최종 편집 양식으로 다음과 같이 게시됩니다.
Neurosci Biobehav Rev. 2011 4 월; 35 (5) : 1219–1236입니다.
온라인 2010 Dec 24 게시. doi : 10.1016 / j.neubiorev.2010.12.012
PMCID : PMC3395003
NIHMSID : NIHMS261816
이 기사의 최종 편집본은 신경 과학 Biobehav Rev
PMC의 다른 기사보기 인용 출판 된 기사.
추상
인간 두뇌의 보상 회로를 더 잘 이해하기 위해 건강한 성인의 보상 관련 작업에서 뇌 활성화를 검사 한 142 신경 영상 연구에서 활성화 가능성 추정 (ALE) 및 파라 메트릭 복셀 기반 메타 분석 (PVM)을 수행했습니다. 우리는 핵 축적 (NAcc), caudate, putamen, thalamus, orbitofrontal cortex (OFC), 양측 전방 절연, 전방 (ACC) 및 후방 (PCC) cingulate cortex를 포함하여 보상 관련 의사 결정에 참여한 몇 가지 핵심 뇌 영역을 관찰했습니다. , 열등한 정수리 소엽 및 전전두엽 피질 (PFC)의인지 조절 영역. NAcc는 일반적으로 다양한 보상 처리 단계 (예 : 기대, 결과 및 평가)에 걸쳐 긍정적 및 부정적 보상에 의해 활성화되었습니다. 또한 중간 OFC와 PCC는 우선적으로 긍정적 인 보상에 반응 한 반면, ACC, 양측 전방 절연 및 측면 PFC는 부정적인 보상에 선택적으로 반응했다. 보상 기대는 ACC, 양측 전방 절연 및 뇌간을 활성화 시켰지만, 보상 결과는 NAcc, 중간 OFC 및 편도를 더 크게 활성화시켰다. 따라서 보상 관련 의사 결정의 신경 생물학적 이론은 보상 평가 및 원자가 평가의 표현을 분산하고 상호 연관시켜야합니다.
1. 소개
사람들은 매일 수많은 보상 관련 의사 결정 기회에 직면합니다. 우리의 신체적, 정신적, 사회-경제적 복지는 결정의 결과에 달려 있습니다. 따라서 보상 관련 의사 결정의 정상적인 기능이 무엇인지 이해하는 것이 중요합니다. 보상 관련 의사 결정의 정상적인 기능을 연구하면 우울증과 같은 기능이 중단 될 때 발생하는 다양한 행동 및 정신 장애를 더 잘 이해할 수 있습니다.Drevets, 2001), 물질 남용 (Bechara, 2005; 가라 반과 스타우트, 2005; Volkow et al., 2003) 및 섭식 장애 (크 링겔 바흐 et al., 2003; Volkow and Wise, 2005).
보상에 대한 기능적 신경 영상 연구는 빠르게 성장하는 분야가되었습니다. 매월 PubMed 데이터베이스에 수십 개의 관련 기사가 표시되면서이 영역에서 신경 이미징 연구가 크게 증가했습니다. 한편으로, 결과는 보상 관련 의사 결정의 행동 및 신경 메커니즘을 공식화하는 데 가장 중요하기 때문에 흥미 롭습니다.펠로우, 2004; 트레 펠 et al., 2005). 반면에, 때때로 반대되는 패턴과 함께 결과의 이질성은 인간 두뇌의 보상 회로에 대한 명확한 그림을 얻는 것을 어렵게 만듭니다. 결과의 혼합은 보상 기대와 결과의 구별과 같이 보상 관련 의사 결정의 다양한 측면을 다루기 위해 다양한 연구 그룹이 개발 한 다양한 실험 패러다임에 부분적으로 기인합니다.Breiter et al., 2001; Knutson et al., 2001b; 맥 클루 어 et al., 2003; 로저스 et al., 2004), 긍정적이고 부정적인 보상의 가치 평가 (Liu 등, 2007; Nieuwenhuis 등, 2005; 오 도허티 등, 2003a; O'Doherty 외, 2001; 2003, 울스 페르 거와 폰 크 래몬) 및 위험 평가 (바흐 (Bach) 등, 2009; d' Acremont와 Bossaerts, 2008; Hsu 등, 2009; Huettel, 2006).
따라서 기존 연구를한데 모아서 데이터 중심 및 이론 중심의 접근 방식에서 인간 두뇌의 핵심 보상 네트워크를 조사하여 보상 관련 의사 결정의 다양한 측면의 공통성과 구별을 테스트하는 것이 중요합니다. 이 목표를 달성하기 위해 두 가지 좌표 기반 메타 분석 (CBMA) 방법을 사용하고 비교했습니다 (살 리미-코르 시디 et al., 2009), 활성화 가능성 추정 (ALE) (Laird et al., 2005; Turkeltaub 등, 2002) 및 파라 메트릭 복셀 기반 메타 분석 (PVM) (코스타 프레 다 et al., 2009), 보상 관련 의사 결정에 대한 다수의 신경 영상 연구에서 일치 성을 밝히기 위해. 보상 처리와 관련된 두 가지 주요 도파민 투영 영역 인 복부 선조체와 궤도 전두엽 피질 (OFC)이 지속적으로 활성화 될 것으로 예상했습니다.
또한 이론 중심의 관점에서 우리는 두뇌 네트워크에 긍정적이고 부정적인 보상 정보를 처리하고 보상 기대, 결과와 같은 보상 처리의 다른 단계에 우선적으로 관련된 차이점이 있는지 여부를 밝히는 것을 목표로했습니다. 모니터링 및 의사 결정 평가. 의사 결정에는 대체 옵션의 인코딩 및 표현과 이러한 옵션과 관련된 값 또는 유틸리티 비교가 포함됩니다. 이러한 과정에서 의사 결정은 일반적으로 선택한 결과에 대한 결과 또는 정서적 반응에 의한 긍정적 또는 부정적인 원자가와 관련이 있습니다. 포지티브 보상 원자가는 결과가 긍정적이거나 (예 : 복권 당첨) 예상보다 나은 경우 (예 : 예상보다 가치가 떨어짐) 우리가 경험하는 긍정적 인 주관적 상태 (예 : 행복 또는 만족)를 나타냅니다. 부정적 보상 원자가는 결과가 부정적이거나 (예 : 도박을 잃는 경우) 예상했던 것보다 더 나쁜 경우 (예 : 예상보다 주식 가치가 낮아지는) 부정적인 감정 (예 : 좌절 또는 후회)을 나타냅니다. 이전 연구에서 긍정적 또는 부정적 정보 처리에 민감한 보상 네트워크를 구별하려고 시도했지만 (Kringelbach, 2005; 리우 et al., 2007), 보상 기대 또는 결과와 관련된 것들 (Knutson et al., 2003; 람 나니 et al., 2004), 실험 결과가 혼합되었습니다. 우리는 이러한 차이점을 조사하는 많은 연구를 통해 일관된 패턴을 추출하는 것을 목표로 삼았습니다.
2. 행동 양식
2.1 문학 검색 및 구성
2.1.1 연구 식별
두 명의 독립적 인 연구원이 인간의 보상 기반 의사 결정을 조사하는 fMRI 연구에 대한 문헌을 철저히 검색했습니다. 온라인 인용 색인 서비스 PUBMED (6 월 2009를 통해)를 검색하는 데 사용 된 용어는 "fMRI", "보상"및 "결정"(첫 번째 연구원의), "보상 의사 결정 작업", "fMRI"및 "인간 ”(두 번째 연구원에 의해). 이 초기 검색 결과가 병합되어 총 182 개의 기사가 작성되었습니다. 필터링 기준으로 "보상"및 "MRI"를 사용하여 6 월 90를 통해 누적 된 세 번째 연구원의 참조 데이터베이스에서 다른 2009 기사가 식별되었습니다. 또한 Sleuth를 사용하여“보상 작업”과“fMRI”를 검색어로 사용하여 BrainMap 데이터베이스를 검색하고 59 기사를 찾았습니다. 이 모든 기사는 데이터베이스에 풀링되었고 중복 항목이 제거되었습니다. 그런 다음 몇 가지 제외 기준을 적용하여 현재 연구와 직접 관련이없는 기사를 추가로 제거했습니다. 이러한 기준은 다음과 같습니다 : 1) 비 손상 경험적 연구 (예 : 논문 검토); 표준 정위 좌표 공간에서 결과를보고하지 않은 2) 연구 (Talairach 또는 Montreal Neurological Institute, MNI); 3) 보상 또는 가치 기반 의사 결정과 관련없는 작업을 사용하는 연구; 4) 구조적 뇌 분석 (예를 들어, 복셀 기반 형태 분석 또는 확산 텐서 영상화)에 대한 연구; 5) 순전히 관심 영역 (ROI) 분석에 기초한 연구 (예를 들어, 해부학 적 마스크 또는 다른 연구의 좌표 사용); 건강한 성인 그룹에 대해서만 이들 연구에보고 된 좌표가 포함되어 있지만, 뇌 기능이 정상적인 건강한 성인 (예를 들어, 어린이, 노화 성인 또는 물질 의존성 개인)의 뇌 기능에서 벗어날 수있는 특수 집단에 대한 6) 연구. 과제 동안 결정을보고하도록 지시받은 방법들 (즉, 구두, 비언어적 버튼 누름) 사이의 다양성이 수용되었다. 결과적으로 최종 데이터베이스에서 142 기사가 생성되었습니다 ( 충수).
데이터 추출 단계에서 GingerALE 툴박스에 구현 된 좌표 변환에 따라 서로 다른 공간 정규화 체계로 연구를 그룹화했습니다 (http://brainmap.org, 텍사스 샌 안토니오, 텍사스 대학교 건강 과학 센터의 연구 이미징 센터) : FSL을 사용하여 MNI 좌표보고, SPM을 사용하여 MNI 좌표보고, 다른 프로그램을 사용하여 MNI 좌표보고, Brett 방법을 사용하여 MNI 좌표를 Talairach로 변환 Talairach 기본 템플릿을 사용하는 공간 탈라 이라크 공간에 있던 좌표 목록은 원래 정규화 체계에 따라 MNI 공간으로 변환되었습니다. Brett-Talairach리스트의 경우, Brett에 의한 역변환 (즉, tal2mni)을 사용하여 좌표를 MNI 공간으로 다시 변환했습니다 (브렛 et al., 2002). 기본 Talairach 목록을 위해 BrainMap의 Talairach-MNI 변환 (예 : tal2icbm_other)을 사용했습니다. 모든 연구의 마스터리스트는 GingerALE의 ALE 메타 분석을 준비하기 위해 MNI 공간의 모든 좌표를 결합하여 작성되었습니다.
2.1.2 실험 분류
보상 관련 의사 결정의 여러 측면에서 채용 된 공통적이고 뚜렷한 보상 경로와 관련하여 가설을 테스트하기 위해 보상 가치 및 결정 단계라는 두 가지 유형의 분류에 따라 좌표를 분류했습니다. 우리는 fMRI 연구에서 일반적으로보고 된 개별 회귀 또는 대조를 지칭하기 위해 BrainMap 데이터베이스에서 사용 된“실험”이라는 용어를 채택했습니다. 보상 원자가를 위해 실험을 긍정적이고 부정적인 보상으로 구성했습니다. 결정 단계에서는 실험을 보상 기대, 결과 및 평가로 분리했습니다. 이 범주에 맞는 마스터 목록의 좌표가 하위 목록에 추가되었습니다. 해석하기 어렵거나 명확하게 정의되지 않은 것은 생략되었다. 아래에는 이러한 각 범주에 포함 된 몇 가지 예가 나와 있습니다.
다음과 같은 대조는 긍정적 보상의 처리로 분류되었습니다.엘리엇 et al., 2000) (성공 중 보상) 돈이나 포인트를 잃지 않기 (김 et al., 2006(반전 결과 회피와 보상 수령 사이의 직접적인 비교); 두 액수의 돈 또는 포인트 중 큰 금액을 획득 한 경우 (Knutson et al., 2001a) (큰 대 작은 보상 기대); 돈이나 포인트의 두 액수 중 작은 금액을 잃은 경우 (진심으로 et al., 2005) (무승부 $ 0.50> 무승부 $ 4); 화면에 고무적인 단어 나 그래픽을 받았습니다 (잘라 et al., 2000) ( "승리"증가); 입안에서 단 맛을 받았다오 도허티 et al., 2002) (포도당> 중성 맛); 선택을 긍정적으로 평가 (리우 et al., 2007) (right> wrong) 또는 작업을 성공적으로 완료 한 결과 다른 유형의 긍정적 인 보상을 받았습니다.
부정적인 보상으로 분류 된 실험에는 피험자가 돈이나 포인트를 잃은 실험이 포함되었습니다 (Elliott 등, 2000) (실패시 페널티); 돈이나 포인트를 얻지 못했습니다 (진심으로 et al., 2005) (비 승리의 만족); 두 액수의 돈 또는 포인트 중 작은 금액 (Knutson et al., 2001a) ($ 1 대 $ 50 보상); 돈이나 포인트의 두 합계 중 큰 금액을 잃었다Knutson et al., 2001a) (대형사 소형 예측); 선택을 부정적으로 평가했다.리우 et al., 2007) (잘못된> 오른쪽); 또는 입에 쓴 맛이 나는 것과 같은 다른 부정적인 보상을 받았습니다 (오 도허티 et al., 2002) (salt> 중립적 취향) 또는 낙담하는 말이나 이미지 (잘라 et al., 2000) ( "손실"증가 및 "승리"감소).
보상 기대는 결정을 내리기 전에 피험자가 잠재적 옵션을 숙고하고있는 기간으로 정의되었습니다. 예를 들어, 내기를 걸고 그 내기에서 돈을 이길 것으로 예상하는 것은 예측으로 분류됩니다 (코넘과 랑가 나트, 2005) (고위험 vs. 저 위험 결정). 보상 결과 / 전달은 "win x $"또는 "lose x $"라는 단어가있는 화면과 같이 대상이 선택한 옵션에 대한 피드백을받은 기간으로 분류되었습니다.비요크 et al., 2004) (이득 대 비 이득 결과). 피드백이 후속 시험에서 피험자의 결정과 행동에 영향을 주거나 학습 신호로 사용될 때, 대조는 보상 평가로 분류되었습니다. 예를 들어, 초기 시험에서 보상을받는 위험한 결정은 피험자가 다음 시험에서 또 다른 위험을 초래할 수 있습니다 (코넘과 랑가 나트, 2005) (위험이 낮은 보상에 이어 위험성이 높은 결정과 위험이 낮은 결정) 사람들이 이익을 얻기 위해 손실을 피하는 것을 선호하는 경향 인 손실 회피는 평가의 또 다른 예입니다 (남자 이름 et al., 2007) (람다와 신경 손실 회피의 관계).
2.2 활성화 가능성 추정 (ALE)
ALE의 알고리즘은 (아이코 호프 et al., 2009). ALE는 활성화 초점을보고 된 좌표를 중심으로하는 3D 가우스 분포로 모델링 한 다음 여러 실험에서 이러한 분포의 겹침을 계산합니다 (ALE는 연구의 각 대비를 별도의 실험으로 처리합니다). 활성화 초점과 관련된 공간 불확실성은 각 연구의 피험자 수와 관련하여 추정됩니다 (즉, 더 큰 샘플은 더 신뢰할 수있는 활성화 패턴 및 국소화를 생성하므로 좌표는 더 엄격한 가우스 커널과 컨볼 루션됩니다). 실험 전반에 걸친 활성화 패턴의 수렴은 위에서 모델링 된 활성화 맵의 합집합을 사용하여 계산됩니다. 연구 전반에 걸쳐 무작위 공간 중첩에 의해 생성 된 ALE 점수를 나타내는 널 분포는 순열 절차를 통해 추정됩니다. 마지막으로 실제 활성화 좌표에서 계산 된 ALE 맵은 널 분포의 ALE 점수에 대해 테스트되어 ALE 점수의 p 값을 나타내는 통계 맵을 생성합니다. 그런 다음 비모수 적 p 값은 z 점수로 변환되고 클러스터 수준 수정 p <0.05에서 임계 값이 지정됩니다.
GingerALE 2.0를 사용하여 6 가지 ALE 분석을 수행했습니다 (아이코 호프 et al., 2009), 모든 연구의 주요 분석을위한 하나, 긍정적, 부정적 보상뿐만 아니라 기대, 결과 및 평가로 뇌 활성화를 특징 짓는 5 개의 하위 목록 각각에 대해 하나씩. GingerALE 1.2를 사용하여 2 개의 감산 ALE 분석을 수행했습니다 (투르 켈 타우 et al., 2002)는 긍정적 보상과 부정적인 보상의 대조를위한 것이고 다른 하나는 기대와 결과의 대조를위한 것입니다.
모든 연구의 2.2.1 주요 분석
모든 142 연구는 5214 실험 (대비)의 655 초점으로 구성된 기본 분석에 포함되었습니다. 우리는 GingerALE 2.0에서 구현 된 알고리즘을 사용했는데, 이는 대상 간 및 실험 간 변동성의 추정을 사용하여 각 초점의 공간적 불확실성을 기반으로 ALE를 모델링합니다. 추정은 회백질 마스크에 의해 제약을 받았으며, 초점에 대한 고정 효과 분석을 사용하는 것이 아니라 무작위 효과 요인으로 실험을 통해 위의 확률 군집을 추정했습니다.아이코 호프 et al., 2009). 결과 ALE 맵은 p <0.05 및 최소 클러스터 크기가 60x2x2mm 인 2 복셀 (총 480mm) 인 FDR (false discover rate) 방법을 사용하여 임계 값을 설정했습니다.3) 여러 비교의 오탐으로부터 보호합니다.
하위 목록의 2.2.2 개별 분석
보상 실험, 보상 전달 (결과) 및 선택 평가뿐만 아니라 서로 다른 실험을 긍정적이고 부정적인 보상으로 분류하는 하위 목록을 기반으로 5 가지 다른 ALE 분석도 수행되었습니다. 긍정적 인 보상 분석을 위해 2167 실험의 283 초점이 포함되었습니다. 음성 보상 분석은 935 실험의 140 초점으로 구성되었습니다. 기대, 결과 및 선택 평가 분석에 포함 된 초점의 수는 각각 1553 초점 (185 실험), 1977 (253) 및 520 (97)입니다. 위의 주요 분석에서와 동일한 분석 및 임계 값 접근 방식을 적용했습니다.
2.2.3 빼기 분석
우리는 또한 긍정적 인 보상과 부정적인 보상, 그리고 보상 기대와 보상 전달에 의해 선택적으로 또는 우선적으로 활성화 된 뇌 영역을 대조하는 데 관심이있었습니다. GingerALE 1.2를 사용하여이 두 가지 분석을 수행했습니다. ALE 맵은 FWHM이 10mm 인 커널로 평활화되었습니다. ALE지도의 통계적 유의성을 결정하기 위해 10000 개의 시뮬레이션을 사용하여 무작위로 분포 된 초점의 순열 테스트를 실행했습니다. 다중 비교를 수정하기 위해 결과 ALE 맵은 p <0.05 및 최소 클러스터 크기가 60 복셀 인 FDR 방법을 사용하여 임계 값을 설정했습니다.
2.3 파라 메트릭 복셀 기반 메타 분석 (PVM)
또한 다른 메타 분석 방식 인 PVM을 사용하여 동일한 좌표 목록을 분석했습니다. 연구 내에서 다른 대비를 별개의 실험으로 처리하는 ALE 분석과 달리 PVM 분석 풀은 연구 내에서 모든 다른 대비에서 최고점을 찾아 특정 연구에 대한 단일 좌표 맵을 만듭니다 (코스타 프레 다 et al., 2009). 따라서 PVM 분석에서 랜덤 효과 요인은 연구개인과 비교하여 실험 / 대비 ALE 분석에서. 이를 통해 유사한 활성화 패턴을보고하는 여러 대비가있는 연구로 인한 추정 바이어스가 더욱 줄어 듭니다. ALE 접근법과 유사하게, 우리는 R 통계 소프트웨어에서 구현 된 알고리즘을 사용하여 6 가지 PVM 분석을 수행했습니다 (http://www.R-project.org) 이전 연구 (코스타 프레 다 et al., 2009), 모든 연구의 주요 분석에 대한 하나, 보상 처리의 다른 측면에 의해 뇌 활성화를 특징 짓는 5 개의 하위 목록 각각에 대해 하나씩. 동일한 코드베이스를 사용하여 두 가지 추가 PVM 분석을 수행하여 포지티브 예측과 결과뿐만 아니라 포지티브 및 네거티브 보상을 비교했습니다.
모든 연구의 2.3.1 주요 분석
ALE 분석에 사용 된 동일한 5214 개 연구의 MNI 좌표 (142)는 각 연구가 고유 한 연구 식별 라벨로 식별되는 텍스트 테이블로 변환되었습니다. 피크 맵의 계산은 MNI 공간의 마스크 내에서 제한되었습니다. 피크 맵은 먼저 균일 한 커널 (ρ = 10mm)로 평활화되어 요약 맵을 생성했습니다.이 맵은 반경 10mm 근처에서 겹치는 활성화 피크를보고하는 연구의 수를 나타냅니다. 다음으로, 요약 맵에서 각 복셀과 관련된 통계적 유의성을 추정하기 위해 랜덤 효과 PVM 분석을 실행했습니다. 요약지도에있는 연구의 수는 일치 활성화를보고 한 연구의 비율로 변환되었습니다. ALE 분석에 사용 된 것과 동일한 임계 값을 사용하여 비율 맵에 대한 중요한 클러스터를 식별했습니다 (p <0.05 및 최소 클러스터 크기가 60 복셀 인 FDR 방법 사용).
하위 목록의 2.3.2 개별 분석
포상 기대, 결과 및 평가뿐만 아니라 포지티브 및 네거티브 보상에 대한 하위 목록에 대해 5 개의 다른 PVM 분석이 수행되었습니다. 긍정적 인 보상 분석에는 2167 연구의 111 초점이 포함되었고 부정적인 보상 분석에는 935 연구의 67 초점이 포함되었습니다. 기대, 결과 및 선택 평가 분석에 포함 된 연구의 수는 각각 1553 초점 (65 연구), 1977 (86) 및 520 (39)입니다. 위의 주요 분석에서와 동일한 분석 및 임계 값 접근 방식을 적용했습니다.
2.3.3 비교 분석
또한 두 가지 PVM 분석을 수행하여 긍정적 인 보상과 부정적인 보상 간의 활성화 패턴과 보상 예상과 결과 간의 활성화 패턴을 비교했습니다. 두 개의 피크 맵 (예 : 양성에 대한 하나 및 음성에 대한 다른 하나)을 먼저 균일 한 커널 (ρ = 10mm)로 평활화하여 요약 맵을 생성했으며, 각각은 10mm 부근에서 활성화 피크가 겹치는 연구 수를 나타냅니다. 반지름. 이 두 요약 맵은 MNI 공간 마스크 내에서 기여하는 각 복셀에 대한 승산 비 및 통계적 유의성 p 값을 추정하기 위해 Fisher 테스트에 입력되었습니다. Fisher 테스트는 fMRI 데이터 분석을 위해 특별히 개발되지 않았고 경험적으로 다른 방법보다 덜 민감하기 때문에 수정되지 않은 p <0.01 및 최소 클러스터 크기 60 복셀을 사용하여 직접 비교 PVM 분석에 상대적으로 관대 한 임계 값을 적용했습니다 (시옹 et al., 1995), 다중 비교 유형 I 오류를 수정합니다.
3. 결과
3.1 ALE 결과
142 연구의 모든 것을 포함한 분석은 양핵 핵 (NAcc), pallidum, 앞쪽 절연물, 옆쪽 / 중간 OFC, 앞쪽 피질 피질 (ACC), 보충 운동 영역 (SMA), 옆쪽을 포괄하는 큰 클러스터의 상당한 활성화를 보여 주었다 전전두엽 피질 (PFC), 오른쪽 편도, 왼쪽 해마, 시상 및 뇌간 (그림 1A). 다른 작은 군집은 오른쪽 중간 정면 이랑 및 왼쪽 중간 / 이하 정면 이랑, 양측 하등 / 상위 정수리 소엽 및 후 경수 피질 (PCC) (표 1).
포지티브 보상은 양측 팔라듐, 전방 인 슐라, 시상, 뇌간, 중간 OFC, ACC, SMA, PCC 및 기타 전두엽 및 정수리 영역을 포함하여 위에서 언급 한 네트워크의 하위 세트를 활성화했습니다.그림 1B 및 표 2, 참조 보충 자료 – 그림 S1A). 부정적인 보상은 양측 NAcc, 꼬리, 족장, 전두, amygdale, 시상, 뇌간, 주상골 ACC, 등쪽 PFC, 측면 OFC 및 오른쪽 중간 및 열등한 정면 이랑에서 활성화를 보여주었습니다.그림 1B 및 표 2, 참조 보충 자료 – 그림 S1B). 긍정적 인 보상과 부정적인 보상에 의한 활성화를 대조하면서, 긍정적 인 보상은 양측 NAcc, 전방 인 슐라, 내측 OFC, 해마, 왼쪽 Putamen, 시상과 같은 영역을 크게 활성화시키는 것으로 나타났습니다.그림 1D 및 표 4). 긍정적 인 보상보다 부정적으로 더 많은 활성화를 보여준 사람은 없습니다.
다른 보상 처리 단계는 양국 NAcc, 전립선, 시상, 내측 OFC, ACC 및 배정도 PFC를 포함하여 상기 언급 된 핵심 네트워크에서 유사한 뇌 활성화 패턴을 공유 하였다 (그림 1C 및 표 3, 참조 보충 자료 – 그림 S1C–E). 보상 결과와 비교하여 보상 기대는 양측 전방 절연체, ACC, SMA, 좌측 하방 엽 소엽 및 중간 정면 이랑에서 더 큰 활성화를 나타냈다 (그림 1E 및 표 5). 결과 우선 활성화에는 양측 NAcc, 꼬리, 시상 및 중간 / 측 OFC (표 5).
3.2 PVM 결과
142 연구의 주요 분석은 양측 NAcc, 전방 절연, 측방 / 중간 OFC, ACC, PCC, 하측 정수리 소엽 및 중간 전두엽에서 유의 한 활성화를 보여 주었다 (그림 2A 및 표 6).
긍정적 인 보상은 양자 NAcc, 팔리 덤, 푸 타멘, 시상, OFC, 선천성 피질, SMA 및 PCC (그림 2B 및 표 7, 참조 보충 자료 – 그림 S2A). 부정적인 보상에 의한 활성화는 양측 NAcc와 전립선, 팰리 덤, ACC, SMA 및 중 / 하 정면 이랑에서 발견되었습니다 (그림 2B 및 표 7, 참조 보충 자료 – 그림 S2B). 긍정적 인 보상과 부정적인 보상의 직접적인 대조는 NAcc, pallidum, medial OFC, PCC에서 긍정적 인 보상에 의한 우선적 활성화와 ACC와 중간 / 열등한 정면 이랑에서 부정적인 보상에 의한 더 큰 활성화를 보였다그림 2D 및 표 9).
다른 보상 처리 단계는 NAcc와 ACC를 유사하게 활성화시키는 반면, OFC, 전립선 및 편도와 같은 다른 뇌 영역을 차별적으로 모집했습니다.그림 2C 및 표 8, 참조 보충 자료 – 그림 S2C–E). 보상 결과와 비교할 때 보상 기대는 양측 전방 인 슐라, 시상, 전두 이랑 및 열등한 정수리 소엽에서 유의 한 활성화를 나타냈다 (그림 2E 및 표 10). 뇌 영역은 예측에 비해 보상 결과에 의해 더 큰 활성화를 나타내지 않았다.
ALE 및 PVM 결과의 3.3 비교
현재의 연구는 ALE과 PVM 방법이 좌표계 데이터를 다르게 처리하고 별개의 추정 알고리즘을 채택했지만,이 두 가지 메타 분석 접근법의 단일 좌표 목록에 대한 결과는 매우 유사하고 비교할 수 있음을 보여주었습니다.피규어 1A-C 및 2A–C, 표 11, 참조 피규어 S1 및 보충 자료의 S2). GingerALE 2.0에서 구현 된 개선 된 ALE 알고리즘 의도적으로,는 실험 (또는 대조)을 무작위 효과 요인으로 취급하여, 유전자좌 수가 적은 실험군보다 유전자좌를 더 많이보고하는 실험으로 인한 편향을 크게 줄입니다. 그러나 다른 연구에는 다른 수의 실험 / 대비가 포함됩니다. 따라서 GingerALE 2.0의 결과는 여전히 더 많은 대조를보고하는 연구에 더 치중되는 편향에 의해 영향을받을 수 있으며, 잠재적으로 연구 간 일치 성을 과대 평가합니다. 하나, 선택에 의해GingerALE 2.0는 각 실험을 단일 실험으로 취급 할 수 있도록 서로 다른 대비의 좌표를 결합 할 수 있습니다. 이것은 PVM이 구현하는 것입니다. 연구 내의 모든 대비에서 좌표를 단일 활성화 맵으로 풀링하여 모든 연구를 동등하게 평가하여 연구 전체의 활성화 중복을 추정합니다.
대조적으로, 두 좌표 목록의 비교는 ALE와 PVM 접근 방식에서 크게 달랐습니다 (표 11), 연구 내 및 연구 간 수렴에 대한 민감도 차이로 인해 발생합니다. 개선 된 ALE 알고리즘은 감산 ALE 분석을 위해 구현되지 않았으므로 좌표를 랜덤 효과 계수로 취급하고 실험을 고정 효과 변수로 처리하는 이전 버전 인 GingerALE 1.2를 사용했습니다. 따라서 두 목록의 좌표 수와 실험의 차이가 빼기 결과에 영향을 줄 수 있습니다. 빼기 ALE 분석은 더 적은 수의 다른 것 (그림 1D / E). 긍정적 보상 연구 (2167 실험의 283 초점)는 음성 연구 (935 실험의 140 초점)보다 분명히 우세합니다. 보상 기대 (1553 실험의 185 초점)와 결과 (1977 실험의 253 초점)의 차이는 더 작았지만 결과 단계에 대한 편견을 야기 할 수도 있습니다. 반면, PVM에 의해 확률리스트를 추정하고 두리스트 중 하나에 복셀을 할당하기 위해 Fisher 테스트를 사용하는 것은 두리스트 사이의 활성화 차이를 감지하는 데 덜 민감 해 보였다 (그림 2D / E).
4. 토론
우리는 일상 생활에서 끊임없이 결정을 내립니다. 어떤 결정은 결과의 긍정적 또는 부정적 가치를 포함하지 않는 반면, 다른 결정은 결과의 원자가 및 우리가 선택한 선택에 대한 정서적 반응에 중대한 영향을 미칩니다. 우리는 결과가 긍정적이거나 기대가 충족 될 때 행복하고 만족감을 느끼거나, 결과가 예상보다 부정적이거나 낮을 때 좌절감을 느낄 수 있습니다. 더욱이, 많은 결정은 그 결과에 대한 사전 지식없이 이루어져야합니다. 따라서 미래 보상에 대한 예측을하고 보상 가치와 보상을 얻거나 벌칙을받을 수있는 잠재적 위험을 평가할 수 있어야합니다. 이를 위해서는 예측 오류의 존재 여부에 따라 선택한 사항을 평가하고 이러한 신호를 사용하여 학습 및 향후 행동을 안내해야합니다. 많은 neuroimaging 연구는 보상 관련 의사 결정을 조사했습니다. 그러나 가치 기반 의사 결정과 관련된 복잡하고 이질적인 심리적 과정을 고려할 때 보상 관련 정보의 표현과 처리를 보조하는 신경망을 검사하는 것은 쉬운 일이 아닙니다. 우리는 신경 경제학 분야의 경험적 연구 수가 급격히 증가하는 것을 관찰했지만, 지금까지 인간 두뇌의 보상 회로를 명확하게 묘사하기 위해 이러한 연구가 어떻게 수렴되었는지 알기가 어려웠습니다. 현재의 메타 분석 연구에서, 우리는 많은 연구에서 일치 성을 보여 주었고 보상 처리의 여러 측면에 의해 뇌 활성화의 공통적이고 뚜렷한 패턴을 밝혀 냈습니다. 데이터 중심의 방식으로, 우리는 142 연구의 다른 대비 / 실험에서 모든 좌표를 모으고 NAcc, 측면 / 중간 OFC, ACC, 전방 인 슐라, 등 근육 PFC뿐만 아니라 핵심 보상 네트워크를 관찰했습니다. 측면 전두엽 영역. 의사 결정에서 위험 평가에 중점을 둔 최근의 메타 분석 연구에서도 비슷한 보상 회로가보고되었습니다 (Mohr et al., 2010). 또한 이론 중심의 관점에서 우리는 보상 처리의 예측 및 결과 단계에 걸쳐 긍정적 및 부정적인 원자가에 관여하는 신경망을 대조했으며, 원자가 관련 평가를 제공하는 뚜렷한 신경 기질과 예측 및 결과.
4.1 Core 보상 영역 : NAcc 및 OFC
NAcc와 OFC는 보상 처리 분야에서 오랫동안 주요 플레이어로 여겨져 왔으며, 이들은 각각 두 가지 독특한 도파민 경로의 중간 영역 인 mesolimbic과 mesocortical 경로이기 때문입니다. 그러나 어떻게 도파민 뉴런이 이러한 변연 및 대뇌 피질 영역의 활동을 독특하게 조절하는지는 여전히 알려져 있지 않습니다. 이전의 연구는 시간적 단계 측면에서이 두 구조의 역할을 차별화하려고 시도했으며, NAcc를 보상 기대와 연관시키고 중간 OFC를 보상 수령과 관련시켰다 (Knutson et al., 2001b; Knutson et al., 2003; 람 나니 et al., 2004). 다른 연구의 결과는 그러한 구별에 의문을 제기했습니다 (Breiter 등, 2001; Delgado 등, 2005; Rogers et al., 2004). 많은 연구는 또한 NAcc가 인센티브 학습 및 보상 협회에서 결정적인 신호 인 예측 오류를 감지 할 책임이 있음을 암시했습니다.McClure 등, 2003; O'Doherty et al., 2003b; Pagnoni et al., 2002). 연구에 따르면 NAcc는 2 상 반응을 보였으며, NAcc의 활동은 음성 예측 오류에 대한 반응으로 기준선 아래로 떨어지고 떨어질 것입니다.Knutson et al., 2001b; 맥 클루 어 et al., 2003; 오 도허티 et al., 2003b). OFC는 일반적으로 NAcc와 유사한 활동 패턴을 표시하지만, 인간에 대한 이전의 신경 영상 연구는 OFC가 보상 값의 관점에서 다양한 자극을 공통 통화로 변환하는 역할을한다고 제안했습니다 (Arana 등, 2003; 콕스 (Cox) 등, 2005; Elliott 등, 2010; 피츠 제럴드 외 2009; Gottfried 등, 2003; Kringelbach 등, 2003; O'Doherty 외, 2001; Plassmann et al., 2007). 이 발견은 동물의 단일 세포 기록 및 병변 연구에서 얻은 것과 유사합니다.쇼엔 바움과 로에 슈, 2005; Schoenbaum 등, 2009; Schoenbaum 등, 2003; Schultz 등, 2000; Tremblay와 Schultz, 1999, 2000; 월리스, 2007).
우리의 전반적인 분석에 따르면 NAcc와 OFC는 일반적인 보상 처리에 응답했습니다 (그림 1A 및 그림 2A). NAcc의 활성화는 여러 단계에 걸쳐 크게 겹 쳤지 만 OFC의 중앙값은 더 많은 보상을 받도록 조정되었습니다 (그림 1C / E 및 그림 2C). 이러한 결과는 NAcc가 보상의 긍정적 및 부정적 신호를 모두 추적하고 보상 연관 학습을 조정하는 데 사용하는 반면 OFC는 보상 결과를 주로 모니터링하고 평가할 책임이 있음을 강조했습니다. 보상 관련 의사 결정에서 NAcc와 OFC의 역할을 더 잘 구별하려면 추가 조사가 필요합니다 (프랭크와 클로스, 2006; 토끼 et al., 2008).
4.2 원자가 관련 평가
다양한 보상 옵션을 공통 통화로 변환하고 보상 가치를 나타내는 것 외에도, 보상 회로의 개별 뇌 영역은 보상의 양수 및 음수 값을 별도로 인코딩 할 수 있습니다. 보상 원자가를 직접 비교 한 결과 NACC와 중간 OFC는 긍정적 인 보상과 부정적인 보상에 대한 반응으로 더 적극적이었습니다 (그림 1B / D 및 그림 2B / D). 대조적으로, 전방 절연 피질은 음성 보상 정보 처리에 관여했다.그림 1B 및 그림 2B). 이 결과는 긍정적 인 보상과 부정적인 보상에 대한 중간 측면 구별을 확인했다.Kringelbach, 2005; 크 링겔 바흐 앤 롤스, 2004), 이전 과제에서 보상 과제에 대해 관찰 한 내용과 일치했습니다 (리우 et al., 2007). ACC의 하위 지역은 긍정적이고 부정적인 보상에 독특하게 반응했습니다. 중간 OFC에 가까운 선천성 및 연단 성 ACC는 긍정적 인 보상에 의해 활성화되는 반면, 부정적 ACC는 부정적인 보상에 반응했다 (그림 1B 및 그림 2B). ALE 및 PVM 메타 분석은 PCC가 긍정적 인 보상에 의해 지속적으로 활성화되었다는 사실을 밝혀 냈습니다.그림 1B 및 그림 2B).
흥미롭게도, 양수 및 음수 원자가를 인코딩하는 별도의 네트워크는 두 반 상관 네트워크 인 기본 모드 네트워크와 작업 관련 네트워크 (폭스 (Fox) 등, 2005; Raichle et al., 2001; 라이 클 앤 스나이더, 2007). 최근의 메타 분석 결과 기본 모드 네트워크는 주로 중앙 전두엽 영역 (중앙 OFC 포함)과 후부 피질 (PCC 및 전흉 포함)과 관련이 있으며 작업 관련 네트워크에는 ACC, 인 슐라 및 측면 전두엽이 포함됩니다 지역 (Laird et al., 2009; Toro 외, 2008). 긍정적 인 보상에 의한 내측 OFC 및 PCC에서의 활성화는 휴식 상태 동안 일반적으로 관찰되는 기본 모드 네트워크를 반영한 반면, 부정적인 보상에 의한 ACC, 인 슐라, 측면 전두엽 피질에서의 활성화는 작업 관련 네트워크와 유사 하였다. 이 뇌의 본질적인 기능적 조직은 보상과 위험한 의사 결정에 영향을 미치고 위험 감수 특성의 개인 차이를 설명하는 것으로 밝혀졌습니다.콕스 (Cox) 등, 2010).
4.3 기대와 결과
양측 전방 절연물, ACC / SMA, 열등한 정수리 소엽 및 뇌간은 결과 단계와 비교하여 예측에서보다 일관된 활성화를 나타냈다 (그림 1C / E 및 그림 2C / E). 앞쪽 격리와 ACC는 이전에는 무치, 감정 및 공감에 연루되어있었습니다 (크레이그, 2002, 2009; Gu 등, 2010; Phan 등, 2002), 위험 및 불확실성 평가 (Critchley 등, 2001; 쿤넨과 넛슨, 2005; Paulus 등, 2003), 기대에서 그 역할을 빌려줍니다. 최근의 메타 분석에 의해 밝혀진 바와 같이, 전방 절연은 위험 처리, 특히 손실의 예측에 지속적으로 관여 하였다 (Mohr et al., 2010). OFC의 역할과 유사하게, 정수리 소엽은 다른 옵션의 평가와 관련이 있습니다 (수 그레 et al., 2005), 숫자 표현 (코헨 카도 쉬 et al., 2005; 허바드 et al., 2005) 및 정보 통합 (금과 Shadlen, 2007; 양과 샤들 렌, 2007). 따라서, 정수리 소엽이 보상 처리의 예상 단계에 참여하여 정보에 입각 한 행동을 계획하고 준비하는 것이 중요합니다.안데르센과 쿠이, 2009; Lau 등, 2004a; Lau 등, 2004b).
한편, 복부 선조체, 내측 OFC 및 편도체는 기대 단계와 비교하여 보상 결과 동안 우선적 인 활성화를 보였다 (그림 1C / E 및 그림 2C). 이러한 패턴은 우리와 다른 조사관이 이전에 발견 한 것과 일치했습니다 (Breiter 등, 2001; Delgado 등, 2005; Liu 등, 2007; Rogers et al., 2004), 보상 기대 및 보상 결과에서의 각각의 역할 측면에서 복부 선조체와 중간 OFC 사이의 기능적 해리에 대항하여 (Knutson 등, 2001a; Knutson 등, 2001b; Knutson et al., 2003).
4.4 보상 처리의 개략도
보상 의사 결정의 다양한 측면에 관련된 공통적이고 뚜렷한 네트워크의 발견을 기반으로 보상 처리에서 가치 평가 및 원자가의 분산 표현을 요약하는 개략적 인 그림을 얻었습니다.그림 3). 각 영역은 여러 기능을 수행하고 훨씬 더 복잡한 방식으로 다른 두뇌 영역과 상호 작용할 수 있지만, 다른 프로세스에서의 역할에 따라 다른 두뇌 영역을 임시로 그룹화합니다. 각각 크기와 확률과 같은 고유 한 특성을 가진 대체 선택에 직면 할 때 이러한 속성은 "공통 통화"라는 가치 기반 정보로 변환해야합니다. 우리는 이러한 대안 적 선택의 가치를 비교할뿐만 아니라, 선택되지 않은 선택 (예를 들어, 예측 오차 신호)과 관련된 허구의 값뿐만 아니라 실제 및 예상 값도 비교합니다. 복부 선조체와 내측 OFC는 이러한 가치 기반 표현에 연루되어있다. 열등한 정수리 소엽도 수치 정보를 표현하고 비교하는 데 관여하는 것으로 밝혀졌습니다. 또한 가치에 기반한 의사 결정은 필연적으로 결과의 원자가 및 관련 감정적 반응에 기초하여 선택을 평가하게됩니다. 복부 선조체와 중간 OFC가 또한 긍정적 인 보상 원자가를 탐지하는 데 관여하지만, 측면 OFC, 전방 인 슐라, ACC 및 편도체는 대부분 부정적인 보상 원자가의 처리에 관련되며, 대부분 부정적인 감정적 반응에서 평가 역할과 관련이 있습니다. 일반적으로 위험과 관련된 부정적인 영향으로 인해, 전방 절연 및 ACC는 특히 손실을 예상하는 불확실성 회피 반응에 대한 위험한 결정에 대한 보상에 관여합니다. 마지막으로, 전두엽 영역은 최적의 결정 (예를 들어, 윈-스테이-손실-스위치)을 생성하기 위해 이들 신호를 통합하고 이에 작용하는 역할을한다.
4.5주의 사항
몇 가지 방법 론적 경고에 주목해야합니다. 첫 번째는 다른 연구 결과를보고하는 편견과 관련이 있습니다. 일부 연구는 순전히 ROI 기반이며 현재 연구에서 제외되었습니다. 그럼에도 불구하고 다른 사람들은 더 많이 강조하거나 강조했다. 이전의 해당 지역과 관련된 더 많은 좌표 또는 대비를보고하여 지역 그들은“핫스팟”을 확인하기 위해 결과를 편향시킬 수 있습니다. 둘째, 보상 처리의 여러 측면에 대한 개념적 구분에주의를 기울이고 싶습니다. 우리는 다양한 대조를 다른 범주의 이론적 관심 범주로 분류했습니다. 그러나 실제 의사 결정이나 많은 실험 작업에서 이러한 측면에 명확한 구분이있는 것은 아닙니다. 예를 들어, 이전 선택 및 보상 결과의 평가는 향후 보상 기대 및 의사 결정과 혼합 될 수 있습니다. 보상 처리의 여러 단계에 걸쳐 명확한 경계가 없으므로 현재 분류가 토론을 위해 열려 있습니다. 그럼에도 불구하고이 가설 중심의 접근 방식은 크게 필요합니다 (캐스퍼 등, 2010; Mohr et al., 2010; Richlan et al., 2009메타 분석의 데이터 중심 특성을 보완합니다. 위험 평가 및 보상 유형 (예 : 1 차 대 2 차, 화폐 대 사회)과 같은 보상 의사 결정과 관련된 많은 요인들이 추가적인 메타 분석을 요구합니다.
연구 하이라이트
- 우리는 보상에 대한 142 fMRI 연구에 대해 좌표 기반 메타 분석 두 세트를 수행했습니다.
- 핵심 보상 회로에는 핵 축적, 인 슐라, 안와 전두, 결절 및 전두엽 영역이 포함됩니다.
- 핵 축적은 다양한 보상 처리 단계에서 포지티브 및 네거티브 보상에 의해 활성화되었습니다.
- 다른 지역에서는 긍정적 또는 부정적 보상에 대한, 또는 기대 또는 결과에 대해 우선적 인 반응을 보였다.
감사의
이 연구는 중국 과학 아카데미의 백 인재 프로젝트, NARSAD Young Investigator Award (XL) 및 NIH Grant R21MH083164 (JF)에 의해 지원됩니다. 저자들은이 연구를위한 훌륭한 도구를 제공 한 BrainMap과 Sergi G. Costafreda의 개발팀에 감사를 표하고 싶다.
충수
현재 연구의 메타 분석에 포함 된 기사 목록.
각주
저자의 기여 : XL은 전체 연구를 설계하고 감독했습니다. JH와 MS는 문헌 검색, 데이터 추출 및 구성을 수행하여이 연구에 동등한 기여를했습니다. JF는 토론과 원고 준비에 참여했습니다.
발행인의 면책 조항 : 이 파일은 편집을 위해 편집되지 않은 원고의 PDF 파일입니다. 우리 고객들을위한 서비스로서이 초기 버전의 원고를 제공하고 있습니다. 사본은 최종 인용 가능 형식으로 출판되기 전에 결과 교정본의 사본 편집, 조판 및 검토를 거치게됩니다. 생산 과정 중에 내용에 영향을 미칠 수있는 오류가 발견 될 수 있으며 해당 저널에 적용되는 모든 법적 고지 사항이 포함됩니다.
참고자료