Nätverksbaserad analys avslöjar funktionell anslutning relaterad till Internet Addiction Tendency (2016)

Front Hum Neurosci. 2016; 10: 6.

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

PMCID: PMC4740778

Tanya Wen1,2,* och Shulan Hsieh1,3,4,*

Abstrakt

Upptagenhet och tvångsmässig användning av internet kan ha negativa psykologiska effekter, så att det i allt högre grad erkänns som en psykisk störning. Den aktuella studien använde nätverksbaserad statistik för att undersöka hur funktionella anslutningar i hela hjärnan i vila är relaterade till omfattningen av individens nivå av internetberoende, indexerad av ett självskattat frågeformulär. Vi identifierade två topologiskt signifikanta nätverk, ett med anslutningar som är positivt korrelerade med internetberoendetendens och ett med anslutningar negativt korrelerade med internetberoendetendenser. De två nätverken är sammankopplade mestadels i frontala regioner, vilket kan återspegla förändringar i frontalregionen för olika aspekter av kognitiv kontroll (dvs. för kontroll av internetanvändning och spelfärdigheter). Därefter kategoriserade vi hjärnan i flera stora regionala undergrupper och fann att majoriteten av proportionerna av anslutningar i de två nätverken motsvarar den cerebellära beroendemodellen som omfattar fyrkretsmodellen.

Slutligen observerade vi att hjärnregionerna med de mest interregionala kopplingarna förknippade med internetberoendetendenser replikerar de som ofta ses i beroendelitteraturen, och bekräftas av vår metaanalys av internetberoendestudier. Denna forskning ger en bättre förståelse för storskaliga nätverk som är involverade i internetberoendetendenser och visar att prekliniska nivåer av internetberoende är associerade med liknande regioner och kopplingar som kliniska fall av beroende.

Nyckelord: internetberoende, nätverksbaserad statistik, funktionell anslutning, viloläge, metaanalys

Beskrivning

Internet missbruk (; ) är ett modernt fenomen som kännetecknas av upptagenhet och tvångsmässig användning av internet. I synnerhet har internetspelstörning (IGD) listats i avsnitt III i Diagnostic and Statistical Manual version 5 (DSM-5)®, ). På grund av bristen på ett standardkriterium behandlade en del litteratur de två terminologierna som synonyma (se ; för en diskussion); dock är den tvångsmässiga och överdrivna användningen av internet för någon aktivitet (som vi i denna litteratur kommer att kalla internetberoende) mer global än dess huvudsubtyp IGD, som kan inkludera flera former av internetanvändning förutom onlinespel (; ; ). Vår aktuella studie undersöker internetberoende i den mer allmänna formen. I likhet med missbruksstörningar visar internetberoende abstinenssymptom, tolerans, förlust av kontroll och psykosociala problem, vilket leder till kliniskt signifikant ångest eller försämring av daglig funktion. Prevalensen verkar vara högst i asiatiska länder och bland manliga tonåringar, och har uppskattats variera från 14.1 till 16.5 % (95 procents konfidensintervall) bland högskolestudenter i Taiwan i en studie (). Fenomenet har rönt mer uppmärksamhet under de senaste åren och förtjänar helt klart ytterligare forskning.

Funktionell magnetisk resonanstomografi (fMRI) har använts för att identifiera de neurala substraten för internetberoende, som visade sig visa liknande hjärnsignaturer med substansrelaterade missbruk (; ; ). I blockerade och händelserelaterade studier har flera regioner associerade med belöning, beroende och begär identifierats genom att kontrastera internetspelsignaler med baslinjen, som inkluderar insula, nucleus accumbens (NAc), dorsolateral prefrontal cortex (DLPFC) och orbital frontal cortex (OFC) (; ; ; ; ). Aktiveringsbaserade tillvägagångssätt kontrasterar dock cue-relaterad aktivitet och tar inte upp hur regioner i hjärnan interagerar, och kan således inte karakterisera förändrade funktionella kopplingar associerade med kliniska eller beteendemässiga åtgärder; ändå är mänskliga störningar ett resultat av störningar i ett sammankopplat komplext system (). Införandet av fMRI i vilotillstånd har visat sig vara ett kraftfullt verktyg för att studera neurala anslutningar i hela hjärnan (). Funktionell anslutning i vilotillstånd bedöms genom korrelationen av spontana fluktuationer av blodsyrenivåberoende (BOLD) signaler i olika regioner av hjärnan och tros ge ett mått på dess funktionella organisation och kan hjälpa till att karakterisera onormala synkroniseringar mellan hjärnregioner i spektrumet av psykologiska fenotyper (; ).

Även om det har gjorts några studier som har använt funktionell anslutning för att undersöka förändrad funktionell anslutning associerad med internetberoende, använde de flesta studier fröregioner som valts a priori, antingen (a) korrelerar en fröregion med de återstående voxlarna i hela hjärnan [ använde NAc; använde den högra nedre frontala gyrusen (IFG); använde den bakre cingulate cortex (PCC); använde amygdala; använde insulan; använde caudate nucleus och putamen; använde den högra frontalstolpen; använde rätt DLPFC] eller (b) utför korrelationer mellan flera fördefinierade ROIs valda från meningsfulla nätverk ( undersökte det centrala chefsnätverket och framträdande nätverket; undersökte det verkställande kontrollnätverket; undersökte det verkställande kontrollnätverket och belöningsnätverket; undersökte responsinhiberingsnätverket; undersökte sex fördefinierade bilaterala kortikostriatala ROI). De fördefinierade fröregionerna som undersökts representerar endast en liten del av hjärnan, så de kanske inte kan ge en fullständig bild av hur connectomen påverkas av internetberoende.

Väldigt få studier har använt en helhjärnansats för att studera internetberoende. Såvitt vi vet finns det för närvarande bara fyra publicerade artiklar som anammat en helhjärnansats, och deras metoder är ganska varierande, allt från nätverksbaserad statistik (NBS; ) till topologisk (; ; ) till en nyutvecklad voxel-spegel homotopisk anslutning (). Särskilt, använde NBS för att identifiera skillnader mellan grupper i interregional funktionell anslutning, och fann försämrade anslutningar involverade i kortiko-subkortikala kretsar hos patienter med internetberoende. Men deras studie fokuserade på ett litet urval av en unik population (tidiga manliga tonåringar).

Därför beslutade vi i vår nuvarande uppsats att använda en helhjärnanslutningsmetod, NBS (; ), för att identifiera funktionella anslutningar som förutsäger en tendens till internetberoende. NBS är en validerad statistisk metod för att hantera problemet med flera jämförelser på en graf, den är analog med klusterbaserade metoder (), och används för att identifiera anslutningar och nätverk som omfattar det mänskliga kontaktomet som är associerade med en experimentell effekt eller en skillnad mellan grupper genom att testa hypotesen oberoende vid varje anslutning. Våra resultat kommer dessutom att jämföras med en metaanalys av befintliga artiklar relaterade till neurala korrelat av internetberoende. Vi hoppas kunna utöka den befintliga litteraturen på flera sätt: (1) Vi hoppas kunna ge en mer komplett bild av internetberoende genom att använda helhjärnaanalys istället för att använda endast ett litet antal fördefinierade fröregioner. (2) Även om det finns ett par funktionella anslutningsstudier i hela hjärnan om internetberoende (t.ex. ; ), jämförde studierna internetberoendegrupper med friska kontroller. Vår studie involverade inte några kliniska patienter, men karakteriserade internetberoendetendensen som en gradient. Vi hoppas kunna identifiera funktionella samband vars styrka är modulerad av beroendenivå. (3) De flesta studier av internetberoende har inte tagit hänsyn till lillhjärnan, men lillhjärnan har varit inblandad som en viktig region i missbruk (). Därför har vi tagit med lillhjärnan i vår analys. (4) Många studier har begränsat sin deltagargrupp till män och innehåller ofta relativt små urvalsstorlekar (t.ex. , ; ). För att öka generaliserbarheten och kraften i dessa studier krävs prover som innehåller båda könen och en större urvalsstorlek (). Genom att ta itu med ovanstående problem hoppas den aktuella studien ge en bättre förståelse för hur funktionell anslutning är associerad med tendenser till internetberoende.

Material och metoder

Meta-analys

En metaanalys konstruerades med hjälp av NeuroSynth-databasen (http://neurosynth.org; ). En anpassad analys utfördes genom att använda söktermerna "beroende", "beroende", "internet", "spel", "spel" och "online" för att identifiera studier relaterade till internetberoende i databasen. Kriterierna för inkludering verifierades manuellt och en lista över de ingående studierna finns detaljerad i tilläggsmaterial 1. Totalt 18 studier inkluderades. Toppaktiveringskoordinater såväl som dess närhet av 6 mm voxels extraherades från de inkluderade studierna. Därefter utfördes en metaanalys av dessa koordinater, vilket producerade framåt- och vördnadsinferens för hela hjärnan z-poängkartor. De framåtriktade slutledningskartorna återspeglar sannolikheten att en region kommer att aktiveras givet dessa termer [P(aktivering| villkor)], och informerar oss därför om konsistensen i aktiveringen för de givna villkoren. Den omvända inferenskartan visar sannolikheten att dessa termer används i en studie med tanke på närvaron av rapporterad aktivering [P(villkor| aktivering)]; Således indikerar en region som är aktiverad att det är mer sannolikt att det är en internetberoenderelaterad studie än en icke-internetberoenderelaterad studie, vilket återspeglar selektiviteten i den regionen. Eftersom både framåt och bakåt inferens spelar en viktig roll för att hjälpa oss att förstå regioner associerade med internetberoende, överlappade vi dessa två inferenskartor för att beskriva deras gemensamma regioner. Kluster större än fem voxlar rapporteras.

fMRI i vilotillstånd

Deltagare

Fyrtiosju friska deltagare (21 män och 26 kvinnor) från södra Taiwan, varav de flesta är studenter eller personal vid universitetet, rekryterades genom annonser för att delta i experimentet (åldersintervall = 19–29 år, medelålder = 22.87 år, SD = 2.22 år). Deltagarna var högerhänta (indikerat av Edinburgh Handedness Inventory), hade normal eller korrigerad till normal syn och ingen historia av psykologiska eller neurala störningar. Deras poäng för depression, ångest och intelligens låg inom det normala intervallet [Becks Depression Inventory (BDI) poäng: 0–12; Beck's Anxiety Inventory (BAI) poäng: 0–7; Raven's Standard Progressive Matrices testresultat: 35–57]. Chen Internet Addiction Scale-Revised (CIAS-R) poäng för alla deltagare hade intervallet = 28–92, medelvärde = 60.04, SD = 16.53. Bord Table11 sammanfattar deltagarnas demografiska information och beteendeegenskaper. Normaliteten för CIAS-R-poängen verifierades av Shapiro-Wilk-testet [W(47) = 0.98, p = 0.50]. Det fanns ingen signifikant korrelation mellan kön och CIAS-R-poäng (Spearmans ρ = 0.15, p = 0.30). Alla deltagare lämnade sitt skriftliga informerade samtycke, och studieprotokollet godkändes (NO: B-ER-101-144) av Institutional Review Board (IRB) vid National Cheng Kung University Hospital, Tainan, Taiwan. Alla deltagare fick betalt 500 NTD efter avslutat experiment.

Tabell 1  

Demografisk information och beteendeegenskaper.

Chen Internet Addiction Scale-Revised (CIAS-R) frågeformulär

Chen Internet Addiction Scale-Revised (CIAS-R; ) är ett mått på 26 punkter som används för att bedöma hur allvarliga internetberoende är. CIAS-R är baserad på DSM-IV-TR additiva beteendekriterier och innehåller två underskalor av internetberoende (a) kärnsymptom och (b) relaterade problem, bedömning av fem dimensioner inklusive (1) tvångsmässig internetanvändning, (2) abstinens symtom när internet tas bort, (3) tolerans, (4) risk för mellanmänskliga relationer och fysisk hälsa och (5) tidshanteringsproblem. Objekten betygsätts på en 4-gradig Likert-skala, med totalpoäng från 26 till 104, vilket återspeglar låg till hög tendens till internetberoende. Det har visat sig att CIAS-R har hög intern konsistens (Cronbachs α = 0.79–0.93; ) och hög diagnostisk noggrannhet (AUC = 89.6%; ). I den aktuella studien användes CIAS-R totalpoäng som en indikator på deltagarnas aktuella status för internetberoende.

Bildinsamling och bearbetning

Avbildning utfördes med hjälp av GE MR750 3T-skannern (GE Healthcare, Waukesha, WI, USA) i MRI-centret vid National Cheng Kung University. Högupplösta anatomiska bilder erhölls med snabb SPGR, bestående av 166 axiella skivor (TR = 7.6 ms, TE = 3.3 ms, vändvinkel 171 = 12°, 224 matriser × 224 matriser, skivtjocklek = 1 mm). Funktionella bilder erhölls med hjälp av en gradient-eko-eko-planar avbildning (EPI) pulssekvens (TR = 2000 ms, TE = 30 ms, vändvinkel = 77°, 64 matriser × 64 matriser, skivtjocklek = 4 mm, inget gap, voxelstorlek 3.4375 mm × 3.4375 mm × 4 mm, 32 axiella skivor som täcker hela hjärnan).

Deltagarna blev tillsagda att slappna av och ligga i skannern med slutna ögon. De ombads att inte tänka på någon speciell händelse under skanningen. Skanningstiden för den strukturella bilden var cirka 3.6 min. Den funktionella bilden varade i cirka 8 minuter, med de första fem TR:na som fungerade som dummy-skanningar för att säkerställa att signalen har nått ett stabilt tillstånd innan data samlas in; sålunda består en körning av 240 EPI-volymbilder för analys.

Datan förbehandlades med hjälp av Data Processing Assistant for Resting-State fMRI (DPARSF; ), som är baserad på funktioner i MRIcroN (1) samt programvara för statistisk parametrisk kartläggning (SPM2) och Resting-State fMRI Data Analysis Toolkit (REST; ) i Matlab (The MathWorks, Inc., Natick, MA, USA). Funktionella bilder genomgick skivtimingskorrigering, följt av omjustering för att korrigera för huvudrörelser med hjälp av stela kroppstransformationer med sex parametrar. Den totala rörelsen, kännetecknad av genomsnittlig ramförskjutning (FD), var inte stor (medelvärde = 0.05, SD = 0.03) och korrelerade inte med CIAS-R-poängen (Spearmans ρ = -0.28, p = 0.055), så är impulsivitet inte en förvirrande faktor för poäng och rörelse för internetberoende (). T1-bilder samregistrerades till funktionella bilder. Strukturella bilder segmenterades i CSF, vit substans och grå substans baserat på vävnadssannolikhetskartor i MNI-utrymme, och dessa beräkningar användes i den efterföljande normaliseringen av T1- och EPI-bilder till MNI-utrymme. Data utjämnades i den rumsliga domänen med användning av en Gauss-kärna med 6 mm full bredd vid halva maximum (FWHM) och togs bort från linjär trend. Olägenhetskovariater inklusive global medelsignal, signal för vit substans och signal från cerebrospinalvätskan regrerades ut. Även om huruvida den globala signalregressionen ska utföras fortfarande är en pågående kontrovers (t.ex. ), beslutade vi att implementera denna metod eftersom den har föreslagits för att maximera specificiteten hos funktionella korrelationer och förbättra överensstämmelsen mellan vilotillståndskorrelationer och anatomi (; ; ). Slutligen genomgick bilderna bandpassfiltrering på 0.01–0.08 Hz.

Dataanalys

fMRI-bilderna fördelades baserat på Anatomical Automatic Labeling (AAL; ) mall, som delar upp hjärnan baserat på anatomisk struktur i 116 ROI (eller noder). Vi valde AAL-atlasen eftersom det har varit den mest använda paketeringen i funktionella nätverksstudier () och var också mallen som användes av , vars studie är mest relevant för vår, vilket ökar graden av jämförbarhet mellan studier (). NBS-metoden användes för att identifiera hjärnnätverk som består av interregional funktionell anslutning som visar signifikant korrelation med CIAS-R-poäng. Följande analyser gjordes med hjälp av Network Based Statistic Toolbox () med ytterligare interna Matlab-skript. En 116 × 116 korrelationsmatris konstruerades för varje deltagare med hjälp av tidskurserna extraherade från varje ROI. The Pearson's r värden normaliserades till Z poäng med Fishers Z omvandling. Varje cell i korrelationsmatrisen representerar styrkan hos anslutningen (eller kanten) mellan två noder. Massunivariattestning med Spearmans rangkorrelation utfördes mellan deltagarnas CIAS-R-poäng och kantstyrkor inom varje kant för att identifiera relevanta samband som var förutsägande för CIAS-R-poängen. Kandidatkanter som visade hög förutsägbarhet för CIAS-R-poäng valdes ut via en primär tröskel på Spearmans rho > 0.37 respektive <-0.37 (ungefär den ensidiga alfa = 0.005) för att identifiera nätverk som är positivt och negativt associerade med CIAS- R poäng. Därefter identifierades topologiska kluster, kända som anslutna grafkomponenter bland supra-tröskelanslutningarna. Ett familjemässigt fel (FWE) för komponentstorleken beräknades med hjälp av permutationstestning (3000 permutationer), vilket innebar slumpmässig omordning av CIAS-R-poängen och upprepande av ovanstående process varje permutation för att få en nollfördelning av den största komponentstorleken. Anslutna grafkomponenter vars storlek överstiger den uppskattade FWE-korrigerade p-värde cutoff på <0.05 identifierades som nätverk som är signifikant relaterade till internetberoendetendens. BrainNet Viewer () användes för visualisering av anslutningar. En illustration av dataanalyspipelinen visas i Figur Figure11.

BILD 1  

Flödesschema över dataanalyspipeline. Deltagarnas hjärnor förbearbetades och fördelades till olika strukturella regioner enligt AAL-mallen. En korrelationsmatris konstruerades med hjälp av tidsförlopp som extraherades från varje region till .

Resultat

Meta-analys

Framåt och bakåt slutledning z-poängkartor genererades från NeuroSynth (visas i Figur Figure22). Aktiveringarna i dessa två kartor visar stor likhet med varandra. Överlappning av dessa kartor avslöjade aktivering i regioner av lillhjärnan, tinningloben (bilateral nedre temporal gyri, höger övre tinningpol och höger mellersta och överlägsna temporala gyrus), flera frontala regioner (vänster mellersta och övre orbitala frontal gyrus, höger mellersta frontal gyrus, höger inferior frontal operculum och höger precentral gyrus), bilateral putamen, bilateral insula, höger mellersta cingulat och höger precuneus. Bord Table22 listar de identifierade klustren samt AAL-regioner som hör till klustret.

BILD 2  

Inferenskartor av metaanalys utförda på NeuroSynth, som visar regioner aktiva i framåtriktad inferens, omvänd inferens och överlappningen av de två kartorna.
Tabell 2  

Överlappande kluster av ledningskartor framåt och bakåt.

fMRI i vilotillstånd

Funktionella anslutningar relaterade till Internetberoendetendens

Med hjälp av NBS identifierade vi två nätverk som visade signifikant korrelation mellan kantstyrka och CIAS-R-poäng (p < 0.05, FWE-korrigerad): en med kanter som är positivt korrelerade med CIAS-R-poäng ("CIAS-R-positiva", visas i rött), och en med kanter som är negativt korrelerade med CIAS-R ("CIAS-R-negativ", visas i blått). Det positiva CIAS-R-nätverket består av totalt 65 noder och 90 kanter (45 intrahemisfäriska, 42 interhemisfäriska och 3 anslutna till vermis), medan det negativa nätverket består av 64 noder och 89 kanter (35 intrahemisfäriska, 40 interhemisfäriska och 14 ansluter till/inom vermis). Det är viktigt att notera att de två nätverken inte är helt separata, och de delar totalt 39 noder, varav 30.77% är frontallobsregioner. Det totala antalet kanter relaterade till CIAS-R består av 2.68% av alla kanter av hjärnan. Nätverket illustreras i Figur Figure33 och specifika anslutningar listas i tilläggsmaterial 2, tabell S1.

BILD 3  

Nätverk av anslutningar som är korrelerade med CIAS-R-poäng. Grå sfärer representerar tyngdpunkten för varje nod och skalas i enlighet med antalet signifikanta kanter de är associerade med. Endast noder med anslutningar visas. Röda linjer representerar .

Global distribution av involverade kanter

För att få en bättre förståelse för hur dessa kopplingar är fördelade följde vi och , och kategoriserade varje AAL-region inom varje nätverk som tillhörande sju regionala undergrupper: frontal, temporal, parietal, occipital, insula och cingulate gyri, subkortikal och cerebellum. Majoriteten av kanterna i det positiva CIAS-R-nätverket involverade kopplingar mellan (1) temporala regioner och insula och cingulate gryi (~13%), varav de flesta involverar den bakre cingulate gyrusen som ansluter till olika temporala regioner; (2) frontala och temporala regioner (~12%), vilket inkluderar förbindelser mellan den mediala orbitofrontala cortexen, paracentral lobul och temporallobens gyri, temporal pol; och (3) parietala och subkortikala regioner (~11%), bestående av kopplingar mellan den postcentrala cortexen och den övre parietallobulien med putamen och pallidum. Det är intressant att notera att förutom frontalloben, har alla andra regioner inga intraregionala kopplingar vars styrka är positivt korrelerad med internetberoendetendens. Majoriteten av kanterna i det negativa CIAS-R-nätverket involverade förbindelser mellan (1) frontalloben och lillhjärnan (~19%), varav de flesta är kopplingar mellan de orbitala frontala regionerna och olika ROI i lillhjärnan; och (2) insula och cingulate gyri och tinningloben (~12%), som innefattar förbindelser mellan insula, cingulum, parahippocampal och tinninglob gyri. Inga occipitalregioner befanns inkluderas i det CIAS-R-negativa nätverket. Proportionerna av interregionala anslutningar för varje nätverk illustreras i Figur Figure44.

BILD 4  

Andel kanter som är positivt och negativt korrelerade med internetberoendetendens bland par av regionala undergrupper. Proportionerna beräknades genom att dividera antalet kanter mellan (eller inom) par av regioner med den totala .

Maximalt påverkade noder

På grund av det stora antalet identifierade kanter följde vi efter , och identifierade noder som har en hög "summa av CIAS-R-korrelerade kanter" för att fokusera vår analys på regioner där anslutningar är maximalt relaterade till internetberoendetendens. Summan av CIAS-R-korrelerade kanter för en nod definierades som det totala antalet av dess kanter i både CIAS-R-positiva och CIAS-R-negativa nätverk (detta är begreppsmässigt ekvivalent med gradmåttet i grafteori). Denna metod kommer att göra det möjligt för oss att identifiera noder där anslutningar med största sannolikhet kommer att förändras av en tendens till internetberoende. Det följande Bord Table33 listar de noder som är maximalt påverkade och visar noder som har minst en summa av CIAS-R-korrelerade kanter på minst 8. Visualisering av noderna och deras anslutningar visas i Figur Figure55. Dessa är också de noder som valts ut för diskussion.

Tabell 3  

Nodnivåanalys av internetberoendetendens.
BILD 5  

Visualisering av noderna med det högsta antalet kanter relaterade till internetberoendetendens. Gröna sfärer visar tyngdpunkten för varje nod med maximala kanter, medan gula sfärer visar deras funktionella anslutningspartners. Röda linjer indikerar kanter .

Diskussion

I en normal grupp unga vuxna bedömde vi deras nivå av internetberoende genom ett självskattat frågeformulär (CIAS-R), och identifierade ytterligare två hjärnnätverk av vilka funktionella anslutningar korrelerade positivt och negativt med internetberoendetendens. I det följande diskuterar vi våra resultat i olika observationsskalor: (1) de avgörande regionerna som länkar samman CIAS-R-positiva och CIAS-R-negativa nätverk, (2) regioner med höga andelar anslutningar relaterade till internetberoendetendens, och (3 ) de kritiska noderna förändras av tendenser till internetberoende.

Frontala regioner länkar samman CIAS-R Positiva och CIAS-R Negative Networks

Vi observerade att majoriteten av noder som länkar de två (CIAS-R-positiva och CIAS-R-negativa) nätverken är belägna inom frontalloben. Dessa regioner inkluderar den överlägsna frontala gyrusen, IFG, den mediala frontala gyrusen, Rolandic operculum och det kompletterande motoriska området. Den prefrontala cortexen har ansetts vara en kritisk struktur i kognitiv kontroll, hämning och svarsval (; ; ). Internetberoende är ett fenomen genom att missbrukare har minskat självkontroll och beslutsfattande när det gäller internetanvändning, vilket återspeglas av fortsatt överanvändning trots deras kunskap om negativa effekter. Till exempel har flera studier funnit att deltagare med internetberoende visade högre fronto-striatal och fronto-parietal aktivering under Go/Nogo-uppgiften (; ; ) och Stroop uppgift (, , ), vilket tyder på sämre responshämning och felövervakning och ökad impulsivitet. Men å andra sidan visar internetmissbrukare och videospelsspelare ofta utmärkta prestationer av kognitiva funktioner, såsom motorisk kontroll och effektivt beslutsfattande under spelande. Faktiskt har övningseffekter av videospel visat sig generalisera till en mängd förbättrade exekutivfärdigheter, inklusive perceptuella, motoriska, uppmärksamhetsförmåga och probabilistiska slutledningsförmåga (; ; ; ; ). En fMRI-studie fann minskad rekrytering av det frontoparietala nätverket hos videospelsspelare jämfört med icke-spelare under en uppgift med hög uppmärksamhetsbehov, vilket möjligen återspeglar mer effektiv verkställande och uppmärksamhetskontroll (). De två ansiktena av kognitiv kontroll som visas av internetmissbrukare utgör ett intressant dilemma. I vår studie kan observationen av frontala regioner som länkar samman de två nätverken där funktionell anslutning minskar och ökas av internetberoendetendens återspegla förändringar i frontalregionen för olika aspekter av kognitiv kontroll (dvs för kontroll av internetanvändning och spelfärdigheter). Det är värt att nämna att även om hypotesen att det möjligen kunde vara ökad funktionell anslutning associerad med övningseffekter hos internetmissbrukare, observerades endast minskad funktionell anslutning i deras studie. En möjlighet som föreslås av för deras frånvaro av ökad funktionell anslutning hos internetberoende individer var att deras lilla urvalsstorlek resulterade i bristen på ström. Genom att använda utsädebaserad analys, som kräver färre jämförelser än helhjärnangrepp, analyserade om 2013 års data och observerade både ökad och minskad funktionell anslutning i samband med internetberoende.

De vitt spridda anslutningarna av Internetberoendetendensnätverk

Data visar ett stort antal inter- och intra-hemisfäriska kopplingar i både CIAS-R-positiva och CIAS-R-negativa nätverk, vilket återspeglar den omfattande påverkan av internetberoendetendenser på hjärnan. Vi observerade att den högsta andelen anslutningar i det positiva CIAS-R-nätverket involverade "insula och cingulate - temporal", "frontal - temporal" och "subkortikal - parietal" kanter, medan den högsta andelen anslutningar i CIAS-R negativt nätverk involverade "frontala - cerebellära" och "insula och cingulate - temporala" kanter (Figur Figure44). I en nyligen föreslagen modell för beroende (), hjälper lillhjärnan att upprätthålla homeostasen för de fyra sammankopplade kretsarna som är relevanta för beroende: belöning/framträdande, motivation/drivkraft, inlärning/minne samt kognitiv kontroll. Denna modell integrerar fyrkretsmodellen (, ) och de cerebellära funktionella vilotillståndsnätverken relaterade till exekutiv och associativ bearbetning i hjärnbarken (). Komponenterna för belöning/framträdande, motivation/drivkraft och inlärning/minne förstärks, medan kognitiv kontroll försämras vid missbruk. Ser Figur Figure66 för en illustration. Våra observationer av de högsta funktionella anslutningsproportionerna av de två internetberoendetendensnätverken är i allmänhet kompatibla med modell av de kritiska komponenterna som är involverade i beroendekretsen. På samma sätt observerade vi inte många signifikanta kopplingar som omfattar nackloben, som också hänger ihop fynd. Men vi hittade dessutom en stor andel "subkortikala - parietala" kanter som även om de inte är särskilt framhävda i fyrkretsmodellen, har dessa samband observerats i litteraturen om internetberoende (t.ex. ; , ), vilket kan bero på en övningseffekt relaterad till internetanvändning.

BILD 6  

En modell av beroende som lyfter fram den modulerande rollen av lillhjärnan i de fyra stora hjärnnätverken som föreslås påverkas av beroende (anpassad från ). Dessa kretsar inkluderar belöning/framträdande, motivation/drivkraft, lärande/minne, .

Kritiska noder ändras av tendens till internetberoende

Vi identifierade noder med flest anslutningar är maximalt relaterade till internetberoendetendens. Dessa noder är de vars mönster av anslutningar mellan själva noden och andra hjärnregioner är mest mottagliga för förändringar av internetberoendetendenser. Regionerna är specifikt den bilaterala posteriora cingulate gyrusen, höger insula, höger mellersta temporala gyrus, vänstra övre temporala polen, höger putamen och den orbitala delen av vänster IFG (Figur Figure55). Dessa regioner har varit inblandade som nyckelregioner i många (internet)beroendestudier och några har redan nämnts i föregående avsnitt. Vi diskuterar nu beroendelitteraturen som belyser dessa regioner mer i detalj. PCC, en del av standardlägesnätverket och involverat i olika aspekter av självbearbetning (; ), fungerade som en fröregion i studie, som visade signifikant ökad funktionell anslutning till den bilaterala lillhjärnans bakre lob och den mellersta temporala gyrusen, medan minskad bilateral inferior parietallobuli och höger inferior temporal gyrus hos internetspelmissbrukare. Internetberoende har också visat sig visa onormal fraktionerad anisotropi () och grå substans densitet () i PCC. valde insula, som har varit inblandad i missbruk (; ), som fröregionen och hittade förändrad funktionell anslutning till ett nätverk av regioner hos internetmissbrukare. Insulas roll i missbruk har föreslagits för att integrera interoceptiva signaler i medvetna känslor (drogbehov) och fördomar beteende under beslutsfattande (). Den mellersta temporala gyrusen och den övre temporala polen har observerats i vissa internetberoendestudier (se för en metaanalys), och har associerats med spelsuget/lusten, semantisk bearbetning, disembodiment, arbetsminne och emotionell bearbetning; deras specifika roller i missbruk kräver dock ytterligare utredningar. Putamen, en del av dorsala striatum, är också en kritisk region som föreslagits av många beroendeforskning (t.ex. ; ; ), där samtidig dopamin-neurotransmission är involverad i utvecklingen av tvångsmässigt drogsökande och sug (; ). Vidare har forskning föreslagit att dysfunktion med den striato-thalamo-orbitofrontala kretsen är en avgörande orsak till missbruk, medan den dorsala striatum involverad i inlärning av vanor och begär, den orbitofrontala cortex är involverad med framträdande, drivkraft och tvångsförmåga (; ; ; ). Den onormala funktionen hos den orbitofrontala cortex kan förklara beteendestörningen i missbruk. Sammanfattningsvis är noderna vi identifierade hubbar som är mest mottagliga för förändringar av internetberoendetendenser, och de har identifierats upprepade gånger i den befintliga litteraturen.

Begränsning

Som påpekat av en av våra granskare, är det fortfarande en aktuell debatt om man ska utföra global signalregression i vilotillstånd fMRI. Efter att ha analyserat aktuell data utan global signalregression, visade sig våra resultat helt annorlunda jämfört med vår ursprungliga analys och endast 22.91 % av kanterna som hittades i NBS-analyserna utan global signalregression överlappade de av våra nuvarande resultat. Utan global signalregression hittade vi inte tillräckliga funktionella samband som var positivt relaterade till CIAS-R-poäng; dock hittade vi ett nätverk som bestod av funktionella anslutningar som var negativt relaterade till CIAS-R-poäng. När identifiering av noder med flest anslutningar är maximalt relaterade till internetberoendetendens, finner vi överensstämmelse med den globala signalregressionsanalysen genom att de cingulate, insula, temporala och frontala områdena var mest involverade. Flera skillnader inkluderar dock ytterligare upptäckt av bilaterala kompletterande motorområden och rätvinkliga gyrus som visar minskad funktionell anslutning, och det fanns inte så många subkortikala regioner i det identifierade nätverket. Även om global signalregression fortfarande är kontroversiell, bestämde vi oss för att rapportera båda resultaten. Detaljer om nätverket som identifierats utan global signalregression dokumenteras i tilläggsmaterial 3. Förhoppningsvis kommer framtida arbete med bildförbehandling att belysa vilket resultat som är mer exakt. I detta ögonblick föreslår vi att tolka de aktuella resultaten med sådana varningar i åtanke.

Slutsats

Med hjälp av ett datadrivet tillvägagångssätt visade vi att nätverksbaserad statistik är ett användbart verktyg för att karakterisera helhjärnanslutning som påverkas av internetberoendetendenser, identifiera anslutningar och kritiska regioner som upprepar tidigare studier. Jämfört med fröanalyser ger denna helhjärnansats en mer omfattande analys av hjärnanslutningar relaterade till internetberoende, och undersöker totalt 6670 anslutningar. Vi visade vidare att många funktionella kopplingar och hjärnregioner som är kritiska i kliniska fall av missbruk också har visat sig vara associerade med prekliniska tendenser indexerade av beteendemässiga frågeformulär. Även om vi använder en korrelationell metod, kan vi inte vara säkra på om dessa nätverk har förändrats som ett resultat av internetanvändning eller om de är egenskaper hos personer som är predisponerade för högre risk att utveckla internetberoende, den här forskningen ger användbar information för att hjälpa oss att förstå nervsystemet egenskaper bakom beroendet och dess utveckling.

Författarbidrag

TW utförde experimentet, analyserade data, tolkade resultaten, skrev och reviderade manuskriptet. SH designade experimentet, skrev bidragsförslaget, vägledde experimentets förberedelser och genomförande, hjälpte till med att tolka data, förbereda och revidera manuskriptet.

Intresseanmälan

Författarna förklarar att forskningen genomfördes i avsaknad av kommersiella eller finansiella relationer som kan tolkas som en potentiell intressekonflikt.

Erkännanden

Författarna är tacksamma mot Yun-Ting Lee för hjälp med datainsamling och professor Po-Hsien Huang för statistisk konsultation. Studien finansierades av ministeriet för vetenskap och teknik (MOST), Taiwan (MOST 102-2420-H-006-006-MY2 och MOST 104-2420-H-006-004-MY2). Dessutom stöddes denna forskning delvis av utbildningsministeriet (MoE), Taiwan, ROC The Aim for the Top University Project till National Cheng Kung University (NCKU). Vi tackar Mind Research and Imaging Center (MRIC), med stöd av MOST, vid NCKU för konsultation och instrumenttillgänglighet. CIAS-R-frågeformuläret tillhandahölls av Sue-Huei Chen.

fotnoter

Extramaterial

Det kompletterande materialet för denna artikel finns online på: http://journal.frontiersin.org/article/10.3389/fnhum.2016.00006

Referensprojekt

  • American Psychiatric Association [APA] (2013). Diagnostisk och statistisk manual för mentala störningar (DSM-5®). Arlington, VA: American Psychiatric Pub.
  • Aron AR, Robbins TW, Poldrack RA (2004). Hämning och den högra nedre frontala cortex. Trender Cogn. Sci. 8 170–177. 10.1016/j.tics.2004.02.010 [PubMed] [Cross Ref]
  • Bavelier D., Achtman RL, Mani M., Focker J. (2012). Neurala baser för selektiv uppmärksamhet hos actionspelsspelare. Vis. Res. 61 132–143. 10.1016/j.visres.2011.08.007 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Biswal BB, Mennes M., Zuo XN, Gohel S., Kelly C., Smith SM, et al. (2010). Mot upptäcktsvetenskap om mänsklig hjärnfunktion. Proc. Natl. Acad. Sci. usa 107 4734 – 4739. 10.1073 / pnas.0911855107 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Brand M., Young KS, Laier C. (2014). Prefrontal kontroll och Internetberoende: en teoretisk modell och genomgång av neuropsykologiska och neuroimaging-fynd. Främre. Brum. Neurosci. 8: 375 10.3389 / fnhum.2014.00375 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Buckner RL, Andrews-Hanna JR, Schacter DL (2008). Hjärnans standardnätverk – Anatomi, funktion och relevans för sjukdomar. År Cogn. Neurosci. 2008 1–38. 10.1196/annals.1440.011 [PubMed] [Cross Ref]
  • Buckner RL, Krienen FM, Castellanos A., Diaz JC, Yeo BTT (2011). Organisationen av den mänskliga lillhjärnan uppskattad av inneboende funktionell anslutning. J. Neurophysiol. 106 2322 – 2345. 10.1152 / jn.00339.2011 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Castel AD, Pratt J., Drummond E. (2005). Effekterna av actionspelupplevelse på tidsförloppet för hämning av retur och effektiviteten av visuell sökning. Acta Psychol. 119 217–230. 10.1016/j.actpsy.2005.02.004 [PubMed] [Cross Ref]
  • Chen CY, Huang MF, Yen JY, Chen CS, Liu GC, Yen CF, et al. (2015). Hjärnkorrelaterar svarshämning vid störning på internet-spel. Psychiatry Clin. Neurosci. 69 201 – 209. 10.1111 / pcn.12224 [PubMed] [Cross Ref]
  • Chen S., Weng L., Su Y., Wu H., Yang P. (2003). Utveckling av en kinesisk skala för internetberoende och dess psykometriska studie. Haka. J. Psychol. 45 251–266. 10.1371/journal.pone.0098312 [Cross Ref]
  • Craddock RC, Jbabdi S., Yan CG, Vogelstein JT, Castellanos FX, Di Martino A., et al. (2013). Avbilda mänskliga kopplingar i makroskala. Nat. metoder 10 524–539. 10.1038/Nmeth.2482 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Ding WN, Sun JH, Sun YW, Chen X., Zhou Y., Zhuang ZG, et al. (2014). Egenskapsimpulsivitet och nedsatt prefrontal impulsinhibitionsfunktion hos ungdomar med internet-spelberoende avslöjade av en Go / No-Go fMRI-studie. Behav. Brain Funct. 10:20 10.1186/1744-9081-10-20 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Ding WN, Sun JH, Sun YW, Zhou Y., Li L., Xu JR, et al. (2013). Ändrad funktionell anslutning i viloläge för nätverk hos ungdomar med internetspelberoende. PLoS ONE 8: e59902 10.1371 / journal.pone.0059902 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Dong GH, DeVito EE, Du XX, Cui ZY (2012a). Nedsatt hämmande kontroll i "internetberoendestörning": en funktionell magnetisk resonanstomografistudie. Psykiatri Res. Neuroimaging 203 153 – 158. 10.1016 / j.pscychresns.2012.02.001 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Dong GH, DeVito E., Huang J., Du XX (2012b). Diffusionstensoravbildning avslöjar avvikelser i thalamus och posterior cingulate cortex hos spelmissbrukare på internet. J. Psychiatr. Res. 46 1212 – 1216. 10.1016 / j.jpsychires.2012.05.015 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Dong GH, Lin X., Hu YB, Xie CM, Du XX (2015a). Obalanserad funktionell koppling mellan verkställande kontrollnätverk och belöningsnätverk förklarar beteendet som letar efter onlinespel vid spelstörningar på Internet. Sci. Rep. 5:9197 10.1038/Srep09197 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Dong GH, Lin X., Potenza MN (2015b). Minskad funktionell anslutning i ett verkställande kontrollnätverk är relaterat till nedsatt verkställande funktion vid spelstörningar på Internet. Prog. Neuro-Psychopharmacol. Biol. Psykiatri 57 76 – 85. 10.1016 / j.pnpbp.2014.10.012 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Dong GH, Lin X., Zhou HL, Lu QL (2014). Kognitiv flexibilitet hos internetmissbrukare: fMRI-bevis från svår-till-enkla och lätt-till-svåra växlingssituationer. Missbrukare. Behav. 39 677 – 683. 10.1016 / j.addbeh.2013.11.028 [PubMed] [Cross Ref]
  • Dong GH, Shen Y., Huang J., Du XX (2013). Nedsatt felövervakningsfunktion hos personer med internetberoendestörning: en händelserelaterad fMRI-studie. Eur. Missbrukare. Res. 19 269-275. 10.1159 / 000346783 [PubMed] [Cross Ref]
  • Droutman V., Read SJ, Bechara A. (2015). Återbesök insulas roll i missbruk. Trender Cogn. Sci. 19 414–420. 10.1016/j.tics.2015.05.005 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Dye MWG, Green CS, Bavelier D. (2009). Ökar bearbetningshastigheten med actionvideospel. Curr. Dir. Psychol. Sci. 18 321 – 326. 10.1111 / j.1467-8721.2009.01660.x [PMC gratis artikel] [PubMed] [Cross Ref]
  • Finn ES, Shen X., Holahan JM, Scheinost D., Lacadie C., Papademetris X., et al. (2014). Störning av funktionella nätverk i dyslexi: en helhjärna, datadriven analys av anslutning. Biol. Psykiatri 76 397 – 404. 10.1016 / j.biopsych.2013.08.031 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Fornito A., Bullmore ET (2015). Connectomics: ett nytt paradigm för att förstå hjärnsjukdomar. Eur. Neuropsychopharmacol. 25 733 – 748. 10.1016 / j.euroneuro.2014.02.011 [PubMed] [Cross Ref]
  • Fornito A., Yoon J., Zalesky A., Bullmore ET, Carter CS (2011). Allmänna och specifika funktionella anslutningsstörningar vid schizofreni i första avsnittet under kognitiv kontrollprestanda. Biol. Psykiatri 70 64 – 72. 10.1016 / j.biopsych.2011.02.019 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Forstmann BU, van den Wildenberg WPM, Ridderinkhof KR (2008). Neurala mekanismer, temporal dynamik och individuella skillnader i interferenskontroll. J. Cogn. Neurosci. 20 1854–1865. 10.1162/jocn.2008.20122 [PubMed] [Cross Ref]
  • Fox MD, Zhang D., Snyder AZ, Raichle ME (2009). Den globala signalen och observerade anti-relaterade hjärnnätverk i vilotillstånd. J. Neurophysiol. 101 3270 – 3283. 10.1152 / jn.90777.2008 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Fransson P., Marrelec G. (2008). Precuneus/posterior cingulate cortex spelar en central roll i standardlägesnätverket: bevis från en partiell korrelationsnätverksanalys. NeuroImage 42 1178 – 1184. 10.1016 / j.neuroimage.2008.05.059 [PubMed] [Cross Ref]
  • Goldstein RZ, Volkow ND (2011). Dysfunktion av prefrontal cortex i missbruk: neuroimaging fynd och kliniska konsekvenser. Nat. Rev. Neurosci. 12 652 – 669. 10.1038 / nrn3119 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Green CS, Bavelier D. (2003). Action-videospel ändrar visuell selektiv uppmärksamhet. Natur 423 534 – 537. 10.1038 / nature01647 [PubMed] [Cross Ref]
  • Green CS, Pouget A., Bavelier D. (2010). Förbättrad probabilistisk slutledning som en allmän inlärningsmekanism med actionvideospel. Curr. Biol. 20 1573-1579. 10.1016 / j.cub.2010.07.040 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Green CS, Sugarman MA, Medford K., Klobusicky E., Bavelier D. (2012). Effekten av actionspelupplevelse på uppgiftsbyte. Comput. Brum. Behav. 28 984 – 994. 10.1016 / j.chb.2011.12.020 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Griffiths MD, Pontes HM (2014). Internetberoendestörning och internetspelstörning är inte samma sak. J. Addict. Res. Ther. 5:e124 10.4172/2155-6105.1000e124 [Cross Ref]
  • Han CE, Yoo SW, Seo SW, Na DL, Seong JK (2013). Klusterbaserad statistik för hjärnanslutning i samband med beteendemått. PLoS ONE 8: e72332 10.1371 / journal.pone.0072332 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Han DH, Kim YS, Lee YS, Min KJ, Renshaw PF (2010). Förändringar i cue-inducerad, prefrontal cortexaktivitet med videospel. Cyberpsychol. Behav. Soc. End. 13 655 – 661. 10.1089 / cyber.2009.0327 [PubMed] [Cross Ref]
  • Hoeft F., Watson CL, Kesler SR, Bettinger KE, Reiss AL (2008). Könsskillnader i det mesokortikolimbiska systemet under datorspel. J. Psychiatr. Res. 42 253 – 258. 10.1016 / j.jpsychires.2007.11.010 [PubMed] [Cross Ref]
  • Hong SB, Harrison BJ, Dandash O., Choi EJ, Kim SC, Kim HH, et al. (2015). En selektiv involvering av putamen funktionell anslutning hos ungdomar med internetspelstörningar. Brain Res. 1602 85 – 95. 10.1016 / j.brainres.2014.12.042 [PubMed] [Cross Ref]
  • Hong SB, Zalesky A., Cocchi L., Fornito A., Choi EJ, Kim HH, et al. (2013). Minskad funktionell hjärnanslutning hos ungdomar med internetberoende. PLoS ONE 8: e57831 10.1371 / journal.pone.0057831 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Király O., Griffiths MD, Urbán R., Farkas J., Kökönyei G., Elekes Z., et al. (2014). Problematisk internetanvändning och problematisk onlinespel är inte samma sak: fynd från ett stort nationellt representativt urval av ungdomar. Cyberpsychol. Behav. Soc. End. 17 749 – 754. 10.1089 / cyber.2014.0475 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Ko CH, Hsieh TJ, Chen CY, Yen CF, Chen CS, Yen JY, et al. (2014). Förändrad hjärnaktivering under responshämning och felbearbetning hos personer med internetspelstörning: en funktionell magnetisk avbildningsstudie. Eur. Båge. Psychiatry Clin. Neurosci. 264 661–672. 10.1007/s00406-013-0483-3 [PubMed] [Cross Ref]
  • Ko CH, Hsieh TJ, Wang PW, Lin WC, Yen CF, Chen CS, et al. (2015). Förändrad grå substansdensitet och störd funktionell anslutning av amygdala hos vuxna med internetspelstörningar. Prog. Neuro-Psychopharmacol. Biol. Psykiatri 57 185 – 192. 10.1016 / j.pnpbp.2014.11.003 [PubMed] [Cross Ref]
  • Ko CH, Liu GC, Hsiao SM, Yen JY, Yang MJ, Lin WC, et al. (2009). Hjärnaktiviteter förknippade med spelbehov av onlinespelberoende. J. Psychiatr. Res. 43 739 – 747. 10.1016 / j.jpsychires.2008.09.012 [PubMed] [Cross Ref]
  • Ko CH, Liu GC, Yen JY, Chen CY, Yen CF, Chen CS (2013). Hjärnkorrelaterar efter längtan efter onlinespel under exponering av cue i ämnen med Internet-spelberoende och i övergivna ämnen. Missbrukare. Biol. 18 559 – 569. 10.1111 / j.1369-1600.2011.00405.x [PubMed] [Cross Ref]
  • Ko C.-H., Yen C.-F., Yen C.-N., Yen J.-Y., Chen C.-C., Chen S.-H. (2005). Screening för internetberoende: en empirisk studie om gränsvärden för chen internetberoendeskalan. Kaohsiung J. Med. Sci. 21 545–551. 10.1016/S1607-551X(09)70206-2 [PubMed] [Cross Ref]
  • Kong X.-Z., Zhen Z., Li X., Lu H.-H., Wang R., Liu L., et al. (2014). Individuella skillnader i impulsivitet förutsäger huvudrörelse under magnetisk resonanstomografi. PLoS ONE 9: e104989 10.1371 / journal.pone.0104989 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Koob GF, Volkow ND (2010). Neurokretslopp av missbruk. Neuropsychopharmacology 35 217 – 238. 10.1038 / npp.2009.110 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Kühn S., Gallinat J. (2015). Hjärnor online: strukturella och funktionella korrelat av vanligt internetanvändning. Missbrukare. Biol. 20 415 – 422. 10.1111 / adb.12128 [PubMed] [Cross Ref]
  • Kuss DJ, Griffiths MD (2012). Internet-spelberoende: en systematisk översyn av empirisk forskning. Int. J. Mental Health Addict. 10 278–296. 10.1007/s11469-011-9318-5 [Cross Ref]
  • Li BJ, Friston KJ, Liu J., Liu Y., Zhang GP, Cao FL, et al. (2014). Nedsatt frontal-basalganglianslutning hos ungdomar med internetberoende. Sci. Rep. 4:5027 10.1038/Srep05027 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Li WW, Li YD, Yang WJ, Zhang QL, Wei DT, Li WF, et al. (2015). Hjärnstrukturer och funktionella anslutningar förknippade med individuella skillnader i internettendens hos friska unga vuxna. Neuropsychologia 70 134–144. 10.1016/j.neuropsychologia.2015.02.019 [PubMed] [Cross Ref]
  • Lin FC, Zhou Y., Du YS, Zhao ZM, Qin LD, Xu JR, et al. (2015). Avvikande kortikostriatala funktionella kretsar hos ungdomar med Internetberoendestörning. Främre. Brum. Neurosci. 9: 356 10.3389 / fnhum.2015.00356 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Lin MP, Ko HC, Wu JYW (2011). Prevalens och psykosociala riskfaktorer associerade med internetberoende i ett nationellt representativt urval av studenter i Taiwan. Cyberpsychol. Behav. Soci. Netw. 14 741 – 746. 10.1089 / cyber.2010.0574 [PubMed] [Cross Ref]
  • Lorenz RC, Kruger JK, Neumann B., Schott BH, Kaufmann C., Heinz A., et al. (2013). Cue-reaktivitet och dess hämning hos patologiska datorspelsspelare. Missbrukare. Biol. 18 134 – 146. 10.1111 / j.1369-1600.2012.00491.x [PubMed] [Cross Ref]
  • Meng YJ, Deng W., Wang HY, Guo WJ, Li T. (2015). Den prefrontala dysfunktionen hos individer med internetspelstörning: en metaanalys av funktionella magnetresonanstomografistudier. Missbrukare. Biol. 20 799 – 808. 10.1111 / adb.12154 [PubMed] [Cross Ref]
  • Moulton EA, Elman I., Becerra LR, Goldstein RZ, Borsook D. (2014). Lilla hjärnan och beroende: insikt från neuroimaging-forskning. Missbrukare. Biol. 19 317 – 331. 10.1111 / adb.12101 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Naqvi NH, Bechara A. (2009). Missbrukets gömda ö: ön. Trender Neurosci. 32 56–67. 10.1016/j.tins.2008.09.009 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Nichols TE, Holmes AP (2002). Icke-parametriska permutationstester för funktionell neuroimaging: en primer med exempel. Brum. Brain Mapp. 15 1–25. 10.1002/hbm.1058 [PubMed] [Cross Ref]
  • OReilly M. (1996). Internetberoende: en ny sjukdom kommer in i det medicinska lexikonet. Burk. Med. Associ. J. 154 1882-1883. [PMC gratis artikel] [PubMed]
  • Park CH, Chun JW, Cho H., Jung YC, Choi J., Kim DJ (2015). Är den internetspelberoende hjärnan nära att vara i ett patologiskt tillstånd? Missbrukare. Biol. [Epub före utskrift] .10.1111 / adb.12282 [PubMed] [Cross Ref]
  • Petry NM, O'Brien CP (2013). Internet-spelstörning och DSM-5. Addiction 108 1186 – 1187. 10.1111 / add.12162 [PubMed] [Cross Ref]
  • Petry NM, Rehbein F., Gentile DA, Lemmens JS, Rumpf HJ, Mößle T., et al. (2014). En internationell konsensus för att bedöma störningar i internetspel med den nya DSM-5-metoden. Addiction 109 1399 – 1406. 10.1111 / add.12457 [PubMed] [Cross Ref]
  • Rorden C., Karnath HO, Bonilha L. (2007). Förbättra kartläggning av lesionssymptom. J. Cogn. Neurosci. 19 1081–1088. 10.1162/jocn.2007.19.7.1081 [PubMed] [Cross Ref]
  • Saad ZS, Gotts SJ, Murphy K., Chen G., Jo HJ, Martin A., et al. (2012). Problem i vila: hur korrelationsmönster och gruppskillnader blir förvrängda efter global signalregression. Hjärnanslutning. 2 25–32. 10.1089/brain.2012.0080 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Song XW, Dong ZY, Long XY, Li SF, Zuo XN, Zhu CZ, et al. (2011). REST: en verktygslåda för funktionell magnetisk resonansavbildningsdatabehandling i vilotillstånd. PLoS ONE 6: e25031 10.1371 / journal.pone.0025031 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Stanley ML, Moussa MN, Paolini BM, Lyday RG, Burdette JH, Laurienti PJ (2013). Definiera noder i komplexa hjärnnätverk. Främre. Comput. Neurosci. 7:169 10.3389/fncom.2013.00169 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Sun YJ, Ying H., Seetohul RM, Wang XM, Ya Z., Qian L., et al. (2012). Brain fMRI-studie av crave inducerad av cue-bilder hos onlinespelmissbrukare (manliga tonåringar). Behav. Brain Res. 233 563 – 576. 10.1016 / j.bbr.2012.05.005 [PubMed] [Cross Ref]
  • Takeuchi H., Taki Y., Nouchi R., Sekiguchi A., Hashizume H., Sassa Y., et al. (2014). Samband mellan funktionell anslutning i vilotillstånd och empati/systemisera. NeuroImage 99 312 – 322. 10.1016 / j.neuroimage.2014.05.031 [PubMed] [Cross Ref]
  • Talati A., Hirsch J. (2005). Funktionell specialisering inom den mediala frontala gyrusen för perceptuella go/no-go-beslut baserat på "vad", "när" och "var" relaterad information: en fMRI-studie. J. Cogn. Neurosci. 17 981-993. 10.1162 / 0898929054475226 [PubMed] [Cross Ref]
  • Tzourio-Mazoyer N., Landeau B., Papathanassiou D., Crivello F., Etard O., Delcroix N., et al. (2002). Automatiserad anatomisk märkning av aktiveringar i SPM med hjälp av en makroskopisk anatomisk parcellering av MNI MRI-enskilda hjärnan. NeuroImage 15 273–289. 10.1006/nimg.2001.0978 [PubMed] [Cross Ref]
  • van den Heuvel MP, Pol HEH (2010). Att utforska hjärnnätverket: en recension om funktionell anslutning för fMRI i vilotillstånd. Eur. Neuropsychopharmacol. 20 519 – 534. 10.1016 / j.euroneuro.2010.03.008 [PubMed] [Cross Ref]
  • Volkow ND, Fowler JS (2000). Beroende, en sjukdom av tvång och drift: involvering av den orbitofrontala cortex. Cereb. Bark 10 318 – 325. 10.1093 / cercor / 10.3.318 [PubMed] [Cross Ref]
  • Volkow ND, Fowler JS, Wang GJ (2003). Den beroende mänskliga hjärnan: insikter från avbildningsstudier. J. Clin. Investig. 111 1444–1451. 10.1172/Jci200318533 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Volkow ND, Wang GJ, Fowler JS, Tomasi D., Telang F., Baler R. (2010). Beroende: minskad belöningskänslighet och ökad förväntningskänslighet konspirerar för att överväldiga hjärnans kontrollkrets. BioEssays 32 748–755. 10.1002/bies.201000042 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Volkow ND, Wang GJ, Telang F., Fowler JS, Logan J., Childress AR, et al. (2006). Kokainsignaler och dopamin i dorsal striatum: mekanism för begär i kokainberoende. J. Neurosci. 26 6583–6588. 10.1523/Jneurosci.1544-06.2006 [PubMed] [Cross Ref]
  • Wang Y., Yin Y., Sun YW, Zhou Y., Chen X., Ding WN, et al. (2015). Minskad prefrontallob interhemisfärisk funktionell anslutning hos ungdomar med internetspelstörning: en primär studie med vilotillstånd fMRI. PLoS ONE 10: e0118733 10.1371 / journal.pone.0118733 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Wee CY, Zhao ZM, Yap PT, Wu GR, Shi F., Price T., et al. (2014). Stört hjärnfunktionellt nätverk i internetberoendestörning: en funktionell magnetisk resonansavbildningsstudie i vilotillstånd. PLoS ONE 9: e107306 10.1371 / journal.pone.0107306 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Weissenbacher A., ​​Kasess C., Gerstl F., Lanzenberger R., Moser E., Windischberger C. (2009). Korrelationer och antikorrelationer i vilotillstånd funktionell anslutning MRI: en kvantitativ jämförelse av förbearbetningsstrategier. NeuroImage 47 1408 – 1416. 10.1016 / j.neuroimage.2009.05.005 [PubMed] [Cross Ref]
  • Xia M., Wang J., He Y. (2013). BrainNet Viewer: ett nätverksvisualiseringsverktyg för mänsklig hjärnanslutning. PLoS ONE 8: e68910 10.1371 / journal.pone.0068910 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Yan C., Zang Y. (2010). DPARSF: en MATLAB-verktygslåda för "pipeline"-dataanalys av fMRI i vilotillstånd. Främre. Syst. Neurosci. 4: 13 10.3389 / fnsys.2010.00013 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Yarkoni T., Poldrack RA, Nichols TE, Van Essen DC, Wager TD (2011). Storskalig automatiserad syntes av mänskliga funktionella neuroavbildningsdata. Nat. metoder 8 665–670. 10.1038/nmet.1635 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Yeo BTT, Krienen FM, Sepulcre J., Sabuncu MR, Lashkari D., Hollinshead M., et al. (2011). Organisationen av den mänskliga hjärnbarken uppskattad av inneboende funktionell anslutning. J. Neurophysiol. 106 1125 – 1165. 10.1152 / jn.00338.2011 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Unga KS (1998). Internetberoende: uppkomsten av en ny klinisk störning. CyberPsychol. Behav. 1 237–244. 10.1007/s10899-011-9287-4 [Cross Ref]
  • Yuan K., Qin W., Yu D., Bi Y., Xing L., Jin C., et al. (2015). Kärnhjärnnätverksinteraktioner och kognitiv kontroll hos individer med internetspelstörningar i sen tonåren/tidig vuxen ålder. Hjärnstruktur. Funkt. [Epub före tryckning].10.1007/s00429-014-0982-7 [PubMed] [Cross Ref]
  • Zalesky A., Fornito A., Bullmore ET (2010a). Nätverksbaserad statistik: identifiera skillnader i hjärnnätverk. NeuroImage 53 1197 – 1207. 10.1016 / j.neuroimage.2010.06.041 [PubMed] [Cross Ref]
  • Zalesky A., Fornito A., Harding IH, Cocchi L., Yücel M., Pantelis C., et al. (2010b). Helhjärnans anatomiska nätverk: spelar valet av noder någon roll? NeuroImage 50 970 – 983. 10.1016 / j.neuroimage.2009.12.027 [PubMed] [Cross Ref]
  • Zhang JT, Yao YW, Li CSR, Zang YF, Shen ZJ, Liu L., et al. (2015). Förändrad funktionell anslutning i vilotillstånd av ön hos unga vuxna med internetspelstörning. Missbrukare. Biol. [Epub före utskrift] .10.1111 / adb.12247 [PMC gratis artikel] [PubMed] [Cross Ref]
  • Zhou Y., Lin FC, Du YS, Qin LD, Zhao ZM, Xu JR, et al. (2011). Avvikelser i gråa ämnen i internetberoende: en voxelbaserad morfometriundersökning. Eur. J. Radiol. 79 92 – 95. 10.1016 / j.ejrad.2009.10.025 [PubMed] [Cross Ref]