Анализ на основе сети показывает функциональные связи, относящиеся к Internet Addiction Склонность (2016 г.)

Фронт Hum Neurosci. 2016; 10: 6.

Опубликован онлайн 2016 Feb 1. DOI: 10.3389 / fnhum.2016.00006

PMCID: PMC4740778

Таня Вэнь^1,^2,^* и Shulan Ssieh^1,^3,^4,^*

Информация об авторе ► Примечания к статьям ► Информация об авторских правах и лицензии ►

Абстрактные

Озабоченность и компульсивное использование Интернета могут иметь негативные психологические последствия, так что его все чаще признают психическим расстройством. В настоящем исследовании использовалась сетевая статистика для изучения того, как функциональные связи цельного мозга в состоянии покоя связаны с уровнем индивидуального уровня интернет-зависимости, индексированным саморегулируемым вопросником. Мы идентифицировали две топологически значимые сети, одна из которых имеет связи, которые положительно коррелируют с тенденцией к интернет-склонности, а другая - с отрицательно коррелированными с тенденцией интернет-зависимости. Эти две сети взаимосвязаны в основном в фронтальных регионах, что может отражать изменения в лобной области для различных аспектов когнитивного контроля (т. Е. Для контроля использования Интернета и игровых навыков). Затем мы классифицировали мозг на несколько крупных региональных подгрупп и обнаружили, что большинство пропорций соединений в двух сетях соответствуют мозговой модели зависимости, которая охватывает четырехконтурную модель.

Наконец, мы заметили, что области мозга с наиболее межрегиональными связями, связанными с тенденцией интернет-зависимости, повторяют те, которые часто встречаются в литературе по наркомании, и подтверждается нашим метаанализом исследований интернет-зависимости. Это исследование обеспечивает лучшее понимание крупномасштабных сетей, связанных с тенденцией к интернет-зависимости, и показывает, что доклинические уровни интернет-зависимости связаны с аналогичными регионами и связями как клинические случаи зависимости.

Ключевые слова: интернет-зависимость, сетевая статистика, функциональная связь, состояние покоя, метаанализ

Перейти к:

Введение

Интернет зависимость (OReilly, 1996; Молодой, 1998) - это современное явление, которое характеризуется заботой и компульсивным использованием Интернета. В частности, расстройство интернет-игр (IGD) приведено в разделе III Диагностического и статистического руководства версии 5 (DSM-5^®, Американская психиатрическая ассоциация [APA], 2013). Из-за отсутствия стандартного критерия в какой-то литературе трактовались две терминологии как синонимы (см. Петри и О'Брайен, 2013; Петри и др., 2014 для обсуждения); однако навязчивое и чрезмерное использование Интернета для любой деятельности (которую мы будем называть в этой литературе как интернет-зависимость) более глобально, чем его основной подтип IGD, который может включать в себя несколько форм использования Интернета в дополнение к онлайн-играм (Гриффитс и Понтес, 2014; Király и др., 2014; Петри и др., 2014). В нашем текущем исследовании исследуется зависимость от интернета в более общей форме. Подобно расстройствам употребления психоактивных веществ, интернет-зависимость проявляет симптомы отмены, толерантность, потерю контроля и психосоциальные проблемы, что приводит к клинически значимому расстройству или ухудшению повседневного функционирования. Распространенность представляется наивысшими азиатскими странами и среди подростков мужского пола и оценивается в диапазоне от 14.1 до 16.5% (доверительный интервал 95 процентов) среди студентов из Тайваня в одном исследовании (Lin et al., 2011). Этот феномен привлекает больше внимания в течение последних нескольких лет и явно заслуживает дальнейших исследований.

Функциональная магнитно-резонансная томография (fMRI) была использована для определения нейронных субстратов интернет-зависимостей, которые, как оказалось, демонстрировали похожие мозговые подписи с зависимыми от вещества зависимостями (Кусс и Гриффитс, 2012; Brand и др., 2014; Мэн и др., 2015). В заблокированных и связанных с событиями исследованиях несколько регионов, связанных с наградой, наркоманией и тягой, были идентифицированы контрастированием сигналов интернет-игр с базовым уровнем, который включает в себя insula, nucleus accumbens (NAc), дорсолатеральную префронтальную кору (DLPFC) и орбитальную лобную коры (OFC) (Hoeft et al., 2008; Ko et al., 2009; Хан и др., 2010; Sun и др., 2012; Ko et al., 2013). Однако подходы, основанные на активации, контрастируют с связанной с кейсом деятельностью и не затрагивают взаимодействия областей мозга и, следовательно, не могут характеризовать измененные функциональные связи, связанные с клиническими или поведенческими мерами; однако человеческие расстройства являются результатом нарушений во взаимосвязанной сложной системе (Форнито и Буллмор, 2015). Внедрение МРТ покоящегося состояния оказалось мощным инструментом для изучения нейронной связности всего мозга (van den Heuvel и Pol, 2010). Функциональная связность в состоянии покоя оценивается корреляцией спонтанных флуктуаций сигналов уровня кислорода, зависящих от уровня кислорода (BOLD) в разных регионах мозга, и, как считается, является мерой его функциональной организации и может помочь характеризовать аномальную синхронизацию между областями мозга в спектре психологических фенотипов (Biswal и др., 2010; Craddock et al., 2013).

Несмотря на то, что в некоторых исследованиях, которые использовали функциональную связность для исследования измененной функциональной связности, связанной с интернет-зависимостью, в большинстве исследований использовались семенные области, выбранные априори, либо (а) коррелируя одну область семян с остальными вокселями всего мозга [Hoeft et al., 2008 использовал NAc; Лоренц и др., 2013 использовали правую нижнюю лобную извилину (ИФГ); Ding и др., 2013 использовали заднюю корундовидную кору (PCC); Ko et al., 2015 использовали миндалин; Чжан и др.., 2015 использовали изоляцию; Hong и др., 2015 использовали хвостатое ядро и путамен; Kühn and Gallinat, 2015 использовал правый фронтальный полюс; Li et al., 2015 использовали правый DLPFC] или (b) выполняют корреляции между несколькими предопределенными ROI, выбранными из значимых сетей (Yuan et al., 2015 рассмотрели центральную исполнительную сеть и сеть значимости; Dong et al., 2015b рассмотрел сеть исполнительного контроля; Dong et al., 2015a рассмотрели сеть исполнительного контроля и сеть вознаграждений; Li et al., 2014 исследовали сеть ингибирования ответа; Lin et al., 2015 исследовали шесть предопределенных двусторонних кортико-ротальных ROI). Предварительно определенные участки семян, рассмотренные только, представляют собой небольшую часть головного мозга, поэтому они могут не иметь возможности представить полную картину того, как на подключение влияет интернет-зависимость.

В очень немногих исследованиях был использован подход всего мозга для изучения интернет-зависимости. Насколько нам известно, в настоящее время существует всего четыре опубликованных документа, в которых используется подход с целым мозгом, и их методы довольно разнообразны: от сетевой статистики (NBS; Hong и др., 2013) к топологическому (Hong и др., 2013; Wee et al., 2014; Парк и др., 2015) к недавно развитой гомосексуализированной связности, связанной с вокселом (Wang et al., 2015). Особенно, Hong et al. (2013) применяли НБС для выявления межгрупповых различий в межрегиональной функциональной связности и обнаружили нарушения связи, связанные с кортико-подкорковыми цепями у пациентов с интернет-зависимостью. Тем не менее, их исследование было сосредоточено на небольшом размере выборки уникальной популяции (мужчины ранних подростков).

Поэтому в нашей сегодняшней работе мы решили использовать подход к подключению всего мозга, NBS (Zalesky et al., 2010a; Хан и др., 2013), чтобы определить функциональные соединения, которые предсказывают тенденцию интернет-зависимости. NBS является проверенным статистическим методом для решения проблемы множественных сравнений на графике, аналогично методам на основе кластеров (Николс и Холмс, 2002), и используется для идентификации соединений и сетей, содержащих человеческое соединение, которые связаны с экспериментальным эффектом или разностью между группами, независимо проверяя гипотезу при каждом соединении. Наши результаты, кроме того, будут сопоставлены с метаанализом существующих документов, связанных с нейронными коррелятами интернет-зависимости. Мы надеемся расширить существующую литературу несколькими способами: (1). Мы надеемся предоставить более полную картину интернет-зависимости, используя анализ всего мозга вместо того, чтобы использовать только небольшое количество предварительно определенных семенных регионов. (2) Несмотря на то, что существует пара цельных мозговых функциональных исследований по подключению к интернет-зависимости (например, Hong и др., 2013; Wang et al., 2015), в исследованиях сравнивались группы интернет-зависимостей с здоровым контролем. Наше исследование не включало никаких клинических пациентов, но характеризовало тенденцию интернет-зависимости как градиент. Мы надеемся определить функциональные связи, сила которых модулируется уровнем зависимости. (3) Большинство исследований в области интернет-терапии не учитывали мозжечок, но мозжечок был замечен как важный регион в зависимости (Moulton и др., 2014). Таким образом, мы включили мозжечок в наш анализ. (4) Многие исследования ограничили группу участников для мужчин и часто содержат относительно небольшие размеры выборки (например, Hong и др., 2013, 2015; Kühn and Gallinat, 2015). Для увеличения обобщаемости и мощности этих исследований необходимы образцы, содержащие как полы, так и больший размер выборки (Li et al., 2015). Решая вышеупомянутые проблемы, текущее исследование надеется обеспечить лучшее понимание того, как функциональная связь связана с тенденцией к интернет-склонности.

Перейти к:

Материалы и методы

Мета-анализ

Метаанализ был построен с использованием базы данных NeuroSynth (http://neurosynth.org; Yarkoni и др., 2011). Индивидуальный анализ был выполнен с использованием поисковых терминов «зависимость», «наркоман», «интернет», «игра», «игра» и «онлайн», чтобы идентифицировать исследования, связанные с интернет-зависимостью в базе данных. Критерии включения были проверены вручную, а список включенных исследований подробно описан в дополнительных материалах 1. Всего было включено исследование 18. Из включенных исследований были извлечены координаты активации пика, а также его окрестности вокселей 6 мм. Затем был выполнен метаанализ этих координат, создавая вперед и почитание умозаключения цельного мозга z-красные карты. Карты прямого вывода отражают вероятность активации региона с учетом этих условий [P(активация | термины)], поэтому информируя нас о согласованности активации для данных терминов. Карта обратного вывода показывает вероятность того, что эти термины используются в исследовании с учетом наличия сообщаемой активации [P(условия | активация)]; таким образом, активируемый регион указывает, что он, скорее всего, будет изучать интернет-зависимость, чем исследование, связанное с неинфекционной зависимостью, отражающее избирательность этого региона. Поскольку как прямой, так и обратный вывод играют важную роль, помогая нам понять регионы, связанные с интернет-зависимостью, мы перекрыли эти две карты выводов, чтобы наметить их общие регионы. Сообщается о скоплениях более пяти вокселов.

РМР-статус покоя

Участниками

Сорок семь здоровых участников (мужчины 21 и женщины 26) с юга Тайваня, большинство из которых являются студентами или сотрудниками университета, были набраны через рекламу, чтобы участвовать в эксперименте (возрастный диапазон = 19-29 лет, средний возраст = 22.87 лет, SD = 2.22 лет). Участники были правыми (указана в Эдинбургском инвентаре рутины), имели нормальное или исправленное к нормальному видению, а также историю психологических или нервных расстройств. Оценки их депрессии, тревоги и интеллекта находились в нормальном диапазоне [оценка BDE BK): 0-12; Показатель Ankiety Inventory (BAI) Beck: 0-7; Стандартная тестовая оценка Raven's Progressive Matrices: 35-57]. Оценка Чэнского интернет-зависимого масштаба (CIAS-R) всех участников имела диапазон = 28-92, mean = 60.04, SD = 16.53. Настольные Table11 обобщает демографическую информацию и поведенческие характеристики участников. Нормальность оценок CIAS-R была подтверждена тестом Шапиро-Вилка [W(47) = 0.98, p = 0.50]. Существенной корреляции между полом и оценкой CIAS-R не было (Spearman's p = 0.15, p = 0.30). Все участники дали свое письменное информированное согласие, и протокол исследования был одобрен (NO: B-ER-101-144) Институциональным наблюдательным советом (IRB) Национальной больницы Университета Cheng Kung, Тайнань, Тайвань. Все участники получили 500 NTD после завершения эксперимента.

Таблица 1

Демографическая информация и поведенческие характеристики.

Чен Интернет-опрос, пересмотренный (CIAS-R) Вопросник

Чен Интернет-зависимость Масштаб-пересмотренный (CIAS-R; Chen et al., 2003) является мерой 26, используемой для оценки тяжести интернет-зависимости. CIAS-R основан на критериях поведения аддитивных факторов DSM-IV-TR и содержит две подшкалы интернет-зависимости (a) основные симптомы и (b) связанные проблемы, оценивая пять измерений, включая (1) компульсивное использование Интернета (2) симптомы, когда Интернет убирается, (3) толерантность (4), угроза межличностных отношений и физического здоровья, и (5) проблемы управления временем. Элементы оцениваются по шкале Likert с 4-точками, с общим количеством баллов от 26 до 104, что отражает низкую и высокую тенденцию интернет-зависимости. Было показано, что CIAS-R обладает высокой внутренней консистенцией (Cronbach's α = 0.79-0.93; Chen et al., 2003) и высокой диагностической точностью (AUC = 89.6%; Ko et al., 2005). В настоящем исследовании общий балл CIAS-R использовался как показатель текущего состояния интернет-зависимости участников.

Приобретение и обработка изображений

Изображение было выполнено с использованием сканера GE MR750 3T (GE Healthcare, Waukesha, WI, USA) в МРТ-центре Национального университета Чэн Кунг. Анатомические изображения высокого разрешения были получены с использованием быстрого SPGR, состоящего из осевых срезов 166 (TR = 7.6 ms, TE = 3.3 ms, угол поворота 171 = 12 °, матрицы 224 × 224, толщина среза = 1 мм). Функциональные изображения были получены с использованием последовательности импульсов эхо-планарного изображения (EPI) градиентно-эхо-сигнала (EPI)TR = 2000 ms, TE = 30 ms, угол поворота = 77 °, матрицы 64 × 64, толщина среза = 4 мм, без зазора, размер воксела 3.4375 мм × 3.4375 мм × 4 мм, 32 осевые срезы, покрывающие весь мозг).

Участникам было предложено расслабиться и лежать в сканере с закрытыми глазами. Их попросили не думать о каком-либо конкретном событии во время сканирования. Время сканирования для структурного изображения составляло приблизительно 3.6 мин. Функциональное изображение продолжалось приблизительно 8 мин, причем первые пять TRs служили фиктивным сканированием, чтобы гарантировать, что сигнал достигнет устойчивого состояния до сбора данных; таким образом, прогон состоит из объемных изображений 240 EPI для анализа.

Данные были предварительно обработаны с использованием Ассистента обработки данных для FMRI состояния покоя (DPARSF; Ян и Занг, 2010), который основан на функциях в MRIcroN (Rorden и др., 2007^¹), а также программное обеспечение статистического параметрического картографирования (SPM^²) и Инструментарий анализа данных FMRI для отдыха (REST; Song et al., 2011) в Matlab (The MathWorks, Inc., Natick, MA, USA). Функциональные изображения подвергались коррекции времени среза, а затем перестраивались для корректировки движения головы с использованием шестипараметрических преобразований твердого тела. Общее движение, характеризующееся средним сдвигом по кругу (FD), не было большим (среднее значение = 0.05, SD = 0.03) и не коррелирует с оценками CIAS-R (Spearman's p = -0.28, p = 0.055), поэтому импульсивность не является смешающим фактором оценки интернет-зависимости и движения (Kong и др., 2014). Изображения T1 были привязаны к функциональным изображениям. Структурные изображения были сегментированы в CSF, белое вещество и серое вещество, основанное на картах вероятностей ткани в пространстве MNI, и эти расчеты использовались при последующей нормализации изображений T1 и EPI в пространстве MNI. Данные были сглажены в пространственной области, используя гауссовское ядро шириной 6 мм с половиной максимума (FWHM) и удалено из линейного тренда. Ошибочные ковариации, включая глобальный средний сигнал, сигнал белого вещества и сигнал цереброспинальной жидкости, были регрессированы. Хотя вопрос о том, следует ли выполнять глобальную регрессию сигнала по-прежнему является продолжающимся спором (например, Saad et al., 2012), мы решили реализовать этот метод, поскольку было предложено максимизировать специфику функциональных корреляций и улучшить соответствие между корреляциями состояния покоя и анатомией (Fox и др., 2009; Weissenbacher и др., 2009; Takeuchi и др., 2014). Наконец, изображения подвергались полосовой фильтрации 0.01-0.08 Гц.

Анализ данных

Изображения fMRI были парсеризованы на основе анатомической автоматической маркировки (AAL; Tzourio-Mazoyer и др., 2002), разделяя мозг на основе анатомической структуры на 116 ROI (или узлы). Мы выбрали атлас AAL, потому что это была наиболее часто используемая парсерация в исследованиях функциональной сети (Stanley et al., 2013), а также шаблон, используемый Hong et al. (2013), чье исследование наиболее актуально для наших, тем самым увеличивая степень сопоставимости во всех исследованиях (Zalesky et al., 2010b). Метод NBS использовался для идентификации сетей мозга, которые состоят из межрегиональной функциональной связности, что свидетельствует о значительной корреляции с оценкой CIAS-R. Следующие анализы были сделаны с помощью Network Based Statistic Toolbox (Zalesky et al., 2010a) с дополнительными внутренними скриптами Matlab. Для каждого участника была построена корреляционная матрица 116 × 116, использующая временные курсы, извлеченные из каждого ROI. Пирсон r значения были нормированы на Z с помощью Fisher's Z трансформация. Каждая ячейка корреляционной матрицы представляет силу соединения (или границы) между двумя узлами. Массовое одномерное тестирование с использованием ранговой корреляции Спирмена проводилось между оценками участников по шкале CIAS-R и сильными сторонами каждого ребра для определения соответствующих связей, которые позволяли прогнозировать оценку CIAS-R. Края кандидатов, которые показали высокую предсказуемость оценки CIAS-R, были отобраны с помощью первичного порога ро Спирмена> 0.37 и <-0.37 (приблизительно односторонняя альфа = 0.005) соответственно, чтобы идентифицировать сети, которые положительно и отрицательно связаны с CIAS- Оценка R. Затем среди надпороговых соединений были идентифицированы топологические кластеры, известные как компоненты связного графа. Семейная ошибка (FWE) для размера компонента была рассчитана с использованием тестирования перестановок (3000 перестановок), которое включало случайное изменение порядка оценок CIAS-R и повторение описанного выше процесса для каждой перестановки для получения нулевого распределения наибольшего размера компонента. Компоненты связного графа, размер которых превышает расчетный, скорректированный FWE p-значение отсечения <0.05 было идентифицировано как сети, которые существенно связаны с тенденцией интернет-зависимости. Программа просмотра BrainNet (Xia et al., 2013) был использован для визуализации соединений. Иллюстрация конвейера анализа данных показана в фигура Figure11.

Рисунок 1

Блок-схема анализа данных. Мозги участников были предварительно обработаны и распределены по различным структурным областям в соответствии с шаблоном AAL. Корреляционная матрица была построена с использованием временных интервалов, извлеченных из каждого региона, в ...

Перейти к:

Итоги

Мета-анализ

Вывод вперед и назад z-красные карты были созданы от NeuroSynth (показано в фигура Figure22). Активации на этих двух картах показывают высокое сходство друг с другом. Перекрытие этих карт выявило активацию в областях мозжечка, височной доли (двусторонние нижние временные гири, правый верхний временный полюс и правая средняя и верхняя временная извилина), несколько лобных областей (левая средняя и верхняя орбитальная лобная извилина, правая средняя лобная извилина, правый нижний лобный верхний купол и правая предцентральная извилина), двусторонний путамен, двусторонняя изоляция, правая средняя челюсть и правая предрегуляция. Настольные Table22 перечислены идентифицированные кластеры, а также области AAL, принадлежащие кластеру.

Рисунок 2

Выводные карты метаанализа, выполненные на NeuroSynth, показывающие регионы, действующие в прямом умозаключении, обратном выводе и перекрытии двух карт.

Таблица 2

Перекрывающиеся кластеры карт прямого и обратного вывода.

РМР-статус покоя

Функциональные соединения, связанные с тенденцией интернет-зависимости

Используя NBS, мы идентифицировали две сети, которые показали значительную корреляцию прочности края и оценок CIAS-R (p <0.05, с поправкой на FWE): один с краями, положительно коррелированными с оценками CIAS-R («положительный CIAS-R» показан красным), и один с краями, отрицательно коррелированными с CIAS-R («CIAS-R отрицательный», показан в синем). Положительная сеть CIAS-R состоит в общей сложности из 65 узлов и 90 ребер (45 внутриполушарных, 42 межполушарных и 3 соединяющихся с вермисом), в то время как отрицательная сеть состоит из 64 узлов и 89 ребер (35 внутриполушарных, 40 межполушарных и 14 соединение с / внутри вермиса). Важно отметить, что две сети не являются полностью разделенными, и в общей сложности они имеют 39 узлов, 30.77% из которых являются областями лобных долей. Общее количество ребер, относящихся к CIAS-R, составляет 2.68% всех краев головного мозга. Сеть изображена на фигура Figure33 и конкретные соединения перечислены в дополнительных материалах 2, таблица S1.

Рисунок 3

Сеть соединений, которые коррелируют с оценками CIAS-R. Серые сферы представляют собой центр тяжести каждого узла и масштабируются соответственно количеству значимых краев, с которыми они связаны. Отображаются только узлы с соединениями. Красные линии представляют ...

Глобальное распределение задействованных краев

Чтобы лучше понять, как распределяются эти соединения, мы следовали Fornito et al. (2011) и Hong et al. (2013), и классифицировал каждый регион AAL в каждой сети как принадлежащий к семи региональным подгруппам: лобной, временной, теменной, затылочной, изолированной и цингулярной гири, подкорковым и мозжечком. Большинство ребер в положительной сети CIAS-R включали связи между временными областями (1) и insula и cingulate gryi (~13%), большинство из которых включает заднюю поясную извилину, соединяющуюся с различными временными областями; (2) фронтальная и временная области (~12%), которая включает в себя связи между медиальной орбитофронтальной корой, парацентральной долькой и височным гиром, временным полюсом; и (3) теменной и подкорковой областей (~11%), состоящей из связей между постцентральной корой и верхней теменной долькой с putamen и pallidum. Интересно отметить, что, за исключением лобной доли, во всех других регионах нет каких-либо внутрирегиональных связей, сила которых положительно коррелирует с тенденцией интернет-зависимости. Большинство ребер в отрицательной сети CIAS-R включали связи между (1) лобной долей и мозжечком (~19%), большинство из которых являются связями между орбитальными лобными областями и различными ROI мозжечка; и (2) insula и cingulate gyri и височной доли (~12%), которая включает связи между изоляцией, цигуллом, парафтопакампалом и вириальными лопастями. Не обнаружено, что затылочные области не включены в отрицательную сеть CIAS-R. Соотношение межрегиональных связей каждой сети показано в фигура Figure44.

Рисунок 4

Пропорция ребер, которые положительно и отрицательно коррелируют с тенденцией интернет-зависимости среди пар региональных подгрупп. Пропорции рассчитывались путем деления числа ребер между (или внутри) парами областей с суммарным ...

Максимально затронутые узлы

Из-за большого количества выявленных краев мы следовали Finn et al. (2014), и идентифицированные узлы, которые имеют высокую «сумму CIAS-R-коррелированных ребер», чтобы сфокусировать наш анализ на регионах, где соединения максимально связаны с тенденцией интернет-зависимости. Сумма CIAS-R-коррелированных ребер узла определялась как общее число его ребер как в положительных CIAS-R, так и в отрицательных сетях CIAS-R (это концептуально эквивалентно мере степени в теории графов). Этот метод позволит нам идентифицировать узлы, где соединения, скорее всего, будут изменены тенденцией интернет-зависимости. Следующие Настольные Table33 перечисляет узлы, которые максимально подвержены влиянию, и показывает узлы, которые имеют по крайней мере сумму CIAS-R-коррелированных краев, по меньшей мере, 8. Визуализация узлов и их соединений отображается в фигура Figure55, Это также узлы, отобранные для обсуждения.

Таблица 3

Анализ уровня узла тенденции интернет-зависимости.

Рисунок 5

Визуализация узлов с наибольшим количеством ребер, связанных с тенденцией интернет-зависимости. Зеленые сферы изображают центроид каждого узла с максимальными ребрами, а желтые сферы - их функциональные партнеры по подключению. Красные линии указывают края ...

Перейти к:

Обсуждение

В обычной группе молодых людей мы оценили уровень интернет-зависимости через самооценку (CIAS-R) и определили две сети мозга, функциональные связи которых положительно и отрицательно коррелировали с тенденцией интернет-зависимости. Ниже мы обсудим наши результаты в разных шкалах наблюдений: (1) - важнейшие регионы, связывающие CIAS-R положительные и отрицательные сети CIAS-R (2) с высокими пропорциями связей, связанных с тенденцией к интернет-склонности, и (3 ) критические узлы, измененные тенденцией интернет-зависимости.

Фронтальные регионы Ссылка CIAS-R Положительные и CIAS-R отрицательные сети

Мы заметили, что большинство узлов, которые связывают две (CIAS-R положительные и CIAS-R отрицательные) сети, расположены внутри лобной доли. Эти регионы включают в себя превосходную лобную извилину, ИФГ, медиальную фронтальную извилину, роландическую крышечку и дополнительную моторную область. Префронтальная кора была вовлечена в критическую структуру в когнитивном контроле, ингибировании и отклике (Aron и др., 2004; Талати и Хирш, 2005; Forstmann и др., 2008). Интернет-зависимость - явление, в котором наркоманы уменьшают самоконтроль и принятие решений в отношении использования Интернета, что отражается в продолжающемся злоупотреблении, несмотря на их знание негативных последствий. Например, в нескольких исследованиях было установлено, что участники с интернет-зависимостью показали более высокую фронтальную полосатую и фронто-париетальную активацию во время задачи Go / Nogo (Ding и др., 2014; Ko et al., 2014; Chen et al., 2015) и задача Stroop (Dong et al., 2012a, 2013, 2014), что говорит о более плохом ответе на ингибирование и мониторинг ошибок, а также в повышении импульсивности. Но, с другой стороны, интернет-наркоманы и игроки видеоигр часто демонстрируют отличную работу когнитивных функций, таких как управление двигателем и эффективное принятие решений во время игр. Было показано, что практические эффекты игры в видеоиграх обобщают на множество улучшенных управленческих навыков, в том числе перцептивные, моторные, внимательные и вероятностные навыки вывода (Зеленый и Бавелье, 2003; Castel et al., 2005; Dye et al., 2009; Green et al., 2010; Green et al., 2012). В одном исследовании FMRI было обнаружено сокращение набора лобно-париетальной сети в игроках видеоигр по сравнению с неигровыми игроками во время выполнения задачи с высоким уровнем внимания, возможно, отражающей более эффективный контроль исполнительной власти и внимания (Bavelier и др., 2012). Две стороны когнитивного контроля, отображаемые интернет-наркоманами, представляют интересную дилемму. В нашем исследовании наблюдение лобных областей, связывающих две сети, где функциональная связность уменьшается и увеличивается с помощью тенденции интернет-зависимости, может отражать изменения в лобной области для различных аспектов когнитивного контроля (т. Е. Для контроля использования Интернета и игровых навыков), Следует отметить, что хотя Hong et al. (2013) Предполагалось, что возможно увеличение функциональной связности, связанной с практическими эффектами у интернет-наркоманов, только снижение функциональной связности наблюдалось в их исследовании. Одна из возможностей, предложенная Hong et al. (2013) за отсутствие повышенной функциональной связности у лиц, страдающих от интернета, было то, что их небольшой размер выборки привел к отсутствию власти. Используя анализ на основе семян, который требует менее множественных сравнений, чем подходы цельного мозга, Hong et al. (2015) повторно проанализировали данные 2013 и наблюдали как увеличенную, так и уменьшенную функциональную связность, связанную с интернет-зависимостью.

Широко распространенные подключения сетей привязки к Интернету

Данные показывают большое количество меж- и внутриполушарных связей как в положительных CIAS-R, так и в отрицательных сетях CIAS-R, что отражает широкое влияние тенденции интернет-зависимости на мозг. Мы заметили, что наибольшая доля соединений в положительной сети CIAS-R включает в себя «изоляционные и цингулярно-временные», «фронтально-временные» и «подкорково-теменные» ребра, а самая высокая доля соединений в CIAS-R отрицательной сетью были задействованы «лобно-мозжечковые» и «изоляционные и зубчатые - временные» ребра (фигура Figure44). В недавно предложенной модели зависимости (Moulton и др., 2014), мозжечок помогает поддерживать гомеостаз четырех взаимосвязанных схем, связанных с наркоманией: вознаграждение / целеустремленность, мотивация / драйв, обучение / память, а также когнитивный контроль. Эта модель объединяет четырехконтурную модель (Volkow и др., 2003, 2010) и мозговых систем отдыха, связанных с исполнительной и ассоциативной обработкой в коре головного мозга (Buckner и др., 2011). Компоненты вознаграждения / целеустремленности, мотивации / драйва и обучения / памяти усиливаются, а когнитивный контроль уменьшается в зависимости. Увидеть фигура Figure66 для иллюстрации. Наши наблюдения за наивысшими функциональными связями между двумя сетями тенденции интернет-зависимости обычно совместимы с Moulton и др. (2014) модель критических компонентов, участвующих в схеме зависимостей. Аналогично, мы не наблюдали много значительных связей, включающих затылочную долю, которая также ласточкина Hong и др. (2013) Выводы. Однако мы также обнаружили значительную долю «подкорково-теменных» краев, которые, хотя и не особо выделяются в четырехконтурной модели, эти связи наблюдаются в литературе по интернет-наркомании (например, Ding и др., 2013; Hong и др., 2013, 2015), что может быть связано с практическим эффектом, связанным с использованием Интернета.

Рисунок 6

Модель наркомании, освещающая модулирующую роль мозжечка четырех основных сетей головного мозга, предлагаемая для лечения зависимости (адаптирована из Moulton и др., 2014). Эти схемы включают вознаграждение / целеустремленность, мотивацию / диск, обучение / память, ...

Критические узлы, измененные тенденцией интернет-зависимости

Мы определили, что узлы с наибольшим количеством соединений максимально связаны с тенденцией интернет-зависимости. Эти узлы - это те, чья структура связей между самим узлом и другими областями мозга наиболее подвержена изменениям тенденции интернет-зависимости. Областями являются, в частности, двусторонняя задняя поясная извилина, правая изоляция, правая средняя временная извилина, левый верхний временный полюс, правая путамена и орбитальная часть левой IFG (фигура Figure55). Эти регионы были вовлечены в ключевые регионы во многих (интернет) исследованиях зависимости, и некоторые из них уже упоминались в предыдущем разделе. Теперь мы обсудим литературу о наркомании, в которой более подробно освещены эти регионы. PCC, часть сети режима по умолчанию и участвующая в различных аспектах самообработки (Buckner и др., 2008; Франсон и Маррелец, 2008), служил в качестве Ding и др. (2013) исследование, которое показало значительно увеличенную функциональную связь с двусторонней задней долей мозжечка и средней временной извилиной, а также уменьшила двустороннюю нижнюю теменную дольку и правую нижнюю временную извилину у интернет-игровых наркоманов. Было обнаружено, что интернет-наркоманы обнаруживают аномальную фракционную анизотропию (Dong et al., 2012b) и плотности серого вещества (Zhou et al., 2011) в PCC. Zhang et al. (2015) выбрал insula, который был вовлечен в зависимость (Накви и Бечара, 2009; Droutman и др., 2015), как область семян и обнаружил измененную функциональную связность с сетью регионов в интернет-наркоманах. Была предложена роль insula in addiction для интеграции интероцептивных сигналов в сознательные чувства (призывы к наркотикам) и поведения приступов при принятии решений (Накви и Бечара, 2009). Средняя временная извилина и превосходный временный полюс наблюдались в некоторых исследованиях интернет-зависимости (см. Мэн и др., 2015 для метаанализа), и были связаны с игрой притяжения / тяги, семантической обработки, развоплощения, рабочей памяти и эмоциональной обработки; однако их конкретные роли в зависимости требуют дополнительных исследований. Путамен, часть спинного полосатого тела, также является критическим регионом, предложенным многими исследованиями зависимости (например, Ko et al., 2009; Ding и др., 2013; Lin et al., 2015), в котором сопутствующая дофаминовая нейротрансмиссия участвует в развитии компульсивного поиска наркотиков и тяги (Volkow и др., 2006; Кооб и Волков, 2010). Кроме того, исследования показали, что дисфункция со схемой стриато-таламо-орбитофронтальной цепи является одной из важнейших причин наркомании, а дорсальная полосатая полоса, участвующая в обучении и стремлении к привыканию, орбитофронтальная коруса связана с ощущением, движением и компульсивностью (Волков и Фаулер, 2000; Кооб и Волков, 2010; Volkow и др., 2010; Гольдштейн и Волков, 2011). Аномальное функционирование ортофронтальной коры может объяснить поведенческие нарушения в зависимости. Резюмируя вышесказанное, узлы, которые мы идентифицировали, являются хабами, которые наиболее восприимчивы к изменению тенденции интернет-зависимости, и они были идентифицированы неоднократно в существующей литературе.

Ограничение

Как отметил один из наших рецензентов, вопрос о том, выполнять ли глобальную регрессию сигнала в МРМ поколений, по-прежнему остается актуальным дебатом. После повторного анализа текущих данных без глобальной регрессии сигнала наши результаты оказались совершенно разными по сравнению с нашим исходным анализом, и только 22.91% краев, найденных в анализе NBS без глобальной регрессии сигнала, совпадающей с результатами наших текущих результатов. Без глобальной регрессии сигнала мы не нашли достаточных функциональных связей, которые были положительно связаны с оценками CIAS-R; однако мы обнаружили сеть, состоящую из функциональных соединений, которые были отрицательно связаны с оценками CIAS-R. Когда идентификация узлов с наибольшим количеством соединений максимально связана с тенденцией к интернет-склонности, мы находим соответствие с глобальным анализом регрессии сигнала в том, что наиболее привлекательными были цигулярные, изоляционные, временные и лобные области. Однако несколько различий включают дополнительный вывод двух дополнительных дополнительных моторных зон и правой угловой извилины, показывающий снижение функциональной связности, и в идентифицированной сети было не так много подкорковых областей. В то время как глобальная регрессия сигнала по-прежнему остается спорной, мы решили сообщить оба результата. Подробная информация о сети, идентифицированной без глобальной регрессии сигнала, задокументирована в дополнительных материалах 3. Надеемся, что будущая работа по предварительной обработке изображений прольет свет, на котором результат будет более точным. В настоящий момент мы предлагаем интерпретировать текущие результаты с учетом таких оговорок.

Перейти к:

Заключение

Используя подход, основанный на данных, мы показали, что сетевая статистика - полезный инструмент для характеристики связности всего мозга, затронутой тенденцией интернет-зависимости, определения связей и критических регионов, которые отражают предыдущие исследования. По сравнению с анализом семян, этот подход всего мозга обеспечивает более полный анализ соединений мозга, связанных с интернет-зависимостью, исследуя в общей сложности соединения 6670. Мы также показали, что многие функциональные связи и области мозга, критические в клинических случаях зависимости, также оказываются связанными с доклинических тенденций, индексированных поведенческими анкетированиями. Несмотря на использование корреляционного подхода, мы не можем быть уверены в том, что эти сети изменены в результате использования Интернета или являются ли они характеристиками людей, которые предрасположены к более высокому риску развития интернет-зависимости, это исследование предоставляет полезную информацию, помогая нам понять нейронную характеристики, лежащие в основе зависимости и ее развития.

Перейти к:

Авторские вклады

TW выполнил эксперимент, проанализировал данные, интерпретировал результаты, написал и пересмотрел рукопись. SH разработал эксперимент, написал заявку на грант, руководил подготовкой и исполнением эксперимента, помогал в интерпретации данных, подготовке и пересмотре рукописи.

Перейти к:

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Перейти к:

Благодарности

Авторы благодарны Юн-Тину Ли за помощь в сборе данных и профессору По-Сянь Хуан за статистическую консультацию. Исследование финансировалось Министерством науки и технологий (МОСТ), Тайвань (МОСТ 102-2420-H-006-006-MY2 и МОСТ 104-2420-H-006-004-MY2). Кроме того, это исследование было частично поддержано Министерством образования (МО), Тайванем, РПЦ «Цель высшего университетского проекта» Национальному университету Чэн Кун (NCKU). Мы благодарим Центр исследований и визуализации Разума (MRIC), поддерживаемый MOST, в NCKU за консультацию и доступность инструмента. Вопросник CIAS-R был предоставлен Сью-Хьюи Ченом.

Перейти к: