รูปแบบของการเชื่อมต่อโครงสร้างสมองแยกความแตกต่างน้ำหนักปกติจากวัตถุที่มีน้ำหนักเกิน (2015)

Arpana Gupta,^a,b,c Emeran A. Mayer,^a,b,c,d Claudia P. Sanmiguel,^a,b,c John D. Van Horn,^f Davis Woodworth,^a,g Benjamin M. Ellingson,^a,g คอนเนอร์ Fling,^a ออเบรย์เลิฟ,^a Kirsten Tillisch,^a,b,c,e และ Jennifer S. Labus^a,b,c,*

ข้อมูลผู้แต่ง► ข้อมูลลิขสิทธิ์และใบอนุญาต►

2.1 ผู้เข้าร่วม

กลุ่มตัวอย่างทั้งหมดประกอบด้วยอาสาสมัครควบคุม 120 ทางขวามือเพื่อสุขภาพ (HC) ที่ลงทะเบียนในการศึกษา neuroimaging ที่ศูนย์ประสาทชีววิทยาความเครียดระหว่าง 2010 และ 2014 อาสาสมัครถูกคัดเลือกผ่านโฆษณาที่โพสต์ในชุมชน UCLA และ Los Angeles ขั้นตอนทั้งหมดเป็นไปตามหลักการของปฏิญญาเฮลซิงกิและได้รับการอนุมัติจากคณะกรรมการพิจารณาของสถาบันที่ UCLA (หมายเลขอนุมัติ 11-000069 และ 12-001802) วิชาทั้งหมดให้ความยินยอมเป็นลายลักษณ์อักษร ผู้เข้าร่วมการวิจัยทุกคนได้รับการจัดอันดับว่ามีสุขภาพดีหลังจากการประเมินผลทางคลินิกซึ่งรวมถึงการสัมภาษณ์ Mini-International Neuropsychiatric Interview Plus 5.0 (Sheehan et al., 1998). เกณฑ์การยกเว้น ได้แก่ การใช้สารเสพติดการตั้งครรภ์การติดยาสูบการผ่าตัดช่องท้องปัจจัยเสี่ยงของหลอดเลือดการผ่าตัดลดน้ำหนักการออกกำลังกายมากเกินไป (มากกว่า 1 ชั่วโมงต่อวันและนักวิ่งมาราธอน) หรือความเจ็บป่วยทางจิตเวช แม้ว่ามักจะมีความสัมพันธ์กับค่าดัชนีมวลกายที่เพิ่มขึ้น แต่ผู้ป่วยที่เป็นโรคความดันโลหิตสูงโรคเบาหวานหรือกลุ่มอาการเมตาบอลิกก็ไม่ได้รับการยกเว้นเพื่อลดความแตกต่างของประชากร นอกจากนี้ผู้ป่วยที่มีความผิดปกติในการรับประทานอาหารรวมถึงความผิดปกติของการย่อยอาหารหรือการรับประทานอาหารเช่นเบื่ออาหารหรือบูลิเมียเนอร์โวซาก็ถูกแยกออกด้วยเหตุผลเดียวกัน แม้ว่า BMI = 25–29.9 จะถือว่ามีน้ำหนักเกิน แต่ในการศึกษาของเราพบว่าเป็นกลุ่ม BMI ที่สูง ผู้ที่มีน้ำหนักปกติได้รับคัดเลือกที่ค่าดัชนีมวลกาย <25 และในการศึกษาของเราระบุว่าเป็นกลุ่ม BMI ปกติ ไม่มีวัตถุที่มีน้ำหนักเกิน 400 ปอนด์เนื่องจากขีด จำกัด น้ำหนักการสแกน MRI

2.2 ลักษณะตัวอย่าง

แบบสอบถามที่ผ่านการตรวจสอบความถูกต้องแล้วเสร็จก่อนการสแกนและใช้ในการวัดความวิตกกังวลและอาการซึมเศร้าในปัจจุบัน (ระดับความวิตกกังวลของโรงพยาบาลและระดับอาการซึมเศร้า (HAD)) (Zigmond และ Snaith, 1983) เครื่องชั่ง HAD เป็นเครื่องชั่ง 14 แบบประเมินตนเองซึ่งประเมินความวิตกกังวลและอาการซึมเศร้าในวิชาพื้นฐานZigmond และ Snaith, 1983) นอกจากนี้ก่อนหน้านี้ผู้เข้าร่วมการวิจัยได้ผ่านการสัมภาษณ์ทางจิตวิทยาแบบมีโครงสร้าง (การสัมภาษณ์ระหว่างประเทศเกี่ยวกับโรคทางจิตเวช (Mini International Neuropsychiatric Interview, MINI)) เพื่อวัดความเจ็บป่วยทางจิตในอดีตหรือปัจจุบันSheehan et al., 1998).

2.3 การได้มาของ fMRI

2.4 การประมวลผล fMRI

2.4.1 การแบ่งส่วนและการแบ่งส่วนของโครงสร้าง (เรื่องสีเทา)

การแบ่งส่วนภาพ T1 และการแบ่งส่วนภูมิภาคดำเนินการโดยใช้ FreeSurfer (Dale et al., 1999; Fischl et al., 1999, 2002) ติดตามคำศัพท์ที่อธิบายใน Destrieux และคณะ (2010). สำหรับซีกโลกแต่ละซีกสมองชุดของโครงสร้างเยื่อหุ้มสมอง 74 ทวิภาคีถูกติดป้ายเพิ่มเติมจากโครงสร้าง subcortical 7 และซีเบลลัม ผลลัพธ์การแบ่งกลุ่มจากหัวเรื่องตัวอย่างจะแสดงใน มะเดื่อ. 2A. อีกหนึ่งโครงสร้าง midline (ก้านสมองซึ่งรวมถึงชิ้นส่วนของสมองส่วนกลางเช่นพื้นที่หน้าท้อง [VTA] และ substantia nigra) รวมอยู่ในชุด 165 parcellations ทั้งสมอง การคำนวณทางสัณฐานวิทยาของตัวแทนทั้งสี่ได้ถูกคำนวณสำหรับการแยกส่วนเยื่อหุ้มสมองแต่ละอัน ได้แก่ ปริมาณสสารสีเทา (GMV) พื้นที่ผิว (SA) ความหนาของเปลือกนอก (CT) และความโค้งเฉลี่ย (MC) เวิร์กโฟลว์การประมวลผลข้อมูลได้รับการออกแบบและดำเนินการที่ห้องปฏิบัติการของ Neuroimaging (LONI) ไปป์ไลน์ (http://pipeline.loni.usc.edu).

 

รูปที่ 2

A. การแบ่งส่วนโครงสร้างและผลลัพธ์การแยกแยะและ B. ผลลัพธ์เส้นใยขาวที่เกี่ยวข้องกับการแยกแยะโครงสร้างจากตัวอย่างตัวอย่าง A: การแบ่งส่วนโครงสร้าง B: การแบ่งส่วนสีขาวเรื่อง

2.5 ช่องว่างน้อยที่สุดกำลังสอง - การวิเคราะห์แบบแยกส่วน (sPLS-DA)

เพื่อตรวจสอบว่าสามารถใช้เครื่องหมายสมองเพื่อทำนายสถานะค่าดัชนีมวลกายสูง (น้ำหนักเกินเทียบกับน้ำหนักปกติ) เราใช้ sPLS-DA sPLS-DA เป็นรูปแบบของการถดถอย PLS กระจัดกระจาย แต่ตัวแปรการตอบสนองเป็นหมวดหมู่บ่งบอกถึงการเป็นสมาชิกกลุ่ม (Lê Cao, 2008a; Lê Cao และคณะ, 2009b, 2011) sPLS-DA แสดงให้เห็นว่ามีประสิทธิภาพโดยเฉพาะอย่างยิ่งกับตัวทำนายจำนวนมากขนาดตัวอย่างขนาดเล็กและความสัมพันธ์เชิงเส้นร่วมสูงระหว่างตัวทำนาย (Lê Cao, 2008a; Lê Cao และคณะ, 2009b, 2011) sPLS เพิ่มความแปรปรวนร่วมตัวอย่างระหว่างมาตรการสมองและความแตกต่างของกลุ่ม sPLS ทำการเลือกตัวแปรและการจัดหมวดหมู่พร้อมกันโดยใช้การลงโทษแบบ lasso (Lê Cao และคณะ, 2009a) sPLS-DA ทำงานโดยใช้เฟรมเวิร์กภายใต้การดูแลที่สร้างชุดค่าผสมเชิงเส้นของตัวทำนายตามสมาชิกระดับชั้น sPLS-DA ช่วยลดมิติข้อมูลโดยการค้นหาชุดของส่วนประกอบมุมฉากแต่ละอันประกอบด้วยชุดคุณลักษณะหรือตัวแปรที่เลือก องค์ประกอบที่เรียกว่าสมองลายเซ็น ตัวแปรแต่ละอย่างที่ประกอบด้วยลายเซ็นของสมองนั้นมี“ การโหลด” ที่เกี่ยวข้องซึ่งเป็นการวัดความสำคัญสัมพัทธ์ของตัวแปรสำหรับการแบ่งแยกในสองกลุ่ม (Lê Cao และคณะ, 2008b) นอกจากนี้ยังมีการคำนวณคะแนนความสำคัญของตัวแปรในการฉาย (VIP) เพื่อประเมินความสำคัญของแต่ละตัวแปรที่ใช้ในโมเดล PLS คะแนนวีไอพีเป็นผลรวมของการรับน้ำหนักซึ่งคำนึงถึงความแปรปรวนที่อธิบายของแต่ละลายเซ็น คะแนนวีไอพีโดยเฉลี่ยมีค่าเท่ากับ 1 ตัวทำนายที่มีสัมประสิทธิ์วีไอพีมากกว่าหนึ่งถือว่าสำคัญอย่างยิ่งสำหรับการจำแนกประเภท (Lê Cao และคณะ, 2008b).

2.6 การวิเคราะห์ทางสถิติ

3.1 ลักษณะตัวอย่าง

ตัวอย่างรวม (N = 120) รวมผู้ที่มีน้ำหนักเกิน 63 คน (หญิง = 32, ชาย = 31), อายุเฉลี่ย = 28.77 ปี, SD = 9.76 และ 57 คนน้ำหนักปกติ (หญิง = 32, ชาย = 25), อายุเฉลี่ย = 27.13 ปี, SD = 9.62. แม้ว่ากลุ่มที่มีน้ำหนักเกินมีแนวโน้มที่จะมีความวิตกกังวลและภาวะซึมเศร้าในระดับสูงขึ้น แต่ก็ไม่มีความแตกต่างของกลุ่มที่มีนัยสำคัญ (F = .642, p = .425; F = .001, p = .980) ลักษณะทางคลินิกของกลุ่มตัวอย่างสรุปเป็น 1 ตาราง.

 

ตารางที่ 1

ลักษณะตัวอย่าง

3.2 การวิเคราะห์รูปแบบหลายตัวแปรโดยใช้ sPLS-DA

3.2.1 การจำแนกตามประเภทของการเชื่อมต่อทางกายวิภาค

เราตรวจสอบว่าการเชื่อมต่อทางกายวิภาคของสมองเรื่องสีขาวสามารถใช้เพื่อแยกแยะผู้ที่มีน้ำหนักเกินจากผู้ที่มีน้ำหนักปกติหรือไม่ มะเดื่อ. 3บุคคลที่แสดงให้เห็นจากตัวอย่างที่แสดงในความสัมพันธ์กับสองลายเซ็นสมองและแสดงให้เห็นถึงความสามารถในการเลือกปฏิบัติของลักษณนามเรื่องสีขาว การวัดการจำแนกแบบไบนารีถูกคำนวณและระบุความไว 97% ความจำเพาะ 87% PPV ที่ 88% และ NPV ที่ 96% 2 ตาราง มีรายการการเชื่อมต่อสสารสีขาวที่มีความเสถียรซึ่งประกอบด้วยลายเซ็นของสมองที่มีการเลือกปฏิบัติแต่ละตัวพร้อมกับการโหลดตัวแปรและค่าสัมประสิทธิ์วีไอพี

 

รูปที่ 3

A. ตัวจําแนกตามความหนาแน่นของเส้นใย B. ตัวจําแนกตามรูปแบบของสสารสีเทา ตอบ: แสดงให้เห็นถึงความสามารถในการจำแนกของตัวแยกประเภทความหนาแน่นของเส้นใย B: แสดงให้เห็นถึงความสามารถในการจำแนกของตัวแยกประเภทสีเทาเรื่อง ...

 

ตารางที่ 2

รายชื่อของการเชื่อมต่อทางกายวิภาคประกอบด้วยลายเซ็นสมองพินิจพิเคราะห์แต่ละ

3.2.4 การจำแนกประเภท Morphometric สีเทาเรื่อง

เราตรวจสอบว่า morphometry ของสมอง (ปริมาตรสสารสีเทา, พื้นที่ผิว, ความหนาของเปลือกนอกและความโค้งเฉลี่ย) สามารถใช้แยกแยะผู้ที่มีน้ำหนักเกินจากผู้ที่มีน้ำหนักปกติหรือไม่ มะเดื่อ. 3B แสดงให้เห็นถึงบุคคลจากตัวอย่างที่เป็นตัวแทนในความสัมพันธ์กับสองลายเซ็นสมองและแสดงให้เห็นถึงความสามารถในการจำแนกของลักษณนาม morphometric การวัดการจำแนกแบบไบนารีถูกคำนวณและระบุความไว 69% ความจำเพาะ 63% PPV ที่ 66% และ NPV ที่ 66% 3 ตาราง มีรายการมาตรการทางสัณฐานวิทยาซึ่งประกอบด้วยการเลือกปฏิบัติแต่ละครั้งพร้อมกับการรับภาระตัวแปรและค่าสัมประสิทธิ์วีไอพี

 

ตารางที่ 3

morphometry ภูมิภาคประกอบด้วยลายมือชื่อแต่ละสมอง

4.1 การเชื่อมต่อทางกายวิภาคของลายเซ็นสมองตามที่เกี่ยวข้องกับ BMI

ในการศึกษานี้อัลกอริทึมการจัดหมวดหมู่ประกอบด้วยสองลายเซ็นสมองสะท้อนให้เห็นถึงรูปแบบที่แตกต่างของการเชื่อมต่อภูมิภาคแสดงให้เห็นความสามารถในการแยกแยะระหว่างบุคคลที่มีน้ำหนักเกินและบุคคลที่มีน้ำหนักปกติ การศึกษา DTI ส่วนใหญ่ในบุคคลที่มีค่าดัชนีมวลกายสูงShott และคณะ, 2014; Stanek et al., 2011; Xu และคณะ, 2013; เหยาเอตอัล 2010, 2014) ได้มุ่งเน้นไปที่การตรวจสอบความแตกต่างในลักษณะการแพร่กระจายของสารสีขาวรวมถึงเศษส่วน anisotropy และการแพร่กระจายเฉลี่ย (ซึ่งวัดความสมบูรณ์ของระบบทางเดินเรื่องสสารสีขาว) หรือสัมประสิทธิ์การแพร่ที่ชัดเจน (ซึ่งวัดการแพร่กระจายของน้ำ มาตรการทั้งหมดเหล่านี้สามารถให้ข้อมูลเกี่ยวกับการเปลี่ยนแปลงในโครงสร้างจุลภาคของสสารขาว ในการศึกษาปัจจุบันเราได้มุ่งเน้นไปที่การวัด DTI ของความหนาแน่นของเส้นใยทางเดินอาหารเป็นการวัดการประเมินการเชื่อมต่อสัมพัทธ์ระหว่างบริเวณสมองและเครือข่าย ดังนั้นในขณะที่การศึกษาอื่น ๆ มีการเปลี่ยนแปลงเป็นภาษาท้องถิ่นภายในจุลภาคสีขาว - เรื่องพวกเขาไม่ได้ระบุความหมายของการเปลี่ยนแปลงเหล่านี้ในแง่ของการเชื่อมต่อ

4.2 morphometric สมองสีเทาเรื่องสสารที่เกี่ยวข้องกับ BMI

การวิเคราะห์ morphometric ของสสารสีเทาโดยใช้โปรไฟล์ที่แตกต่างกันสองแบบสามารถระบุน้ำหนักตัวเกินจากคนน้ำหนักปกติได้อย่างถูกต้องด้วยความไว 69% และความจำเพาะ 63% การค้นพบเหล่านี้สอดคล้องกับรายงานก่อนหน้าของการลดระดับโลกและระดับภูมิภาคในปริมาณสีเทา - เรื่องในพื้นที่สมองที่เฉพาะเจาะจงภายในเครือข่ายรางวัลและเครือข่ายที่เกี่ยวข้อง (Debette และคณะ, 2010; Kenny, 2011; Kurth et al., 2013; Pannacciulli และคณะ, 2006; Raji et al., 2010) ตรงกันข้ามกับการจำแนกตาม DTI การค้นพบเหล่านี้ชี้ให้เห็นถึงความสามารถปานกลางในการแยกแยะระหว่างกลุ่ม BMI สองกลุ่ม

4.3 การใช้การวิเคราะห์รูปแบบหลายตัวแปรโดยใช้ sPLS-DA เพื่อแยกแยะระหว่างบุคคลที่มีน้ำหนักเกินและน้ำหนักปกติ

ผลการวิจัยเกี่ยวกับค่าดัชนีมวลกายที่เกี่ยวข้องกับการเปลี่ยนแปลงความหนาแน่นของเส้นใยระหว่างเครือข่ายสมองที่แตกต่างกันภายในเครือข่ายรางวัลเสริมสนับสนุนสมมติฐานที่เพิ่มผลลัพธ์ค่าดัชนีมวลกายในการเชื่อมต่อทางกายวิภาคระหว่างภูมิภาคเฉพาะในสมอง การเปลี่ยนแปลงทางกายวิภาคเหล่านี้อาจหมายถึงการสื่อสารที่ไม่มีประสิทธิภาพหรือไม่มีประสิทธิภาพระหว่างภูมิภาคสำคัญของเครือข่ายรางวัลและเครือข่ายที่เกี่ยวข้อง คล้ายกับรายงานล่าสุดหลายฉบับที่พบการเปลี่ยนแปลงที่เกี่ยวข้องกับน้ำหนักเกินและโรคอ้วนในปริมาณสีเทา (Debette และคณะ, 2010; Kurth et al., 2013; Pannacciulli และคณะ, 2006; Raji et al., 2010) เรายังสามารถค้นหาความแตกต่างทางสัณฐานวิทยาที่คล้ายกันในภาวะน้ำหนักเกินเมื่อเทียบกับบุคคลน้ำหนักปกติ ในการศึกษาปัจจุบันเราได้ขยายการสังเกตเหล่านี้เพื่อตรวจสอบความสัมพันธ์ระหว่างภาวะน้ำหนักเกินและการเชื่อมต่อทางกายวิภาคของสมองและใช้ sPLS-DA กับข้อมูล morphometric ของสมองเพื่อแยกแยะระหว่างน้ำหนักตัวเกินและน้ำหนักปกติ การศึกษาข้ามภาคตัดขวางครั้งล่าสุดโดยใช้การถดถอยแบบลอจิสติกแบบไบนารีแสดงให้เห็นว่าการรวมกันของการเปลี่ยนแปลงโครงสร้างใน gyrus หน้าผากด้านหน้าด้านข้างซึ่งวัดโดยปริมาตรสีเทา - สสารและระดับเลือดของเครื่องหมายการอักเสบ (ไฟบรินจิน) ตัวอย่างของวิชาน้ำหนักปกติ 19 และอาสาสมัครที่มีน้ำหนักเกิน / อ้วน 44; ที่มีความไวสูง (95.5%) แต่มีความจำเพาะต่ำ (31.6%) (Cazettes และคณะ, 2011) การศึกษาของเราแตกต่างจากรายงานนี้ในหลาย ๆ ด้านรวมถึงขนาดตัวอย่างที่ใหญ่ขึ้น การใช้วิธีการตรวจสอบแบบไขว้เพื่อหลีกเลี่ยงวิธีการแก้ปัญหาเฉพาะตัวอย่าง, การยกเว้นวิชาที่มีความดันโลหิตสูง / โรคเบาหวานเพื่อกำจัดคนสับสนที่เป็นไปได้และการรวมทั้งปริมาณสสารสีเทาและความหนาแน่นของเส้นใยในการทำนายภาวะน้ำหนักเกิน

4.4 ข้อ จำกัด

แม้ว่าเราจะพบความแตกต่างอย่างมีนัยสำคัญระหว่างบุคคลที่มีน้ำหนักปกติและน้ำหนักเกินในความหนาแน่นของเส้นใยเราไม่สามารถคาดการณ์จากการค้นพบทางกายวิภาคเหล่านี้ไปสู่ความแตกต่างในการเชื่อมต่อการทำงาน การค้นพบการเชื่อมต่อการทำงานดังกล่าวจะให้ความสามารถในการตรวจจับความแตกต่างในการประสานการทำงานของสมองในพื้นที่ที่ไม่ได้เชื่อมต่อโดยตรงโดยทางเดินขาวสสาร แม้ว่าเราได้ทำรายงานก่อนหน้านี้เกี่ยวกับการเชื่อมต่อทางกายวิภาคและความแตกต่างทางสัณฐานวิทยาระหว่างน้ำหนักเกิน / โรคอ้วนและ BMI ปกติ (Kurth et al., 2013; Raji et al., 2010) เราล้มเหลวในการสังเกตการเปลี่ยนแปลงในพื้นที่ subcortical ที่สำคัญ hypothalamus, amygdala และ hippocampus เป็นไปได้ว่าความล้มเหลวนี้อาจเกิดจากข้อ จำกัด ของอัลกอริธึมการแบ่งกลุ่มอัตโนมัติที่ใช้ในการศึกษานี้หรือเนื่องจากการวิเคราะห์ จำกัด เฉพาะบุคคลที่มีน้ำหนักเกินและบุคคลที่เป็นโรคอ้วน การศึกษาในอนาคตจะต้องมีกลุ่มตัวอย่างขนาดใหญ่เพื่อเปรียบเทียบบุคคลที่เป็นโรคอ้วนน้ำหนักเกินและน้ำหนักปกติและสามารถทำการวิเคราะห์กลุ่มย่อยตามเพศและเชื้อชาติ เนื่องจากตัวอย่างของเรามีขนาดค่อนข้างเล็กเราจึงใช้ขั้นตอนการตรวจสอบความถูกต้องภายในอย่างเข้มงวดจึงจำเป็นต้องทดสอบความแม่นยำในการทำนายของตัวจําแนกนี้ในชุดข้อมูลอิสระ (Bray et al., 2009) การศึกษาในอนาคตควรระบุถึงความสัมพันธ์ของความแตกต่างของระบบประสาทเหล่านี้กับพฤติกรรมการรับประทานอาหารที่เฉพาะเจาะจงความพึงพอใจในการรับประทานอาหารและข้อมูลอาหารเพื่อตีความบริบทและความสำคัญของการค้นพบเหล่านี้ เนื่องจากโรคอ้วนและภาวะน้ำหนักเกินมักเกี่ยวข้องกับโรคคอร์บิซิตีเช่นความดันโลหิตสูงโรคเบาหวานและโรคเมตาบอลิกการวิเคราะห์ในอนาคตควรตรวจสอบผลการควบคุมและความสัมพันธ์ของปัจจัยเหล่านี้ในอัลกอริทึมการจำแนก

4.5 สรุปและข้อสรุป

โดยสรุปแล้วผลลัพธ์ของเราสนับสนุนสมมติฐานที่ว่าการมีน้ำหนักเกินนั้นเกี่ยวข้องกับการเชื่อมต่อที่เปลี่ยนแปลง (ในรูปแบบของความหนาแน่นของเส้นใย) ระหว่างพื้นที่เฉพาะในสมองซึ่งอาจบ่งบอกถึงการสื่อสารที่ไม่มีประสิทธิภาพหรือการสื่อสารที่ไม่มีประสิทธิภาพระหว่างภูมิภาคเหล่านี้ โดยเฉพาะอย่างยิ่งการเชื่อมต่อที่ลดลงของบริเวณสมองยับยั้ง prefrontal กับวงจรรางวัลจะสอดคล้องกับความโดดเด่นของกลไก hedonic ในการควบคุมการบริโภคอาหาร (Gunstad และคณะ, 2006, 2007, 2008, 2010) กลไกที่เกี่ยวกับการเปลี่ยนแปลงโครงสร้างเหล่านี้มีความเข้าใจไม่ดี แต่อาจเกี่ยวข้องกับกระบวนการ neuroinflammatory และ neuroplastic (Cazettes และคณะ, 2011) เกี่ยวข้องกับสถานะการอักเสบระดับต่ำที่รายงานในบุคคลที่มีน้ำหนักเกินและเป็นโรคอ้วน (Cazettes และคณะ, 2011; Cox และคณะ, 2014; Das, 2010; Gregor และ Hotamisligil, 2011; กริฟฟิน 2006) วิธีการขับเคลื่อนข้อมูลเพื่อระบุการเปลี่ยนแปลงสีเทาและสีขาวในน้ำหนักตัวมากเกิน / โรคอ้วนเป็นเครื่องมือที่มีแนวโน้มที่จะระบุความสัมพันธ์กลางของการเพิ่มค่าดัชนีมวลกายและมีศักยภาพในการระบุ biomarkers neurobiological สำหรับโรคนี้

งานวิจัยนี้ได้รับการสนับสนุนบางส่วนโดยเงินอุดหนุนจากสถาบันสุขภาพแห่งชาติ: R01 DK048351 (EAM), P50DK64539 (EAM), R01 AT007137 (KT), P30 DK041301 (JSL), R08 DK071626 (JSL) และ R03 DK084169 (JSL) มีการสแกนนักบินโดยศูนย์ทำแผนที่สมองของ Ahmanson-Lovelace, UCLA

• Bray S. , Chang C. , Hoeft F. การประยุกต์ใช้การวิเคราะห์การจำแนกรูปแบบหลายตัวแปรในการพัฒนา neuroimaging ของประชากรที่มีสุขภาพดีและคลินิก ด้านหน้า ครวญเพลง Neurosci 2009; 3: 32 19893761 [PubMed]
• Brooks SJ, Cedernaes J. , Schiöth HB เพิ่มการกระตุ้น prefrontal และ parahippocampal ด้วยการเปิดใช้ dorsolateral prefrontal และ insular cortex กระตุ้นการทำงานของภาพอาหารในโรคอ้วน: การวิเคราะห์อภิมานของการศึกษา fMRI PLOS ONE 2013; 8 (4): e60393 23593210 [PubMed]
• Calton MA, Vaisse C. จำกัด บทบาทของตัวแปรที่พบบ่อยในความบกพร่องทางพันธุกรรมต่อโรคอ้วน จีโนมเมด 2009, 1 (3): 31 19341502 [PubMed]
• Cazettes F. , Cohen JI, Yau PL, Talbot H. , Convit A. การอักเสบที่พึ่งจากความอ้วนอาจทำลายวงจรสมองที่ควบคุมการบริโภคอาหาร ความต้านทานของสมอง 2011; 1373: 101 109- 21146506 [PubMed]
• ศูนย์ควบคุมโรค (CDC) น้ำหนักเกินและโรคอ้วน 2014 ผม.
• MC MC, Barysheva M. , Toga AW, Medland SE, Hansell NK, James MR, McMahon KL, de Zubicaray GI, Martin NG, Wright MJ, Thompson PM BDNF ผลกระทบของยีนต่อวงจรสมองทำซ้ำในฝาแฝด 455 Neuroimage 2011;55(2):448–454. [PubMed]
• Choquet H. , Meyre D. พันธุศาสตร์ของโรคอ้วน: เราเรียนรู้อะไรไปแล้วบ้าง? ฟี้ ฟังก์ชั่น 2011;12(3):169–179. 22043165 [PubMed]
• Connolly L. , Coveleskie K. , Kilpatrick LA, Labus JS, Ebrat B. , Stains J. , Jiang Z. , Tillisch K. , Raybould HE, Mayer EA ความแตกต่างของการตอบสนองทางสมองระหว่างผู้หญิงที่ผอมและอ้วนกับเครื่องดื่มรสหวาน Neurogastroenterol Motil 2013;25(7):579-e460. 23566308 [PubMed]
• คอคส์ AJ, เวสต์เอ็นพี, Cripps AW โรคอ้วน, การอักเสบและจุลินทรีย์ในลำไส้ มีดหมอโรคเบาหวานต่อมไร้ท่อ 2014 25066177 [PubMed]
• Critchley HD, Nagai Y. Grey MA, Mathias CJ ผ่าแกนของการควบคุมอัตโนมัติในมนุษย์: ข้อมูลเชิงลึกจาก neuroimaging Auton Neurosci 2011;161(1–2):34–42. 20926356 [PubMed]
• Dale AM, Fischl B. , Sereno MI การวิเคราะห์ผิวนอก I. การแบ่งส่วนและการสร้างพื้นผิวใหม่ Neuroimage 1999;9(2):179–194. 9931268 [PubMed]
• Das สหประชาชาติโรคอ้วน: ยีนสมองลำไส้และสิ่งแวดล้อม อาหารการกิน 2010;26(5):459–473. 20022465 [PubMed]
• Debette S. , Beiser A. , Hoffmann U. , Decarli C. , O'Donnell CJ, Massaro JM, Au R. , Himali JJ, Wolf PA, Fox CS, Seshadri S. ไขมันอวัยวะภายในมีความสัมพันธ์กับปริมาณสมองส่วนล่างในสุขภาพ ผู้ใหญ่วัยกลางคน แอน Neurol 2010;68(2):136–144. 20695006 [PubMed]
• Destrieux C. , Fischl B. , Dale A. , Halgren E. การแบ่งกลุ่มอัตโนมัติของ gyri คอร์เทกซ์เยื่อหุ้มสมองมนุษย์และ sulci โดยใช้ระบบการตั้งชื่อกายวิภาคมาตรฐาน Neuroimage 2010;53(1):1–15. 20547229 [PubMed]
• Dubois L. , Ohm Kyvik K. , Girard M. , Tatone-Tokuda F. , Pérusse D. , Hjelmborg J. , Skytthe A. , Rasmussen F. , Wright MJ, Lichtenstein P. , Martin NG พันธุกรรมและสิ่งแวดล้อมที่เกี่ยวข้องกับน้ำหนัก ความสูงและค่าดัชนีมวลกายตั้งแต่แรกเกิดถึงอายุ 19 ปี: การศึกษาระหว่างประเทศของคู่แฝด 12,000 มากกว่า PLOS ONE 2012; 7 (2): e30153 22347368 [PubMed]
• El-Sayed Moustafa JS, Froguel P. จากพันธุศาสตร์โรคอ้วนไปจนถึงอนาคตของการรักษาโรคอ้วนส่วนบุคคล ชัยนาท รายได้ Endocrinol 2013;9(7):402–413. 23529041 [PubMed]
• Finkelstein EA, Trogdon JG, โคเฮนเจดับบลิว, Dietz W. ค่าใช้จ่ายทางการแพทย์ประจำปีเนื่องมาจากโรคอ้วน: ผู้ชำระเงินและประมาณการเฉพาะบริการ Health Aff (Millwood) 2009;28(5):w822–w831. 19635784 [PubMed]
• Fischl B. , Salat DH, Busa E. , Albert M. , Dieterich M. , Haselgrove C. , Van der Kouwe A. , Killiany R. , Kennedy D. , Klaveness S. , Montillo A. , Makris N. , Rosen B. , Dale AM ​​การแบ่งส่วนสมองทั้งหมด: การติดฉลากอัตโนมัติของโครงสร้าง neuroanatomical ในสมองของมนุษย์ เซลล์ประสาท 2002;33(3):341–355. 11832223 [PubMed]
• Fischl B. , Sereno MI, Dale AM ​​การวิเคราะห์ตามพื้นผิวเยื่อหุ้มสมอง II: เงินเฟ้อความแบนและระบบพิกัดบนพื้นผิว Neuroimage 1999;9(2):195–207. 9931269 [PubMed]
• García-García I. , Jurado M.Á, Garolera M. , Segura B. , Sala-Llonch R. , Marqués-Iturria I. , Pueyo R. , Sender-Palacios MJ, Vernet-Vernet M. , Narberhaus A. , Ariza M. , Junqué C. การเปลี่ยนแปลงของเครือข่ายความรู้เรื่องโรคอ้วน: การศึกษา fMRI แบบพักผ่อนรัฐ ครวญเพลง Mapp สมอง 2013;34(11):2786–2797. 22522963 [PubMed]
• Greenberg JA, Boozer CN, Geliebter A. กาแฟ, เบาหวานและการควบคุมน้ำหนัก am เจ. คลีนิก Nutr 2006;84(4):682–693. 17023692 [PubMed]
• Gregor MF กลไกการอักเสบ Hotamisligil GS ในโรคอ้วน Annu รายได้ Immunol 2011; 29: 415 445- 21219177 [PubMed]
• กริฟฟิน WS การอักเสบและโรคเกี่ยวกับระบบประสาท am เจ. คลีนิก Nutr 2006;83(2):470S–474S. 16470015 [PubMed]
• Gunstad J. , Lhotsky A. , Wendell CR, Ferrucci L. , Zonderman AB การตรวจสอบระยะยาวของโรคอ้วนและการทำงานของความรู้ความเข้าใจ: ผลจากการศึกษาระยะยาวของบัลติมอร์อายุ Neuroepidemiology 2010;34(4):222–229. 20299802 [PubMed]
• Gunstad J. , Paul RH, Cohen RA, Tate DF, Gordon E. Obesity เกี่ยวข้องกับการขาดดุลความจำในผู้ใหญ่วัยหนุ่มสาวและวัยกลางคน กิน. น้ำหนักไม่ลงรอยกัน 2006;11(1):e15–e19. 16801734 [PubMed]
• Gunstad J. , Paul RH, Cohen RA, Tate DF, Spitznagel MB, กอร์ดอนอีดัชนีมวลกายสูงมีความสัมพันธ์กับความผิดปกติของผู้บริหารในผู้ใหญ่ที่มีสุขภาพดี compr จิตเวช 2007;48(1):57–61. 17145283 [PubMed]
• Gunstad J. , Spitznagel MB, Paul RH, Cohen RA, Kohn M. , Luyster FS, คลาร์กอาร์, วิลเลียมส์ LM, กอร์ดอนอี. ดัชนีมวลกายและการทำงานของระบบประสาทในเด็กและวัยรุ่นที่มีสุขภาพดี ความกระหาย. 2008;50(2–3):246–251. 17761359 [PubMed]
• Irimia A. , Chambers MC, Torgerson CM, Van Horn JD เป็นตัวแทนของเครือข่ายเยื่อหุ้มสมองของมนุษย์สำหรับการสร้างภาพการเชื่อมต่อเรื่องและระดับประชากร Neuroimage 2012;60(2):1340–1351. 22305988 [PubMed]
• จาง SH, ลิม HW, ยีโอเอสเอสการเชื่อมต่อทางประสาทของนิวเคลียส intalaminar thalamic ในสมองของมนุษย์: การศึกษาการแพร่กระจายของเทนเซอร์ Neurosci เลทท์ 2014; 579: 140 144- 25058432 [PubMed]
• Kahnt T. , Heinzle J. , Park SQ, Haynes JD รหัสทางประสาทของการรอคอยผลตอบแทนที่คาดหวังในเยื่อหุ้มสมอง orbitofrontal ของมนุษย์ พร Natl Acad วิทย์ สหรัฐอเมริกา. 2010;107(13):6010–6015. 20231475 [PubMed]
• กลไกรางวัล Kenny PJ ในโรคอ้วน: ข้อมูลเชิงลึกใหม่และทิศทางในอนาคต เซลล์ประสาท 2011;69(4):664–679. 21338878 [PubMed]
• Kilpatrick LA, Coveleskie K. , Connolly L. , Labus JS, Ebrat B. , คราบ J. , Jiang Z. , Suyenobu BY, Raybould HE, Tillisch K. , เมเยอร์ EA อิทธิพลของการกลืนซูโครสในสมอง และผู้หญิงอ้วน ระบบทางเดินอาหาร 2014;146(5):1212–1221. 24480616 [PubMed]
• Kullmann S. , Heni M. , Veit R. , Ketterer C. , Schick F. , Häring HU, Fritsche A. , Preissl H. สมองที่อ้วน: การเชื่อมโยงของดัชนีมวลกายและความไวของอินซูลินกับการพักการเชื่อมต่อเครือข่ายของรัฐ ครวญเพลง Mapp สมอง 2012;33(5):1052–1061. 21520345 [PubMed]
• Kurth F. , Levitt JG, ฟิลลิปส์, Luders E. , Woods RP, Mazziotta JC, Toga AW, Narr KL ความสัมพันธ์ระหว่างสสารสีเทา, ดัชนีมวลกายและรอบเอวในผู้ใหญ่ที่มีสุขภาพดี ครวญเพลง Mapp สมอง 2013;34(7):1737–1746. 22419507 [PubMed]
• Lê Cao KA, Boitard S. , Besse P. Sparse PLS การวิเคราะห์แยกประเภท: การเลือกคุณสมบัติที่เกี่ยวข้องทางชีวภาพและการแสดงผลกราฟิกสำหรับปัญหามัลติคลาส BMC ชีวสารสนเทศศาสตร์ 2011; 12: 253 21693065 [PubMed]
• Lê Cao KA, González I. , Déjean S. integrOmics: แพ็คเกจ R เพื่อคลายความสัมพันธ์ระหว่างชุดข้อมูล omics สองชุด ชีวสารสนเทศศาสตร์ 2009;25(21):2855–2856. 19706745 [PubMed]
• Lê Cao KA, Martin PG, Robert-Granié C. , Besse P. วิธีการที่เป็นที่ยอมรับสำหรับการรวมข้อมูลทางชีวภาพ: การประยุกต์ใช้กับการศึกษาข้ามแพลตฟอร์ม BMC ชีวสารสนเทศศาสตร์ 2009; 10: 34 19171069 [PubMed]
• Lê Cao KA, Rossouw D. , Robert-Granié C. , Besse P. PLS กระจัดกระจายสำหรับการเลือกตัวแปรเมื่อรวมข้อมูล omics สถิติ Appl จำพวก mol Biol 2008, 7 (1): 35 19049491 [PubMed]
• Lê Cao KA, Rossouw D. , Robert-Granié C. , Besse P. PLS กระจัดกระจายสำหรับการเลือกตัวแปรเมื่อรวมข้อมูล omics สถิติ Appl จำพวก mol Biol 2008, 7 (1): 35 19049491 [PubMed]
• Loveman E. , Frampton GK, Shepherd J. , Picot J. , Cooper K. , Bryant J. , Welch K. , Clegg A. ประสิทธิภาพทางคลินิกและประสิทธิผลของแผนการจัดการน้ำหนักระยะยาวสำหรับผู้ใหญ่: การทบทวนอย่างเป็นระบบ . เทคโนโลยีสุขภาพ ประเมินผล 2011;15(2):1–182. 21247515 [PubMed]
• Menon V. , Uddin LQ Saliency, การสลับ, ความสนใจและการควบคุม: โมเดลเครือข่ายของฟังก์ชัน insula โครงสร้างสมอง funct 2010;214(5–6):655–667. 20512370 [PubMed]
• Mori S. , Crain BJ, Chacko VP, van Zijl PC การติดตามสามมิติของการฉายภาพแบบแอกซอนในสมองด้วยการถ่ายภาพด้วยคลื่นสนามแม่เหล็ก แอน Neurol 1999;45(2):265–269. 9989633 [PubMed]
• Morrow JD, Maren S. , Robinson TE การแปรผันของแต่ละบุคคลในความโน้มเอียงที่จะอ้างถึงสิ่งจูงใจที่บ่งบอกถึงความอยากรู้อยากเห็นที่จะทำนายถึงสิ่งจูงใจที่สร้างแรงบันดาลใจให้กับตัวชี้นำ aversive Behav ความต้านทานของสมอง 2011;220(1):238–243. 21316397 [PubMed]
• Pannacciulli N. , Del Parigi A. , Chen K. , Le DS, Reiman EM, Tataranni PA ความผิดปกติของสมองในโรคอ้วนของมนุษย์: การศึกษาทางสัณฐานวิทยาของ Voxel Neuroimage 2006;31(4):1419–1425. 16545583 [PubMed]
• Purnell JQ, Lahna DL, Samuels MH, Rooney WD, Hoffman WF การสูญเสียของสสารสีขาวที่มีการอุดตันในสมองส่วนที่เป็นโรคอ้วนในสมอง Int J Obes (Lond) 2014; 38: 1573 1577- 24727578 [PubMed]
• Raji CA, Ho AJ, Parikshak NN, Becker JT, Lopez OL, Kuller LH, Hua X. , Leow AD, Toga AW, Thompson PM โครงสร้างสมองและโรคอ้วน ครวญเพลง Mapp สมอง 2010;31(3):353–364. 19662657 [PubMed]
• Rothemund Y. , Preuschhof C. , Bohner G. , Bauknecht HC, Klingebiel R. , Flor H. , Klapp BF การเปิดใช้งานที่แตกต่างกันของ striatum หลังโดยการกระตุ้นอาหารแคลอรี่ภาพสูงในบุคคลที่เป็นโรคอ้วน Neuroimage 2007;37(2):410–421. 17566768 [PubMed]
• Seeley WW, Menon V. , Schatzberg AF, Keller J. , Glover GH, Kenna H. , Reiss AL, Greicius MD เครือข่ายการเชื่อมต่อภายในที่แยกออกไม่ได้สำหรับการประมวลผลและการควบคุมผู้บริหาร J. Neurosci 2007;27(9):2349–2356. 17329432 [PubMed]
• Seeley WW, Menon V. , Schatzberg AF, Keller J. , Glover GH, Kenna H. , Reiss AL, Greicius MD เครือข่ายการเชื่อมต่อภายในที่แยกออกไม่ได้สำหรับการประมวลผลและการควบคุมผู้บริหาร J. Neurosci 2007;27(9):2349–2356. 17329432 [PubMed]
• Sheehan DV, Lecrubier Y. , Sheehan KH, Amorim P. , Janavs J. , Weiller E. , Hergueta T. , Baker R. , Dunbar GC การสัมภาษณ์ Mini-International Neuropsychiatric การสัมภาษณ์ทางจิตเวชสำหรับ DSM-IV และ ICD-10 เจ. คลีนิก จิตเวช 1998;59(Suppl. 20):22–33. 9881538 [คำถาม 34 – 57] [PubMed]
• Shott ME, Cornier MA, Mittal VA, Pryor TL, Orr JM, Brown MS, Frank GK ปริมาณเยื่อหุ้มสมอง Orbitofrontal และการตอบสนองของรางวัลสมองในโรคอ้วน Int J Obes (Lond) 2014 25027223 [บทความฟรี PMC] [PubMed]
• Stanek KM, Grieve SM, Brickman AM, Korgaonkar MS, Paul RH, Cohen RA, Gunstad JJ Obesity เกี่ยวข้องกับความสมบูรณ์ของสสารสีขาวลดลงในผู้ใหญ่ที่มีสุขภาพดี โรคอ้วน (ซิลเวอร์สปริง) 2011;19(3):500–504. 21183934 [PubMed]
• Stice E. , Yokum S. , เบอร์เกอร์แคนซัส, Epstein LH, DM เยาวชนขนาดเล็กที่เสี่ยงต่อการเป็นโรคอ้วนแสดงให้เห็นถึงการกระตุ้นการทำงานของแถบภูมิภาคและเซลล์ somatosensory J. Neurosci 2011;31(12):4360–4366. 21430137 [PubMed]
• Stoeckel LE, Weller RE, Cook EW, 3rd, Twieg DB, Knowlton RC, Cox JE การเปิดใช้งานระบบการให้รางวัลอย่างกว้างขวางสำหรับผู้หญิงอ้วนในการตอบสนองต่อภาพอาหารแคลอรี่สูง Neuroimage 2008;41(2):636–647. 18413289 [PubMed]
• Sullivan EV, Rohlfing T. , Pfefferbaum A. การศึกษาระยะยาวของโครงสร้างจุลภาคในสมองอายุผู้ใหญ่ปกติโดยใช้การติดตามปริมาณเส้นใย DTI dev Neuropsychol 2010;35(3):233–256. 20446131 [PubMed]
• Terranova L. , Busetto L. , Vestri A. , Zappa MA การผ่าตัดลดความอ้วน: ประสิทธิผลและผลกระทบด้านงบประมาณ OBEs Surg 2012;22(4):646–653. 22290621 [PubMed]
• Volkow ND, Frascella J. , Friedman J. , Saper CB, Baldo B. , ET, Mennella JA, Dallman MF, วัง GJ, LeFur G. ประสาทชีววิทยาของโรคอ้วน: ความสัมพันธ์กับการเสพติด Neuropsychopharmacology 2004; 29: S29-S30
• Volkow ND, วัง GJ, Baler RD Reward, โดปามีนและการควบคุมการบริโภคอาหาร: ความหมายของโรคอ้วน แนวโน้ม Cogn วิทย์ 2011;15(1):37–46. 21109477 [PubMed]
• Volkow ND, วัง GJ, Fowler JS, Telang F. วงจรประสาทที่ทับซ้อนกันในการติดและโรคอ้วน: หลักฐานของระบบพยาธิวิทยา Philos ทรานส์ ร. Lond., B, Biol วิทย์ 2008;363(1507):3191–3200. 18640912 [PubMed]
• องค์การอนามัยโลก (WHO) โรคอ้วน 2014 ผม.
• Xu J. , Li Y. , Lin H. , Sinha R. , Potenza MN ดัชนีมวลกายมีความสัมพันธ์เชิงลบกับความสมบูรณ์ของสสารสีขาวใน fornix และ corpus callosum: การศึกษาการถ่ายภาพเทนเซอร์ของการแพร่กระจาย ครวญเพลง Mapp สมอง 2013;34(5):1044–1052. 22139809 [PubMed]
• เหยา PL, Javier DC, Ryan CM, Tsui WH, Ardekani BA, สิบ S. , Convit A. หลักฐานเบื้องต้นสำหรับภาวะแทรกซ้อนทางสมองในวัยรุ่นอ้วนที่มีโรคเบาหวานประเภท 2 Diabetologia 2010;53(11):2298–2306. 20668831 [PubMed]
• เหยา PL, Kang EH, Javier DC, Convit A. หลักฐานเบื้องต้นของความผิดปกติของความรู้ความเข้าใจและสมองในโรคอ้วนวัยรุ่นที่ไม่ซับซ้อน โรคอ้วน (ซิลเวอร์สปริง) 2014;22(8):1865–1871. 24891029 [PubMed]
• Zald DH มนุษย์ในหลอดลมและการประเมินอารมณ์ของสิ่งเร้าทางประสาทสัมผัส ความต้านทานของสมอง ความต้านทานของสมอง รายได้ 2003;41(1):88–123. 12505650 [PubMed]
• Zigmond AS, Snaith RP ความวิตกกังวลและความวิตกกังวลของโรงพยาบาล Acta จิตแพทย์ Scand 1983;67(6):361–370. 6880820 [PubMed]