával. Neuroimage 15: 273 – 289. doi: 10.1006 / nimg.2001.0978. Keresse meg ezt a cikket online
  41. Zalesky A, Fornito A, Bullmore ET (2010) Hálózat-alapú statisztika: az agyi hálózatok közötti különbségek azonosítása. Neuroimage 53: 1197 – 1207. doi: 10.1016 / j.neuroimage.2010.06.041. Keresse meg ezt a cikket online
  42. Zalesky A, Cocchi L, Fornito A, Murray MM, Bullmore E (2012) Összeköttetési különbségek az agyi hálózatokban. Neuroimage 60: 1055 – 1062. doi: 10.1016 / j.neuroimage.2012.01.068. Keresse meg ezt a cikket online
  43. Nichols TE, Holmes AP (2002) Nem paraméteres permutációs tesztek a funkcionális neuroimaging számára: Alapozó példákkal. Emberi agy leképezése 15: 1 – 25. doi: 10.1002 / hbm.1058. Keresse meg ezt a cikket online
  44. Wig GS, Schlaggar BL, Petersen SE (2011) Fogalmak és alapelvek az agyhálózatok elemzésében. Ann NY Acad Sci 1224: 126 – 146. doi: 10.1111 / j.1749-6632.2010.05947.x. Keresse meg ezt a cikket online
  45. Zalesky A, Fornito A, Harding IH, Cocchi L, Yucel M, et al. (2010) Teljes agy anatómiai hálózata: A csomópontok megválasztása számít? Neuroimage 50: 970 – 983. doi: 10.1016 / j.neuroimage.2009.12.027. Keresse meg ezt a cikket online
  46. Bassett DS, Bullmore ET (2009) Emberi agyi hálózatok egészségi állapotban és betegségekben. Curr Opin Neurol 22: 340 – 347. doi: 10.1097/WCO.0b013e32832d93dd. Keresse meg ezt a cikket online
  47. Guye M, Bettus G, Bartolomei F, Cozzone PJ (2010) A normál és kóros agyi hálózatok szerkezeti és funkcionális összekapcsolhatóságának MRI grafikus elméleti elemzése. MAGMA 23: 409 – 421. doi: 10.1007 / s10334-010-0205-z. Keresse meg ezt a cikket online
  48. He Y, Evans A (2010) Az agyi összefüggések grafikus elméleti modellezése. Curr Opin Neurol 23: 341 – 350. doi: 10.1097/WCO.0b013e32833aa567. Keresse meg ezt a cikket online
  49. Bassett DS, Gazzaniga MS (2011) Az emberi agy komplexitásának megértése. Trendek Cogn Sci 15: 200 – 209. doi: 10.1016 / j.tics.2011.03.006. Keresse meg ezt a cikket online
  50. Maslov S, Sneppen K (2002) Specifikáció és stabilitás a proteinhálózatok topológiájában. Science 296: 910 – 913. doi: 10.1126 / science.1065103. Keresse meg ezt a cikket online
  51. Genovese CR, Lazar NA, Nichols T (2002) A statisztikai térképek küszöbértéke a funkcionális neuroképeken a hamis felfedezési arány felhasználásával. Neuroimage 15: 870 – 878. doi: 10.1006 / nimg.2001.1037. Keresse meg ezt a cikket online
  52. Fornito A, Yoon J, Zalesky A, Bullmore ET, Carter CS (2011) Általános és specifikus funkcionális kapcsolódási zavarok az első epizód skizofrénia során a kognitív kontroll során. Biol Pszichiátria 70: 64 – 72. doi: 10.1016 / j.biopsych.2011.02.019. Keresse meg ezt a cikket online
  53. Lynall ME, Bassett DS, Kerwin R., McKenna PJ, Kitzbichler M. és munkatársai. (2010) Funkcionális kapcsolat és agyi hálózatok skizofrénában. J Neurosci 30: 9477 – 9487. Keresse meg ezt a cikket online
  54. Sutherland MT, McHugh MJ, Pariyadath V, Stein EA (2012) Nyugalmi állapotú funkcionális kapcsolat függőségben: Tanulságok és út előttünk. Neuroimage 62: 2281 – 2295. doi: 10.1016 / j.neuroimage.2012.01.117. Keresse meg ezt a cikket online
  55. Shaw M, fekete DW (2008) internetes függőség: meghatározás, értékelés, járványtani és klinikai kezelés. 22 központi idegrendszer gyógyszerei: 353 – 365. doi: 10.2165 / 00023210-200822050-00001. Keresse meg ezt a cikket online
  56. Wang J, Wang L, Zang Y, Yang H, Tang H és mtsai. (2009) Parcelációtól függő kis világú agyi funkcionális hálózatok: nyugalmi fMRI vizsgálat. Hum Brain Mapp 30: 1511 – 1523. doi: 10.1002 / hbm.20623. Keresse meg ezt a cikket online
  57. Fornito A, Zalesky A, Bullmore ET (2010) Hálózati méretezési hatások az emberi nyugalmi állapotú FMRI adatok grafikus analitikai vizsgálataiban. Front Syst Neurosci 4: 22. doi: 10.3389 / fnsys.2010.00022. Keresse meg ezt a cikket online
  58. Cocchi L, Bramati IE, Zalesky A, Furukawa E, Fontenelle L, et al. (2012) Megváltozott funkcionális agyi kapcsolat a figyelem-hiányos / hiperaktivitási rendellenességgel küzdő fiatal felnőttek nem klinikai mintájában. J Neurosci doi: 10.1523 / JNEUROSCI.3272-12.2012. Keresse meg ezt a cikket online
  59. Honey CJ, Sporns O, Cammoun L, Gigandet X, Thiran JP, et al. (2009) Az emberi nyugalmi állapotú funkcionális összekapcsolódás előrejelzése a strukturális összeköttetésekből. Proc Natl Acad Sci USA 106: 2035 – 2040. doi: 10.1073 / pnas.0811168106. Keresse meg ezt a cikket online
  60. Anderson JS, Druzgal TJ, Froehlich A, DuBray MB, Lange N, et al. (2011) Csökkent interhemiszeri funkcionális kapcsolat az autizmusban. Cereb Cortex 21: 1134 – 1146. doi: 10.1093 / cercor / bhq190. Keresse meg ezt a cikket online
  61. Clarke AR, Barry RJ, Heaven PC, McCarthy R, Selikowitz M és mtsai. (2008) EEG-koherencia felnőtteknél, akiknek figyelmi hiány / hiperaktivitás zavara van. Int J Pszichofiziol 67: 35 – 40. doi: 10.1016 / j.ijpsycho.2007.10.001. Keresse meg ezt a cikket online
  62. Pettigrew JD, Miller SM (1998) „Ragadó” interhemisphericus váltás bipoláris rendellenességben? Proc Biol Sci 265: 2141–2148. doi: 10.1098 / rspb.1998.0551. Keresse meg ezt a cikket online
  63. Spencer KM, Nestor PG, Niznikiewicz MA, Salisbury DF, Shenton ME, et al. (2003) Kóros idegi szinkronizmus skizofrénia esetén. J Neurosci 23: 7407 – 7411. Keresse meg ezt a cikket online
  64. Kelly C, Zuo XN, Gotimer K, Cox CL, Lynch L, et al. (2011) Csökkentett interhemiszférikus nyugalmi állapotú funkcionális összekapcsolhatóság kokainfüggőségben. Biol Pszichiátria 69: 684 – 692. doi: 10.1016 / j.biopsych.2010.11.022. Keresse meg ezt a cikket online
  65. Yuan K, Qin W, Dong M, Liu J, Sun J és társai. (2010) Szürke anyaghiány és nyugalmi állapot rendellenességek abstinens heroinfüggő egyéneknél. Neurosci Lett 482: 101 – 105. doi: 10.1016 / j.neulet.2010.07.005. Keresse meg ezt a cikket online
  66. Fletcher P, McKenna PJ, Friston KJ, Frith CD, Dolan RJ (1999) A szkizofrénia során a fronto-időbeli összekapcsolódás abnormális cingulációs modulációja. Neuroimage 9: 337 – 342. doi: 10.1006 / nimg.1998.0411. Keresse meg ezt a cikket online
  67. Choi JS, Shin YC, Jung WH, Jang JH, Kang DH és mtsai. (2012) Megváltozott agyi tevékenység a jutalom előrejelzése során patológiás szerencsejáték és rögeszmés-kompulzív rendellenesség esetén. PLoS One 7: e45938. doi: 10.1371 / journal.pone.0045938. Keresse meg ezt a cikket online
  68. Tomasi D, Volkow ND (2012) Striotokortikus út diszfunkció függőségben és elhízásban: különbségek és hasonlóságok. Crit Rev Biochem Mol Biol doi: 10.3109/10409238.2012.735642. Keresse meg ezt a cikket online
  69. Cole DM, Oei NY, Soeter RP, Mindkét S, van Gerven JM, et al. (2012) A cortico-subcortical hálózati kapcsolat dopaminfüggő architektúrája. Cereb Cortex doi: 10.1093 / cercor / bhs136. Keresse meg ezt a cikket online
  70. Gordon EM, Stollstorff M., Devaney JM, Bean S, Vaidya CJ (2011) A dopamin transzporter genotípusának hatása a belső funkcionális összekapcsolódásra a kognitív állapottól függ. Cereb Cortex doi: 10.1093 / cercor / bhr305. Keresse meg ezt a cikket online
  71. Rieckmann A, Karlsson S, Fischer H, Backman L (2011) A Caudate dopamin D1 receptor sűrűsége a frontoparietális kapcsolatok egyedi különbségeihez kapcsolódik a munkamemória során. J Neurosci 31: 14284 – 14290. doi: 10.1523 / JNEUROSCI.3114-11.2011. Keresse meg ezt a cikket online
  72. Lehericy S, Bardinet E, Tremblay L, Van de Moortele PF, Pochon JB és mtsai. (2006) Motorvezérlés bazális ganglionáramkörökben fMRI és agyatlaszt megközelítések felhasználásával. Cereb Cortex 16: 149 – 161. doi: 10.1093 / cercor / bhi089. Keresse meg ezt a cikket online
  73. Jenkins IH, Brooks DJ, Nixon PD, Frackowiak RS, Passingham RE (1994) Motoros szekvencia tanulás: tanulmány pozitron emissziós tomográfiával. J Neurosci 14: 3775 – 3790. Keresse meg ezt a cikket online
  74. Jueptner M, Frith CD, Brooks DJ, Frackowiak RS, Passingham RE (1997) A motoros tanulás anatómiája. II. Subkortikális struktúrák és tanulás próba és hiba útján J Neurofiziol 77: 1325 – 1337. Keresse meg ezt a cikket online
  75. Roland PE, Meyer E, Shibasaki T, Yamamoto YL, Thompson CJ (1982) Agykéreg regionális véráramlásának változásai a kéregben és a bazális ganglionokban a normál emberi önkéntesek önkéntes mozgása során. J Neurofiziol 48: 467 – 480. Keresse meg ezt a cikket online
  76. Shibasaki H, Sadato N, Lyshkow H, Yonekura Y, Honda M, et al. (1993) Az elsődleges motorkéreg és a kiegészítő motoros terület fontos szerepet játszanak az ujjak komplex mozgásában. Agy 116 (Pt 6): 1387 – 1398. doi: 10.1093 / agy / 116.6.1387. Keresse meg ezt a cikket online
  77. Volkow ND, Fowler JS, Wang GJ (2003) Az addiktív emberi agy: betekintés a képalkotó vizsgálatokból. J Clin Invest 111: 1444 – 1451. Keresse meg ezt a cikket online
  78. Yuan K, Qin W, Liu J, Guo Q, Dong M, et al. (2010) A megváltozott kisvilágos agyi funkcionális hálózatok és a heroinhasználat időtartama férfiak absztinens heroinfüggő egyéneknél. Neurosci Lett 477: 37 – 42. doi: 10.1016 / j.neulet.2010.04.032. Keresse meg ezt a cikket online
  79. Di X, Zhu S, Jin H, Wang P, Ye Z és mtsai. (2012) Megváltozott a nyugalmi agyi funkció és felépítés a profi tollaslabda játékosokban. Brain Connect 2: 225 – 233. doi: 10.1089 / brain.2011.0050. Keresse meg ezt a cikket online
  80. Duan X, Liao W, Liang D, Qiu L, Gao Q, et al. (2012) Nagyszabású agyi hálózatok társasjátékok szakértőiben: betekintést a tartományhoz kapcsolódó feladatból és feladat nélküli nyugalmi állapotból. PLoS One 7: e32532. doi: 10.1371 / journal.pone.0032532. Keresse meg ezt a cikket online
  81. Ma L, Narayana S, Robin DA, Fox PT, Xiong J (2011) A motoros képességek tanulásának 4 heteiben változások lépnek fel a motorrendszer nyugalmi állapotú hálózatában. Neuroimage 58: 226 – 233. Keresse meg ezt a cikket online
  82. Martinez K, Solana AB, Burgaleta M., Hernandez-Tamames JA, Alvarez-Linera J, et al. (2012) A nyugalmi állapotban funkcionálisan csatlakoztatott parietofrontal hálózatok változásai a videojáték gyakorlása után. Hum Brain Mapp doi: 10.1002 / hbm.22129. Keresse meg ezt a cikket online
  83. Zhou Y, Liang M, Tian L, Wang K, Hao Y és társai. (2007) Funkcionális szétesés paranoid skizofrénában nyugalmi fMRI alkalmazásával. Schizophr Res 97: 194 – 205. doi: 10.1016 / j.schres.2007.05.029. Keresse meg ezt a cikket online
  84. Whitfield-Gabrieli S, Thermenos HW, Milanovic S, Tsuang MT, Faraone SV, et al. (2009) Az alapértelmezett hálózat hiperaktivitása és hiperkapcsolata skizofrénia és a skizofrénia betegeinek első fokú rokonai esetén. Proc Natl Acad Sci USA 106: 1279 – 1284. doi: 10.1073 / pnas.0809141106. Keresse meg ezt a cikket online
  85. Han DH, Lyoo IK, Renshaw PF (2012) Diferenciális regionális szürkeanyag-mennyiségek az online játékfüggőségben szenvedő betegek és a profi játékosok között. J Psychiatr Res 46: 507 – 515. doi: 10.1016 / j.jpsychires.2012.01.004. Keresse meg ezt a cikket online
  86. De Havas JA, Parimal S, Soon CS, Chee MW (2012) Az alvásmentesség csökkenti az alapértelmezett hálózati csatlakozást és az anti-korrelációt pihenés és a feladat teljesítése során. Neuroimage 59: 1745 – 1751. doi: 10.1016 / j.neuroimage.2011.08.026. Keresse meg ezt a cikket online
  87. Killgore WD, Schwab ZJ, Weiner MR (2012) Az önjelentés szerint az éjszakai alvás időtartama a következő napi nyugalmi állapot funkcionális csatlakoztathatóságához kapcsolódik. Neuroreport 23: 741 – 745. doi: 10.1097 / WNR.0b013e3283565056. Keresse meg ezt a cikket online
  88. Power JD, Barnes KA, Snyder AZ, Schlaggar BL, Petersen SE (2012) A funkcionális összeköttethetőség MRI hálózatainak hamis, de szisztematikus összefüggései az alany mozgásából származnak. Neuroimage 59: 2142 – 2154. doi: 10.1016 / j.neuroimage.2011.10.018. Keresse meg ezt a cikket online