เครือข่ายการทำงานของสมองที่กระจัดกระจายในความผิดปกติของการเสพติดอินเทอร์เน็ต: การศึกษาเกี่ยวกับการทำงานของสนามแม่เหล็กด้วยคลื่นวิทยุ (2014)

ช่องแยงวี ผู้สนับสนุนเท่ากัน, Zhimin Zhao ผู้สนับสนุนเท่ากัน Pew-Thian Yap Guorong Wu เฟิงชิ ราคาที่แท้จริง ยองดู Jianrong Xu จดหมาย Yan Zhou, จดหมาย Dinggang Shen

เผยแพร่: กันยายน 16, 2014

DOI: 10.1371 / journal.pone.0107306

นามธรรม

ความผิดปกติของการเสพติดอินเทอร์เน็ต (IAD) ได้รับการยอมรับมากขึ้นว่าเป็นปัญหาสุขภาพจิตโดยเฉพาะอย่างยิ่งในหมู่วัยรุ่น อย่างไรก็ตามการเกิดโรคที่เกี่ยวข้องกับ IAD ยังคงไม่ชัดเจน ในการศึกษาครั้งนี้เรามีเป้าหมายที่จะสำรวจลักษณะการทำงานของสมองในวัยรุ่นที่เหลือโดยใช้ข้อมูลการถ่ายภาพด้วยคลื่นสนามแม่เหล็ก เราใช้วิธีการทางทฤษฎีและกราฟเพื่อตรวจสอบการหยุดชะงักของการเชื่อมต่อการทำงานที่เป็นไปได้ในแง่ของคุณสมบัติเครือข่ายรวมถึงความเป็นโลกขนาดเล็กประสิทธิภาพและความเป็นศูนย์กลางในวัยรุ่น 17 ด้วย IAD และ 16 การทดสอบพารามิเตอร์เชิงอัตราการค้นพบที่ผิดพลาดได้ดำเนินการเพื่อประเมินความสำคัญทางสถิติของความแตกต่างของทอพอโลยีเครือข่ายระดับกลุ่ม นอกจากนี้ยังมีการวิเคราะห์ความสัมพันธ์เพื่อประเมินความสัมพันธ์ระหว่างการเชื่อมต่อการใช้งานกับมาตรการทางคลินิกในกลุ่ม IAD ผลการศึกษาของเราแสดงให้เห็นว่ามีการหยุดชะงักอย่างมีนัยสำคัญในการเชื่อมต่อการทำงานของผู้ป่วย IAD โดยเฉพาะอย่างยิ่งระหว่างภูมิภาคที่ตั้งอยู่ในด้านหน้า, ท้ายทอย, และกลีบข้างขม่อม การเชื่อมต่อที่ได้รับผลกระทบเป็นการเชื่อมต่อระยะไกลและระหว่างซีกโลก แม้ว่าจะมีการสังเกตการเปลี่ยนแปลงที่สำคัญสำหรับตัวชี้วัดที่สำคัญของภูมิภาค แต่ไม่มีความแตกต่างในโครงสร้างเครือข่ายทั่วโลกระหว่าง IAD และกลุ่มที่มีสุขภาพ นอกจากนี้การวิเคราะห์สหสัมพันธ์แสดงให้เห็นว่าความผิดปกติของภูมิภาคที่สังเกตนั้นมีความสัมพันธ์กับความรุนแรงของ IAD และการประเมินทางคลินิกเชิงพฤติกรรม การค้นพบของเราซึ่งมีความสอดคล้องกันระหว่างแผนที่ atlases ที่กำหนดทางกายวิภาคและเชิงหน้าที่แนะนำว่า IAD ทำให้เกิดการหยุดชะงักของการเชื่อมต่อการทำงานและที่สำคัญการหยุดชะงักดังกล่าวอาจเชื่อมโยงกับความบกพร่องทางพฤติกรรม

ตัวเลข

อ้างอิง: Wee CY, Zhao Z, Yap PT, Wu G, Shi F, และคณะ (2014) เครือข่ายการทำงานของสมองที่กระจัดกระจายในความผิดปกติของการเสพติดอินเทอร์เน็ต: การศึกษาการถ่ายภาพด้วยคลื่นสนามแม่เหล็กสำหรับการพักผ่อน โปรดหนึ่ง 9 (9): e107306 ดอย: 10.1371 / journal.pone.0107306

Editor: Satoru Hayasaka, โรงเรียนแพทย์ Wake Forest, สหรัฐอเมริกา

ที่ได้รับ: มกราคม 20, 2014; ได้รับการยืนยัน: สิงหาคม 11, 2014; ที่เผยแพร่: September 16, 2014

ลิขสิทธิ์: © 2014 Wee et al. นี่เป็นบทความแบบเปิดที่เผยแพร่ภายใต้เงื่อนไขของ ใบอนุญาตแสดงที่มาของครีเอทีฟคอมมอนส์ซึ่งอนุญาตให้ใช้การแจกจ่ายและการทำซ้ำแบบไม่ จำกัด ในสื่อใดก็ตามหากมีการให้เครดิตผู้เขียนต้นฉบับและแหล่งที่มา

เงินทุน: งานนี้ได้รับการสนับสนุนบางส่วนโดย National Institutes of Health (NIH) ทุน EB006733, EB008374, EB009634, AG041721 และ CA140413 ตลอดจน National Natural Science Foundation of China (81171325) และ National Key Technology R&D Program 2007BAI17B03 ผู้ให้ทุนไม่มีบทบาทในการออกแบบการศึกษาการรวบรวมและวิเคราะห์ข้อมูลการตัดสินใจเผยแพร่หรือจัดทำต้นฉบับ

การแข่งขันความสนใจ: ผู้เขียนได้ประกาศว่าไม่มีความสนใจในการแข่งขันอยู่

บทนำ

มีรายงานว่าการใช้อินเทอร์เน็ตมากเกินไปอาจนำไปสู่การเปลี่ยนแปลงลักษณะทางสังคมและพฤติกรรมที่คล้ายกับสิ่งที่พบในการติดสารเสพติดและการพนันทางพยาธิวิทยา [1], [2]. ด้วยจำนวนผู้ใช้อินเทอร์เน็ตที่เพิ่มสูงขึ้นในช่วงทศวรรษที่ผ่านมาปัญหานี้ได้รับการพิจารณาว่าเป็นปัญหาสาธารณสุขที่ร้ายแรงยิ่งขึ้น [3]. การเสพติดอินเทอร์เน็ตและการเสพติดที่เกี่ยวกับคอมพิวเตอร์โดยทั่วไปดูเหมือนจะเป็นปรากฏการณ์ที่แพร่หลายซึ่งส่งผลกระทบต่อประชาชนหลายล้านคนในสหรัฐอเมริกาและต่างประเทศโดยมีอัตราการเกิดสูงสุดในหมู่วัยรุ่นและนักศึกษาในภูมิภาคเอเชียที่กำลังพัฒนา [3]-[7]. ผลกระทบของการเปิดรับอินเทอร์เน็ตมากเกินไปในช่วงวัยหนุ่มสาวมีความสำคัญทางคลินิกและสังคมโดยเฉพาะอย่างยิ่งเนื่องจากวัยรุ่นเป็นช่วงเวลาของการเปลี่ยนแปลงที่สำคัญในระบบประสาทชีววิทยาที่เกี่ยวข้องกับการตัดสินใจ [8] และดังนั้นจึงแสดงถึงความอ่อนแอที่สูงขึ้นต่อความผิดปกติทางอารมณ์และการเสพติด [9]-[11]. ตั้งแต่งานน้ำเชื้อของยอง [2], การติดอินเทอร์เน็ตได้ดึงดูดความสนใจอย่างมากจากนักสังคมวิทยานักจิตวิทยาจิตแพทย์และนักการศึกษา

ลักษณะทางคลินิกของปัญหาพฤติกรรมที่เกี่ยวข้องกับการใช้อินเทอร์เน็ตได้รับการอธิบายภายใต้เกณฑ์การวินิจฉัยต่างๆรวมถึงความผิดปกติของการติดอินเทอร์เน็ต (IAD) [12]การใช้อินเทอร์เน็ตทางพยาธิวิทยา [13]และการใช้อินเทอร์เน็ตที่เป็นปัญหา [14]. IAD ได้รับการจัดว่าเป็นความผิดปกติของการควบคุมแรงกระตุ้นเนื่องจากมันเกี่ยวข้องกับการใช้อินเทอร์เน็ตที่ไม่เหมาะสมซึ่งไม่มีพิษใด ๆ คล้ายกับการพนันทางพยาธิวิทยา IAD แสดงให้เห็นถึงลักษณะที่คล้ายกันของการเสพติดอื่น ๆ รวมถึงการพัฒนาด้านวิชาการการเงินและปัญหาการประกอบอาชีพอันเป็นผลมาจากพฤติกรรมเสพติดและปัญหาในการพัฒนาและรักษาความสัมพันธ์ส่วนบุคคลและครอบครัว บุคคลที่กำลังทุกข์ทรมานจาก IAD จะใช้เวลามากขึ้นในความสันโดษซึ่งจะส่งผลกระทบต่อการทำงานทางสังคมปกติของพวกเขา ในกรณีที่เลวร้ายที่สุดผู้ป่วยอาจรู้สึกไม่สบายตัวหรือมีปัญหาทางการแพทย์เช่นกลุ่มอาการ carpal tunnel, ตาแห้ง, ปวดหลัง, ปวดหัวอย่างรุนแรง, การกินที่ผิดปกติ, และการนอนหลับไม่สบาย [15], [16]. นอกจากนี้ผู้ป่วยมักจะทนต่อการรักษา IAD และมีอัตราการกำเริบของโรคสูง [17]และอีกหลายคนประสบจากการเสพติดอื่น ๆ เช่นการติดยาเสพติดแอลกอฮอล์การพนันหรือเรื่องเพศ [18].

ในขณะที่ IAD ยังไม่ถือว่าเป็นความผิดปกติทางจิตหรือการเสพติดใน DSM-5 [19]มีการศึกษาที่เพียงพอซึ่งส่วนใหญ่อิงจากแบบสอบถามทางจิตวิทยาที่รายงานด้วยตนเองซึ่งแสดงผลกระทบเชิงลบในชีวิตประจำวันในแง่ขององค์ประกอบด้านพฤติกรรมปัจจัยทางจิตสังคมการจัดการอาการอาการป่วยทางจิตเวชการวินิจฉัยทางคลินิกและผลการรักษา [6], [20]-[23]. นอกเหนือจากการวิเคราะห์ตามพฤติกรรมเหล่านี้แล้วยังมีการนำเทคนิคการใช้ระบบประสาทมาใช้ในการสำรวจผลกระทบของการใช้อินเทอร์เน็ตมากเกินไปต่อลักษณะโครงสร้างและหน้าที่ของสมองมนุษย์ [7], [24]-[29]. การพักการถ่ายภาพด้วยคลื่นสนามแม่เหล็ก (R-fMRI) ที่มีประสิทธิภาพ ในร่างกาย เครื่องมือสำหรับการตรวจสอบกิจกรรมของเซลล์ประสาทของสมองก่อนหน้านี้ได้รับการว่าจ้างเพื่อระบุการหยุดชะงักที่เป็นไปได้ของลักษณะการทำงานของสมองใน IAD [24], [26], [27], [30]. ใน [27]การวิเคราะห์ความสม่ำเสมอของภูมิภาค (ReHo) ซึ่งวัดความสอดคล้องของความผันผวนของความถี่ต่ำในระดับภูมิภาค (LFF) ภายในเครือข่ายสมองเปิดเผยการปรับปรุงการซิงโครไนซ์ระหว่างบริเวณสมองที่เกี่ยวข้องกับเส้นทางการให้รางวัลในผู้ป่วย IAD การศึกษาที่คล้ายกันของบุคคลที่ติดเกมออนไลน์ (OGA) เสนอโดยใช้แอมพลิจูด LFF ที่เพิ่มขึ้นในเยื่อหุ้มสมอง orbitofrontal อยู่ตรงกลางด้านซ้ายซึ่งมีการเชื่อมต่อทางกายวิภาคไปยังหลายภูมิภาคที่เกี่ยวข้องกับการตัดสินใจกำหนดเป้ [30]. ฮ่องกง เอตอัล ใช้สถิติบนเครือข่าย (NBS) เพื่อวิเคราะห์ความแตกต่างของกลุ่มในการเชื่อมต่อการทำงานระหว่างภูมิภาคระหว่าง IAD และกลุ่มควบคุมและการลดลงอย่างกว้างขวางของการเชื่อมต่อการทำงานถูกพบในกลุ่ม IAD ด้วยโดยเฉพาะอย่างยิ่งไม่มีการหยุดชะงักทั่วโลก [26]. ในการศึกษาโดยใช้การเชื่อมต่อแบบอื่นการเปลี่ยนแปลงการเชื่อมต่อเครือข่ายเริ่มต้นถูกสำรวจโดยใช้ posterior cingulate cortex (PCC) เป็นขอบเขตของเมล็ด [24]. ผลแสดงให้เห็นว่าการเชื่อมต่อการทำงานเพิ่มขึ้นระหว่างกลีบสมองส่วนหลังทวิภาคีกับกลีบขมับกลางและการเชื่อมต่อที่ลดลงระหว่างกลีบสมองกลีบขม่อมระดับทวิภาคีทวิภาคีและสมองกลีบล่าง

ในการศึกษาปัจจุบันเราใช้วิธีกราฟ - ทฤษฎีเพื่อวิเคราะห์ IAD โดยใช้ข้อมูล R-fMRI ก่อนอื่นเราจะประเมินความสำคัญของการหยุดชะงักของการเชื่อมต่อการใช้งาน การทดสอบตามพารามิเตอร์ ด้วยการแก้ไขการเปรียบเทียบหลายรายการ สิ่งนี้ทำให้เราสามารถสำรวจได้อย่างเต็มที่ รูปแบบเต็มรูปแบบของการเชื่อมต่อการทำงานของสมอง และ รูปแบบการเชื่อมต่อระหว่างเครือข่ายขนาดใหญ่ [31]. ประการที่สองเราตรวจสอบการหยุดชะงักของการเชื่อมต่อที่เป็นไปได้ที่เกี่ยวข้องกับ IAD ในแง่ของ คุณสมบัติเครือข่ายทั่วโลกรวมถึงคุณสมบัติของโลกขนาดเล็ก (กล่าวคือสัมประสิทธิ์การรวมกลุ่มและความยาวของเส้นทางลักษณะเฉพาะ) และประสิทธิภาพของเครือข่าย (เช่นประสิทธิภาพระดับโลกและระดับท้องถิ่น) เหนือระบอบการปกครองของโลกใบเล็ก ประการที่สามด้วยช่วงความกระจัดกระจายของเครือข่ายเดียวกันเราประเมินความสำคัญในการทำงานของเครือข่ายโดยคำนึงถึงความสัมพันธ์ของภูมิภาคกับการเชื่อมต่อที่ใช้งานได้ทั้งหมด [32] ขึ้นอยู่กับการวัดจากศูนย์กลางของแต่ละ ROI เรามีแรงจูงใจที่จะใช้เครือข่ายเป็นศูนย์กลางในการ จำกัด วงให้ดีขึ้น ภูมิภาคที่ถูกรบกวนในระดับท้องถิ่นมากขึ้น ในที่สุดเราก็สำรวจ ความสัมพันธ์ระหว่างตัวชี้วัดเครือข่ายและคะแนนพฤติกรรมและทางคลินิก ของผู้เข้าร่วม การตรวจสอบการเชื่อมต่อระหว่างคุณสมบัติเครือข่ายและผลลัพธ์ทางคลินิกช่วยเพิ่มความรู้เกี่ยวกับพยาธิสภาพการติดและให้ข้อมูลเชิงลึกที่สำคัญสำหรับการพัฒนาเทคนิคการวินิจฉัย IAD ที่เชื่อถือได้มากขึ้น

วัสดุและวิธีการ

ผู้เข้าร่วมกิจกรรม

ผู้เข้าร่วมมือขวาสามสิบสามคนประกอบด้วยวัยรุ่น 17 กับ IAD (ชาย 15 และผู้หญิง 2) และเพศ 16 เพศอายุและการศึกษาที่เหมาะสม (HC) (14 ชายและหญิง 2) มีส่วนร่วมในการศึกษานี้ . ผู้ป่วยที่ได้รับคัดเลือกจากภาควิชาจิตเวชศาสตร์เด็กและวัยรุ่น, ศูนย์สุขภาพจิตเซี่ยงไฮ้, โรงเรียนแพทย์ของมหาวิทยาลัยเซี่ยงไฮ้เจียวตง อาสาสมัครควบคุมได้รับการคัดเลือกจากชุมชนท้องถิ่นโดยใช้โฆษณา การศึกษาได้รับการอนุมัติจากคณะกรรมการจริยธรรมการวิจัยทางการแพทย์และคณะกรรมการทบทวนสถาบันสุขภาพจิตเซี่ยงไฮ้ตามประกาศของเฮลซิงกิและได้รับความยินยอมเป็นลายลักษณ์อักษรเต็มรูปแบบที่ได้รับจากผู้ปกครอง / ผู้ปกครองของผู้เข้าร่วมแต่ละคน

ระยะเวลาของ IAD ถูกประมาณโดยการวินิจฉัยย้อนหลัง ทุกวิชาได้รับการร้องขอให้ระลึกถึงวิถีชีวิตของพวกเขาในตอนแรกที่พวกเขาติดอินเทอร์เน็ต เพื่อตรวจสอบความถูกต้องของการติดอินเทอร์เน็ตผู้ป่วยได้รับการทดสอบซ้ำตามแบบสอบถามการวินิจฉัยของ Young's Diagnostic (YDQ) สำหรับเกณฑ์การติดอินเทอร์เน็ตโดย Beard and Wolf [33]และความน่าเชื่อถือของ IAD ที่รายงานด้วยตนเองนั้นได้รับการยืนยันผ่านการสัมภาษณ์กับผู้ปกครอง ผู้ป่วย IAD ใช้เวลาอย่างน้อย ชั่วโมงต่อวันบนอินเทอร์เน็ตหรือเกมออนไลน์และ วันต่อสัปดาห์ เราตรวจสอบข้อมูลนี้จากเพื่อนร่วมห้องและเพื่อนร่วมชั้นของผู้ป่วยว่าพวกเขามักจะยืนยันว่าพวกเขาใช้อินเทอร์เน็ตในช่วงดึกทำให้รบกวนชีวิตของผู้อื่นแม้จะมีผลตามมาก็ตาม สังเกตผู้ป่วยทุกคนติดอินเทอร์เน็ตอย่างน้อยหรือมากกว่า 2 ปี รายละเอียดของ YDQ ที่แก้ไขสำหรับเกณฑ์การติดอินเทอร์เน็ตมีอยู่ใน ไฟล์ S1.

ติดตามงานวิจัย IAD ครั้งก่อน [34]มีเพียง HCs ที่ใช้เวลาน้อยกว่า 2 ชั่วโมง (ชั่วโมงที่ใช้ไป = ) ต่อวันบนอินเทอร์เน็ตรวมอยู่ในการศึกษาปัจจุบัน กลุ่ม HC ใช้เวลา วันต่อสัปดาห์บนอินเทอร์เน็ต นอกจากนี้ HCs ยังได้รับการทดสอบด้วยเกณฑ์ YDQ ที่แก้ไขแล้วเพื่อให้แน่ใจว่าพวกเขาไม่ได้รับความทุกข์ทรมานจาก IAD ผู้เข้าร่วมที่ได้รับคัดเลือกทั้งหมดเป็นเจ้าของภาษาจีนและไม่เคยใช้สารผิดกฎหมาย โปรดทราบว่า YDQ ที่แก้ไขได้รับการแปลเป็นภาษาจีนเพื่อความสะดวกของผู้เข้าร่วม เพื่อพิสูจน์ผลการวินิจฉัยเพิ่มเติมมาตรการวินิจฉัย IAD อีกแบบหนึ่งคือ Young's Internet Addiction Scale (YIAS) [35]ได้ดำเนินการสำหรับผู้เข้าร่วมแต่ละคน YIAS เป็นแบบสอบถาม 20 รายการที่พัฒนาโดยดร. คิมเบอร์ลี่ยังเพื่อประเมินระดับของการติดอินเทอร์เน็ต มันแบ่งผู้ใช้อินเทอร์เน็ตออกเป็นสามระดับของความรุนแรงตามโครงร่างคะแนน 100: ผู้ใช้ออนไลน์ที่ไม่รุนแรง ( คะแนน), ปานกลางผู้ใช้ออนไลน์ ( คะแนน) และผู้ใช้ออนไลน์ที่รุนแรง ( คะแนน)

นอกจากการวินิจฉัยของ IAD ผ่าน YDQ และ YIAS ที่ปรับปรุงแล้วสภาพพฤติกรรมของผู้ป่วย IAD ยังได้รับการประเมินโดยใช้แบบสอบถามที่เกี่ยวข้องกับพฤติกรรมหลายอย่าง: Barratt Impulsiveness Scale-11 (BIS-11) [36]มาตราส่วนการจัดการการจัดการเวลา (TMDS) [37]แบบสอบถามจุดแข็งและจุดแข็ง (SDQ) [38]และ McMaster Family Assessment Device (FAD) [39]. มีการใช้ทั้ง SDQ เด็กและผู้ปกครองในการศึกษา รายละเอียดของแบบสอบถามเหล่านี้มีอยู่ใน ไฟล์ S1.

ก่อนได้รับการสัมภาษณ์ประวัติทางการแพทย์ผู้เข้าร่วมทุกคนได้รับการตรวจร่างกายอย่างง่าย (ความดันโลหิตและการทดสอบการเต้นของหัวใจ) เพื่อแยกความผิดปกติทางร่างกายที่เกี่ยวข้องกับการเคลื่อนไหวระบบย่อยอาหารประสาทประสาทระบบทางเดินหายใจระบบหมุนเวียนต่อมไร้ท่อปัสสาวะ เกณฑ์การยกเว้นรวมถึง: 1) ประวัติของโรคทางจิตเวชและจิตเวชที่ไม่ใช่ comorbid เช่นโรควิตกกังวลซึมเศร้า compulsivity โรคจิตเภทออทิสติกหรือโรคสองขั้ว; 2) ประวัติความเป็นมาของสารเสพติดหรือการพึ่งพา; 3) ประวัติความผิดปกติทางร่างกายที่เกี่ยวข้องกับการเคลื่อนไหวระบบย่อยอาหารประสาทระบบทางเดินหายใจระบบไหลเวียนของต่อมไร้ท่อปัสสาวะและระบบสืบพันธุ์; และ 4) การตั้งครรภ์หรือประจำเดือนในผู้หญิงในระหว่างการสแกน ขั้นตอนการยกเว้นนี้เป็นสิ่งสำคัญเพื่อให้แน่ใจว่าผู้เข้าร่วมในการศึกษานี้จะไม่ได้รับผลกระทบจากความผิดปกติทางร่างกายทางระบบประสาทหรือระบบประสาทและอื่น ๆ จึงลดอคติที่เป็นไปได้ในการค้นพบที่ได้รับ ข้อมูลประชากรโดยละเอียดและคะแนนทางคลินิกมีให้ใน 1 ตาราง.

ภาพขนาดย่อ

ตาราง 1 ข้อมูลประชากรของผู้เข้าร่วมที่เกี่ยวข้องในการศึกษานี้

ดอย: 10.1371 / journal.pone.0107306.t001

การเก็บข้อมูลและการประมวลผลล่วงหน้า

การเก็บข้อมูลทำได้โดยใช้เครื่องสแกนเนอร์ 3.0 Tesla (Philips Achieva) อิมเมจการทำงานแบบ resting-state ของผู้เข้าร่วมแต่ละคนได้รับด้วย echo time (TE) = 30 ms และเวลา repetition (TR) = 2000 ms เมทริกซ์การได้มาคือ 64 × 64 โดยมี FOV เป็นรูปสี่เหลี่ยมผืนผ้าที่ 230 × 230 mm2และความละเอียด voxel ของ 3.59 × 3.59 × 4 mm3. การสแกนรวมปริมาณ 220 สำหรับผู้เข้าร่วมแต่ละคน ในระหว่างการเก็บข้อมูลผู้เข้าร่วมถูกขอให้นอนเงียบ ๆ ในสแกนเนอร์โดยปิดตาลง แม้ว่าจะไม่มีการใช้เทคนิคหรืออุปกรณ์พิเศษในการวัดว่าผู้เรียนปิดตาจริง ๆ หรือไม่ผู้เข้าร่วมการวิจัยยืนยันว่าพวกเขารู้ตัวและปิดตาในระหว่างการสแกน

การประมวลผลข้อมูลล่วงหน้าดำเนินการโดยใช้ไพพ์ไลน์มาตรฐานในกล่องเครื่องมือประมวลผล R-fMRI สองชุดคือ DPARSF [40] และส่วนที่เหลือ [41]. ก่อนที่จะมีการประมวลผลล่วงหน้าปริมาตร 10 R-fMRI แรกของแต่ละเรื่องจะถูกยกเลิกเพื่อให้เกิดความสมดุลของการทำให้เป็นแม่เหล็ก ปริมาณ R-fMRI ถูกทำให้เป็นมาตรฐานไปยังพื้นที่ MNI ด้วยความละเอียด 3 × 3 × 3 mm3. การถดถอยของสัญญาณรบกวนรวมถึงช่อง, สสารสีขาวและสัญญาณทั่วโลกได้ดำเนินการ ไม่มีผู้เข้าร่วมใด ๆ ที่ได้รับการยกเว้นตามเกณฑ์ของการกระจัดมากกว่า 3 mm หรือการหมุนเชิงมุมมากกว่า 3 องศาในทุกทิศทาง เพื่อลดผลกระทบของการเคลื่อนไหวของหัวต่อไปเราใช้การแก้ไขพารามิเตอร์ Friston 24 รวมถึงการกระจัด framewise เฉลี่ย froxew เฉพาะ (voxel) [42] ด้วยเกณฑ์ FD ของ 0.5 ก่อนการประเมินการเชื่อมต่อการทำงานชุดเวลาเฉลี่ย R-fMRI ของ ROI แต่ละตัวจะถูกกรองผ่านแถบความถี่ ( เฮิร์ตซ์)

การวิเคราะห์เครือข่ายและการเชื่อมต่อส่วนบุคคล

การวิเคราะห์ทางทฤษฎีกราฟถูกนำมาใช้ในการศึกษานี้เพื่อตรวจสอบการเปลี่ยนแปลงการทำงานของสมอง connectome ที่เกิดจาก IAD ในกลุ่มวัยรุ่นจีน เครือข่ายสมองที่ใช้งานได้ถูกสร้างขึ้นในระดับมหภาคที่โหนดเป็นตัวแทนของพื้นที่สมองที่กำหนดไว้ล่วงหน้าและขอบเป็นตัวแทนของการเชื่อมต่อการทำงานการทำงานระหว่างรัฐพักผ่อน (RSFC) เพื่อกำหนดโหนดเครือข่ายเราแบ่งสมองออกเป็น ภูมิภาคที่น่าสนใจ (ROIs) โดยแปลงภาพ fMRI ไปยังแผนที่ Atlas แบบอัตโนมัติกายวิภาค (AAL) [43]. ภูมิภาคที่อิงตามแผนที่ AAL จะแสดงรายการในตาราง S1 ใน ไฟล์ S1. จากนั้นอนุกรมเวลาตัวแทนของ ROI แต่ละชุดจะได้รับจากการหาค่าเฉลี่ยของอนุกรมเวลาที่ถดถอยจาก voxels ทั้งหมดในแต่ละ ROI ในการวัดค่า RSFC interregional เราได้คำนวณค่าสหสัมพันธ์แบบเพียร์สันสำหรับทุกค่าที่เป็นไปได้ (() = 4005) ROI คู่และสร้างเมทริกซ์การเชื่อมต่อสมมาตรเพื่อเป็นตัวแทนของการเชื่อมต่อเหล่านี้ เราวิเคราะห์ความแตกต่างระดับกลุ่มระหว่าง ROIs ทุกคู่ในแง่ของความแข็งแกร่งในการเชื่อมต่อ ความแตกต่างอย่างมีนัยสำคัญสำหรับการเชื่อมต่อการทำงานแต่ละครั้งได้รับการประเมินโดยใช้ระบบ univariate (สองด้าน) ทดสอบกับเกณฑ์ของ และการแก้ไขอัตราการค้นพบที่ผิดพลาด (FDR)

ตัวชี้วัดเครือข่ายและการวิเคราะห์ลักษณะ

เมทริกซ์การเชื่อมต่อฟังก์ชันตามความสัมพันธ์แบบเพียร์สันเชื่อมต่อกันอย่างหนาแน่นโดยมีองค์ประกอบปลอมและมีความแข็งแรงต่ำจำนวนมาก เพื่อสร้างแบบจำลองเครือข่ายสมองของมนุษย์ที่ดีขึ้นซึ่งแสดงคุณสมบัติของโลกขนาดเล็กเมทริกซ์การเชื่อมต่อการทำงานของแต่ละคนได้รับการประมวลผลเพิ่มเติมเพื่อให้มีช่วงที่กระจัดกระจายซึ่งอยู่ในระบอบการปกครองของโลกใบเล็ก () [44]-[48]. ระบอบการปกครองนี้ทำให้มั่นใจได้ถึงลักษณะที่สอดคล้องกันของโลกขนาดเล็กสำหรับเครือข่ายสมองของ 90 ROIs [44]. โดยเฉพาะเมทริกซ์สหสัมพันธ์ของเพียร์สันทุกเรื่องถูกแปลงเป็นเมทริกซ์ adjacency แบบไบนาริส ตาม sparsity ที่กำหนดไว้ล่วงหน้าที่ทั้งหมด มีการตั้งค่าเริ่มต้นที่หนึ่งและจากนั้นองค์ประกอบที่สอดคล้องกับค่าความสัมพันธ์ต่ำสุดจะถูกตั้งค่าเป็นศูนย์ซ้ำ ๆ จนกว่าจะบรรลุระดับที่แน่นอนของ sparsity ขึ้นอยู่กับเครือข่ายเหล่านี้เราใช้ทั้งเครือข่ายระดับโลกและระดับภูมิภาคในการวิเคราะห์สถาปัตยกรรมโดยรวมและศูนย์กลางศูนย์กลางของเครือข่ายสมองสำหรับการเปรียบเทียบระดับกลุ่ม ตัวชี้วัดระดับโลกที่ใช้รวมถึงพารามิเตอร์ขนาดเล็กของโลกคือค่าสัมประสิทธิ์การจัดกลุ่ม () และความยาวเส้นทางลักษณะ () [49], [50]รวมถึงประสิทธิภาพเครือข่ายทั่วโลก () และประสิทธิภาพเครือข่ายท้องถิ่น () นอกจากนี้เราได้คำนวณมาตรการเหล่านี้ในเวอร์ชันปกติโดยใช้เครือข่ายแบบสุ่ม (และ ) เพื่อรับรองคุณสมบัติในโลกใบเล็ก ๆ ของเครือข่ายสมองที่สร้างขึ้น เรากำหนดเครือข่ายให้เป็นโลกใบเล็กถ้ามันตรงตามเกณฑ์สามข้อต่อไปนี้: , และอัตราส่วนโลกขนาดเล็ก . สามตัวชี้วัดศูนย์กลางศูนย์กลาง - องศา () ประสิทธิภาพ () และระหว่าง () - ของแต่ละพื้นที่สมองถูกคำนวณเพื่อตรวจสอบลักษณะเฉพาะของเครือข่ายการทำงาน [44], [46].

ในการตรวจสอบความแตกต่างระหว่างกลุ่มทางสถิติเราดำเนินการสองตัวอย่างสองตัวอย่าง ทดสอบกับเกณฑ์ของ (แก้ไข FDR) ในแต่ละเครือข่ายเมตริก (ทั่วโลกและภูมิภาค) ตามพื้นที่ภายใต้ส่วนโค้ง (AUC) ของแต่ละเครือข่ายเมตริกที่สร้างขึ้นจากระบอบการปกครองที่มีขนาดเล็กในโลก [48]. AUC ให้ข้อมูลสรุปเกี่ยวกับลักษณะทางโทโปโลยีของเครือข่ายสมองในระบอบการปกครองโลกเล็ก ๆ ทั้งหมดแทนที่จะพิจารณาเฉพาะโทโพโลยีที่ขอบเขต sparsity เดียว [44], [51]. โดยเฉพาะสำหรับการวัดแต่ละเครือข่ายอันดับแรกเราจะคำนวณค่า AUC ของแต่ละบุคคลในเครือข่ายที่มีการกระจายของระดับที่แตกต่างกันและดำเนินการสองตัวอย่าง - การทดสอบเชิงปริมาณเชิงปริมาณใด ๆ ระหว่างกลุ่ม IAD กับกลุ่มที่มีสุขภาพดี เป็นที่น่าสังเกตว่าก่อนการทดสอบทางสถิติเราใช้การถดถอยเชิงเส้นหลายครั้งเพื่อลบผลกระทบของอายุเพศและการศึกษารวมถึงการโต้ตอบ [31], [52]-[54].

ความน่าเชื่อถือและการทำซ้ำโดยใช้ฟังก์ชั่น Atlas

ในการศึกษาปัจจุบันเครือข่ายการเชื่อมต่อการทำงานถูกสร้างขึ้นในระดับภูมิภาคโดยการแยกส่วนสมองทั้งหมดออกเป็น 90 ROIs ตามแผนที่ AAL อย่างไรก็ตามมีรายงานว่าเครือข่ายสมองที่ได้มาจากแผนการ parcellation ที่แตกต่างกันหรือการใช้เครื่องชั่งเชิงพื้นที่ที่แตกต่างกันอาจแสดงสถาปัตยกรรมทอพอโลยีที่แตกต่างกัน [55]-[57]. เพื่อประเมินความน่าเชื่อถือและความสามารถในการทำซ้ำของผลลัพธ์ของเราเราทำการทดลองซ้ำโดยใช้แผนที่การทำงานของ Dosenbach [58]ซึ่งแบ่งส่วนสมองของมนุษย์ออกเป็น 160 ROIs รวมถึงสมองน้อย ในแผนที่นี้ ROI แต่ละเส้นจะถูกกำหนดเป็นสี่เหลี่ยมจัตุรัสขนาดเส้นผ่าศูนย์กลาง 10 มม. ล้อมรอบจุดเมล็ดที่เลือกและระยะห่างระหว่างศูนย์ ROI ทั้งหมดอย่างน้อย 10 มม. โดยไม่มีการทับซ้อนเชิงพื้นที่หมายความว่าพื้นที่สมองบางส่วนไม่ครอบคลุม

ความสัมพันธ์ระหว่างตัวชี้วัดเครือข่ายและคะแนนพฤติกรรม

สำหรับภูมิภาคเหล่านั้น (ตามแผนที่ AAL) ที่แสดงความแตกต่างของระดับกลุ่มที่สำคัญในการเป็นศูนย์กลางของภูมิภาคเราใช้ความสัมพันธ์แบบเพียร์สันเพียร์สัน (, แก้ไข FDR) เพื่อวิเคราะห์ความสัมพันธ์ระหว่างคุณสมบัติเครือข่ายของแต่ละภูมิภาคและคะแนนพฤติกรรมของแต่ละคน โดยเฉพาะอย่างยิ่งในการวิเคราะห์สหสัมพันธ์เมตริกเครือข่ายถือเป็นตัวแปรตามในขณะที่คะแนนพฤติกรรมเช่น BIS-11, TMDS, SDQ และ FAD ได้รับการปฏิบัติเป็นตัวแปรอิสระ เพื่อทำความเข้าใจเพิ่มเติมเกี่ยวกับความสัมพันธ์ระหว่างบริเวณสมองที่ได้รับผลกระทบและความรุนแรงของโรคเรายังคำนวณค่าสัมประสิทธิ์สหสัมพันธ์ของเพียร์สันระหว่างคุณลักษณะของเครือข่ายและคะแนน YIAS

ผลสอบ

ลักษณะทางประชากรและคลินิก

ไม่มีความแตกต่างอย่างมีนัยสำคัญในด้านอายุเพศและระดับการศึกษา (ทั้งหมดที่มี ) ระหว่างกลุ่ม IAD และกลุ่ม HC อย่างไรก็ตามการใช้อินเทอร์เน็ตมีความแตกต่างอย่างมีนัยสำคัญในแง่ของวันต่อสัปดาห์ () และชั่วโมงต่อวัน () ในขณะที่ไม่มีความแตกต่างอย่างมีนัยสำคัญระหว่างกลุ่มสำหรับคะแนน BIS-11 และ TMDS (ทั้งหมดด้วย ) SDQ-P () SDQ-C () และ FAD () คะแนนสูงกว่าอย่างมากในกลุ่ม IAD ดังที่แสดงใน 1 ตาราง และ รูป 1. ยวด YIAS () การวัดทางคลินิกที่ใช้ในการจำแนก IAD แสดงให้เห็นถึงความแตกต่างระดับกลุ่มที่สำคัญที่สุด

ภาพขนาดย่อ

รูปที่ 1 ความแตกต่างระหว่างกลุ่มในแง่ของมาตรการทางคลินิกและพฤติกรรม

(YIAS = มาตราส่วนการเสพติดอินเทอร์เน็ตของ Young, BIS-11 = Barratt Impulsiveness Scale-11, TMDS = Time Management Disposition Scale, SDQ-P = Strengths and hardies Questionnaire parent version, SDQ-C = Strengths and troubleies Questionnaire children version, FAD = McMaster อุปกรณ์ประเมินครอบครัว)

ดอย: 10.1371 / journal.pone.0107306.g001

การเชื่อมต่อการทำงานส่วนบุคคล

เปรียบเทียบกับกลุ่ม HC มีเพียงสามการเชื่อมต่อที่ใช้งานได้ซึ่งมีการเปลี่ยนแปลงอย่างมีนัยสำคัญหลังจากการแก้ไข FDR การเชื่อมต่อระหว่างสองซีกครึ่งหนึ่งระหว่างเชิงมุม gyrus ซ้าย (parietal กลีบ) และขวากลาง orbitofrontal เยื่อหุ้มสมอง (กลีบหน้าผาก) และอีกระหว่างซ้ายกระสวย gyrus (ท้ายทอยกลีบ) และกลีบ gyra เชิงมุมเพิ่มขึ้นแสดงความแข็งแกร่งในการเชื่อมต่อ ผู้ป่วย IAD การเชื่อมต่อภายในสมองซีกหนึ่งระหว่าง caudate ด้านขวา (subcortical cortex) และ gyrus supramarginal ด้านขวา (กลีบข้างขม่อม) แสดงการเชื่อมต่อที่ลดลงในกลุ่มโรค การเชื่อมต่อการทำงานที่มีการเปลี่ยนแปลงอย่างมีนัยสำคัญเหล่านี้มีภาพประกอบ รูป 2. การเชื่อมต่อสีแดงและสีน้ำเงินแสดงถึงการเชื่อมต่อการทำงานที่เพิ่มขึ้นและลดลงตามลำดับในกลุ่ม IAD โปรดทราบว่าการเชื่อมต่อการทำงานที่ได้รับผลกระทบส่วนใหญ่เกี่ยวข้องกับภูมิภาคที่อยู่ในซีกโลกด้านขวาและกลีบข้างขม่อม

ภาพขนาดย่อ

รูปที่ 2 การเชื่อมต่อการทำงานที่มีการเปลี่ยนแปลงอย่างมีนัยสำคัญในผู้ป่วย IAD (แก้ไข FDR)

สีแดง: เพิ่มการเชื่อมต่อการทำงานสีน้ำเงิน: ลดการเชื่อมต่อการทำงาน (FRO: หน้าผาก, INS: Insula, TEM: ชั่วคราว, PAR: Parietal, OCC: ท้ายทอย, LIM: Limbic, SBC: Subcortical) การสร้างภาพข้อมูลนี้สร้างขึ้นโดยใช้แพ็คเกจ BrainNet Viewer (http://www.nitrc.org/projects/bnv) และ Circos (http://circos.ca/).

ดอย: 10.1371 / journal.pone.0107306.g002

ลักษณะทั่วโลกของเครือข่ายการทำงาน

เราสำรวจคุณสมบัติเชิงทอพอโลยีของเครือข่ายสมองที่ทำงานได้จริงโดยการเปรียบเทียบพฤติกรรมโลกเล็ก ๆ ของพวกเขากับเครือข่ายแบบสุ่มเทียบเคียงผ่านเครือข่าย sparsity หลายระดับ . โดยเฉพาะอย่างยิ่งเราตรวจสอบพารามิเตอร์โลกขนาดเล็ก (เช่นค่าสัมประสิทธิ์การจัดกลุ่มความยาวเส้นทางลักษณะและอัตราส่วนโลกขนาดเล็ก ) รวมถึงประสิทธิภาพระดับโลกและระดับท้องถิ่น เครือข่ายแบบสุ่มที่ใช้ในการศึกษาเก็บรักษาจำนวนโหนดและขอบเช่นเดียวกับการแจกแจงระดับของเครือข่ายสมองจริงที่เกี่ยวข้องด้วยเทคนิคการเดินสายไฟที่อธิบายไว้ใน [59]. การวิเคราะห์ทางสถิติโดยใช้สองตัวอย่าง - การทดสอบ (แก้ไข FDR) ค่า AUC ในระบอบการปกครองโลกขนาดเล็กแสดงให้เห็นว่าไม่มีความแตกต่างอย่างมีนัยสำคัญระหว่างกลุ่ม IAD และ HC ในแง่ของคุณสมบัติเครือข่ายทั่วโลก

ลักษณะสำคัญของภูมิภาคของเครือข่ายการทำงาน

แม้จะมีโทโพโลยีขนาดเล็กในโลกทั่วไป แต่ก็มีความแตกต่างในระดับกลุ่มที่สังเกตเห็นได้ในศูนย์กลางของภูมิภาค ในการศึกษาครั้งนี้เราพิจารณาว่าพื้นที่สมองจะมีการเปลี่ยนแปลงอย่างมีนัยสำคัญในกลุ่ม IAD หากอย่างน้อยหนึ่งในสามของตัวชี้วัดระดับภูมิภาคที่สำคัญมี - ค่าน้อยกว่า 0.05 (แก้ไข FDR) ตามค่า AUC 2 ตาราง สรุปภูมิภาคที่มีการเปลี่ยนแปลงอย่างมีนัยสำคัญในผู้ป่วย IAD เมื่อเปรียบเทียบกับกลุ่ม HC ผู้ป่วยโรค IAD พบว่ามีการปรับเปลี่ยนศูนย์กลางเป็นสำคัญอยู่ที่ lobule (IPL) ด้อยกว่า parietal lobule (IPL) ด้านซ้ายฐานดอกซ้าย (THA) และภูมิภาคอื่น ๆ เช่นระบบ limbic โดยเฉพาะด้านขวา cingulate gyrus (ACG) และด้านขวา cingulate gyrus (MCG) ยวด IPL และ ACG เป็นส่วนประกอบของเครือข่ายโหมดเริ่มต้น (DMN) ซึ่งก่อนหน้านี้มีการเชื่อมโยงกับการเชื่อมต่อที่เปลี่ยนแปลงในการติดสาร [60]-[62].

ภาพขนาดย่อ

ตาราง 2 ภูมิภาคที่แสดงอาการที่เป็นปมที่ผิดปกติในผู้ป่วย IAD เปรียบเทียบกับกลุ่มควบคุมที่มีสุขภาพดี (HC) จากแผนที่ AAL

ดอย: 10.1371 / journal.pone.0107306.t002

ความน่าเชื่อถือและการทำซ้ำโดยใช้ฟังก์ชั่น Atlas

เมื่อใช้แผนที่ของ Dosenbach เพื่อกำหนด ROI ความแตกต่างของกลุ่มที่มีนัยสำคัญจะสังเกตได้จากการเชื่อมต่อส่วนหน้าและข้างขม่อมกับสมองส่วนหน้า การค้นพบนี้สรุปได้ใน 3 ตาราง. แม้ว่าการเชื่อมต่อเหล่านี้จะแตกต่างจากการระบุตามแผนที่ AAL แต่การเชื่อมต่อที่กระจัดกระจายส่วนใหญ่จะมีกลีบสมองเดียวกันยกเว้นบริเวณสมองน้อย ในแง่ของการวัดเครือข่ายทั่วโลกเราไม่พบความแตกต่างระหว่างกลุ่ม IAD และ HC คล้ายกับผลลัพธ์ที่อยู่บนแผนที่ AAL สำหรับตัวชี้วัดเครือข่ายท้องถิ่นเราพบว่าบางภูมิภาคที่ระบุตั้งอยู่ใกล้กับพื้นที่ที่ระบุตามแผนที่ AAL เช่น ACG และ THA ตามที่ระบุใน 4 ตาราง.

ภาพขนาดย่อ

ตาราง 3 การเชื่อมต่อที่ใช้งานได้ในบุคคล IAD ที่ประสบการเปลี่ยนแปลงที่สำคัญบนพื้นฐานของแผนที่ Dosenbach

ดอย: 10.1371 / journal.pone.0107306.t003

ภาพขนาดย่อ

ตารางที่ 4. ภูมิภาคที่แสดงจุดศูนย์กลางที่ผิดปกติในผู้ป่วย IAD เปรียบเทียบกับการควบคุมที่ดีต่อสุขภาพ (HC) ตามแผนที่ของ Dosenbach

ดอย: 10.1371 / journal.pone.0107306.t004

ความสัมพันธ์ระหว่างตัวชี้วัดเครือข่ายและการวัดพฤติกรรม

ไม่มีนัยสำคัญ (แก้ไข FDR) สหสัมพันธ์ระหว่างเมตริกเครือข่ายทั่วโลก (, , และ ) และคะแนนพฤติกรรมและทางคลินิก อย่างไรก็ตามตัวชี้วัดระดับภูมิภาคของหลายภูมิภาคมีความสำคัญ (แก้ไข FDR) มีความสัมพันธ์กับคะแนนพฤติกรรมและทางคลินิก ACG ที่ถูกต้องนั้นมีความสัมพันธ์เชิงบวกกับคะแนน YIAS MCG ที่เหมาะสมมีความสัมพันธ์เชิงบวกกับคะแนน YIAS THA ที่เหลือมีความสัมพันธ์เชิงบวกกับคะแนน YIAS และ SDQ-P อย่างไรก็ตาม IPL ด้านซ้ายไม่มีความสัมพันธ์อย่างมีนัยสำคัญกับคะแนนพฤติกรรมหรือทางคลินิกใด ๆ บริเวณสมองที่มีความสัมพันธ์อย่างมีนัยสำคัญกับคะแนนพฤติกรรมและคลินิกจะแสดงใน รูป 3.

ภาพขนาดย่อ

รูปที่ 3 บริเวณสมองที่มีความสัมพันธ์อย่างมีนัยสำคัญกับคะแนนพฤติกรรมและทางคลินิกในกลุ่ม IAD (แก้ไข FDR)

ภาพประกอบนี้สร้างขึ้นโดยใช้แพ็คเกจ BrainNet Viewer (http://www.nitrc.org/projects/bnv). (YIAS = คะแนนการติดอินเทอร์เน็ตของ Young, BIS-11 = Barratt Impulsiveness Scale-11, TMDS = Time Management Disposition Scale, SDQ-P = Strengths and hardies Questionnaire parent version, SDQ-C = Strengths and hardies Questionnaire children version)

ดอย: 10.1371 / journal.pone.0107306.g003

การสนทนา

การเปลี่ยนแปลงการเชื่อมต่อการทำงานส่วนบุคคล

ข้อมูลเชิงลึกเกี่ยวกับกลไกการพัฒนาสมองของมนุษย์เป็นสิ่งสำคัญสำหรับความเข้าใจที่ดีขึ้นเกี่ยวกับปัจจัยพื้นฐานทางพยาธิวิทยาของความผิดปกติที่มีผลต่อเด็กและวัยรุ่นซึ่งนำไปสู่การรักษาในระยะเริ่มแรกที่เป็นไปได้ จากการวิเคราะห์ทางทฤษฎีกราฟของข้อมูล R-fMRI พบว่าการจัดระเบียบหน้าที่ของสมองมนุษย์เติบโตและวิวัฒนาการจากวัยเด็กไปสู่วัยรุ่นไปจนถึงวัยผู้ใหญ่โดยเป็นไปตามแนวโน้มที่ไม่เหมือนใครนั่นคือการแยกการทำงานที่มากขึ้นในเด็กและการรวมฟังก์ชันที่มากขึ้นในผู้ใหญ่ที่ ระดับสมองทั้งหมด [63]-[66]. โดยเฉพาะอย่างยิ่งองค์กรของเครือข่ายสมองที่ใช้งานได้เปลี่ยนจากการเชื่อมต่อในท้องถิ่นเป็นสถาปัตยกรรมที่มีการกระจายมากกว่าพร้อมการพัฒนา [63], [66]ที่ผู้ใหญ่มักจะมีการเชื่อมต่อการทำงานระยะสั้นที่อ่อนแอและการเชื่อมต่อการทำงานระยะยาวที่แข็งแกร่งกว่าเด็ก [65].

การค้นพบของเราแสดงให้เห็นว่าการเชื่อมต่อที่หยุดชะงักที่สังเกตใน IAD แม้ว่าจะมีเพียงไม่กี่คนหลังจากการแก้ไข FDR แต่เป็นการเชื่อมต่อการทำงานระยะยาวและระหว่างสมองที่มีความสำคัญสำหรับการสื่อสารทางไกลในสมองของมนุษย์ การหยุดชะงักของการเชื่อมต่อระยะยาวและระหว่างสมองเป็นอาการที่พบบ่อยในความผิดปกติของพฤติกรรมหลายอย่างรวมทั้งออทิสติก [67]-[70], โรคจิตเภท [71], การติด opioid [72], [73]และติดยาเสพติดโคเคน [74]. การด้อยค่าของการเชื่อมต่อระยะยาวสามารถมองเห็นเป็นความล้มเหลวของกระบวนการบูรณาการภายในเครือข่ายการทำงานที่กระจายของสมองมนุษย์ [63], [64], [75]ความเบี่ยงเบนจากวิถีการพัฒนาทางระบบประสาทปกติ ดังนั้นเราคาดการณ์ว่าความผิดปกติของการพัฒนาการเชื่อมต่อระยะยาวและระหว่างสมองซีกในวัยรุ่น IAD ที่สังเกตในการศึกษานี้เป็นหนึ่งในเหตุผลที่เป็นไปได้สำหรับพฤติกรรมเสพติดของพวกเขา

การเปลี่ยนแปลงคุณสมบัติเครือข่ายทั่วโลก

สมองของมนุษย์ถือได้ว่าเป็นระบบไดนามิกที่ซับซ้อนและเชื่อมต่อกันขนาดใหญ่ที่มีคุณสมบัติทางโทโพโลยีที่สำคัญเช่นโลกขนาดเล็กประสิทธิภาพสูงในราคาที่สายไฟต่ำและฮับที่เชื่อมต่ออย่างสูง [46], [76]-[79]. ในเครือข่ายขนาดเล็กของโลกโหนดจะถูกรวมเข้าด้วยกันในท้องถิ่นเพื่อสนับสนุนการประมวลผลข้อมูลแบบแยกส่วนและเชื่อมต่อจากระยะไกลผ่านการเชื่อมต่อระยะไกลจำนวนน้อยเพื่อการกำหนดเส้นทางโดยรวมที่มีประสิทธิภาพ [50]. ทั้งกลุ่ม IAD และ HC แสดงให้เห็นถึงคุณสมบัติขนาดเล็กในโลกเช่นค่าสัมประสิทธิ์การจัดกลุ่มสูง () และความยาวเส้นทางลักษณะที่คล้ายกัน () เมื่อเทียบกับเครือข่ายแบบสุ่มเทียบเคียง อย่างไรก็ตามเราสังเกตว่าค่าสัมประสิทธิ์การจัดกลุ่มปกติที่มีขนาดใหญ่ขึ้นอย่างต่อเนื่องและความยาวเส้นทางลักษณะคล้ายกันในกลุ่ม IAD เปรียบเทียบกับกลุ่ม HC มากกว่าความหนาแน่นการเชื่อมต่อซึ่งสอดคล้องกับการศึกษาก่อนหน้า R-fMRI [26]. ค่าสัมประสิทธิ์การจัดกลุ่มขนาดใหญ่สะท้อนให้เห็นถึงการรวมกันของเส้นประสาทที่กระจัดกระจายระหว่างภูมิภาคที่ห่างไกลซึ่งแสดงการเชื่อมต่อการทำงานระยะสั้นค่อนข้างห่างไกลและค่อนข้างหนาแน่นใน IAD และกลุ่ม HC ความคืบหน้าของขั้นตอนทางคลินิกจากอ่อนถึงรุนแรงอาจทำให้เกิดการด้อยค่าหรือขาดการเชื่อมต่อของการเชื่อมต่อทางไกลและอาจกระตุ้นให้มีการจัดตั้งการเชื่อมต่อระยะสั้นภายในคลัสเตอร์เป็นเส้นทางทางเลือกเพื่อรักษาการส่งข้อมูลระหว่างสองภูมิภาค อย่างไรก็ตามการสร้างการเชื่อมต่อระยะสั้นอาจแนะนำกลุ่มที่ผิดปกติซึ่งเพิ่มความเสี่ยงในการสร้างการไหลของข้อมูลที่ไม่มีการควบคุมหรือสุ่มผ่านเครือข่ายทั้งหมด ในทางกลับกันเครือข่ายสมองทั้งหมดแสดงให้เห็นถึงการประมวลผลข้อมูลแบบขนานที่คล้ายคลึงกันของประสิทธิภาพระดับโลกและระดับท้องถิ่นเปรียบเทียบกับเครือข่ายแบบสุ่มที่เปรียบเทียบกันได้ [80]. การค้นพบเหล่านี้สนับสนุนแนวคิดของแบบจำลองสมองโลกมนุษย์ขนาดเล็กที่ให้การผสมผสานที่สมดุลระหว่างความเชี่ยวชาญในท้องถิ่นและการรวมเข้าด้วยกันทั่วโลก [81]. การสังเกตของเราไม่มีความแตกต่างอย่างมีนัยสำคัญระหว่างกลุ่ม IAD และ HC ในแง่ของคุณสมบัติเครือข่ายทั่วโลกอาจบ่งบอกว่าการเปลี่ยนแปลงโครงสร้างเครือข่ายการทำงานใน IAD นั้นบอบบาง ดังนั้นการวิจัยเพิ่มเติมเกี่ยวกับไบโอมาร์คเกอร์ IAD เฉพาะภูมิภาคสามารถเปิดเผยข้อมูลที่สำคัญเกี่ยวกับพยาธิสภาพของโรคและการติดยาโดยทั่วไป

ลักษณะสำคัญของภูมิภาคของเครือข่ายการทำงาน

การเปลี่ยนแปลงที่เกี่ยวข้องกับ IAD ของศูนย์กลางศูนย์กลางพบได้ในองค์ประกอบของระบบลิมบิก ได้แก่ ACG และ MCG, IPL และ THA ความแปรปรวนของภูมิภาคเหล่านี้รวมถึงเส้นทางการเชื่อมต่อที่เกี่ยวข้องสามารถตีความเพื่อสะท้อนประสิทธิภาพการประมวลผลข้อมูลที่ลดลงซึ่งอาจสะท้อนถึงการหยุดชะงักของฟังก์ชั่นใน IAD

cingulate gyrus (CG) ซึ่งเป็นส่วนสำคัญของระบบ limbic มีส่วนร่วมในการสร้างอารมณ์และการประมวลผลการเรียนรู้และความจำการทำงานของผู้บริหารและการควบคุมระบบทางเดินหายใจ [82]. มันได้รับข้อมูลจาก THA และนีโอคอร์เท็กซ์และโปรเจ็กต์ไปยังคอร์เท็กซ์เยื่อหุ้มสมองผ่านทาง cingulum เส้นทางนี้มุ่งเน้นไปที่เหตุการณ์สำคัญทางอารมณ์และควบคุมพฤติกรรมก้าวร้าว [29]. การหยุดชะงักของฟังก์ชั่นที่เกี่ยวข้องกับ CG อาจทำให้ความสามารถในการตรวจสอบและควบคุมพฤติกรรมของแต่ละคนลดลงโดยเฉพาะพฤติกรรมที่เกี่ยวข้องกับอารมณ์ [83]. การวิเคราะห์สารเสพติดและพฤติกรรมส่วนใหญ่แสดงให้เห็นการเปลี่ยนแปลงที่สำคัญในส่วนหน้าและส่วนหลังของ CG (ACG และ PCG) รวมถึงการติดแอลกอฮอล์ [84]การพนันทางพยาธิวิทยา [85]และ IAD [27], [29]. ในผู้เสพโคเคนมีรายงานการเปลี่ยนแปลงเพิ่มเติมใน MCG เช่นเดียวกัน [86]. ในการศึกษา fMRI ก่อนหน้านี้ก็แสดงให้เห็นว่า CG ด้านหน้า, กลางและด้านหลังได้รับผลกระทบทั้งหมดในเงื่อนไขการให้รางวัลและการลงโทษ [87]. เนื่องจากบทบาทของ MCG ในการประมวลผลอารมณ์เชิงบวกและเชิงลบจึงไม่น่าแปลกใจที่ภูมิภาคแสดงให้เห็นถึงการหยุดชะงักการเชื่อมต่อที่สำคัญในผู้ป่วย IAD

THA เป็นกระดานข้อมูลสมองและมีส่วนร่วมในการทำงานของสมองมากมายรวมถึงการประมวลผลรางวัล [88], พฤติกรรมที่มุ่งไปยังเป้าหมาย, และการรับรู้และหน้าที่ของมอเตอร์ [89]. มันถ่ายทอดสัญญาณประสาทสัมผัสและมอเตอร์จากภูมิภาค subcortical ไปยังเปลือกสมอง [90]. ผ่าน THA, เยื่อหุ้มสมอง orbitofrontal ได้รับการคาดการณ์โดยตรงและโดยอ้อมจากภูมิภาคสมอง limbic อื่น ๆ ที่เกี่ยวข้องกับการเสริมแรงยาเสพติดเช่น amygdala, CG และฮิบโป [91]เพื่อควบคุมและแก้ไขพฤติกรรมที่เกี่ยวข้องกับการให้รางวัลและการลงโทษ [92]. วงจร thalamo-cortical ผิดปกติที่พบในผู้ติดเกมออนไลน์ [93] อาจแนะนำการด้อยค่าของฟังก์ชัน THA ที่เกี่ยวข้องกับรูปแบบเรื้อรังของคุณภาพการนอนหลับที่ไม่ดี [94] และมุ่งเน้นไปที่คอมพิวเตอร์อย่างล้นหลาม นอกจากนี้ THA ยังเชื่อมต่อกับฮิบโปด้วย [95] เป็นส่วนหนึ่งของระบบ hippocampal แบบขยายซึ่งมีความสำคัญสำหรับฟังก์ชันการรับรู้เช่นการนำทางเชิงพื้นที่และการรวมข้อมูลจากหน่วยความจำระยะสั้นไปยังหน่วยความจำระยะยาว [96], [97].

เราสังเกตเห็นการเปลี่ยนแปลงที่สำคัญของศูนย์กลางที่สำคัญใน IPL ซึ่งสอดคล้องกับผลลัพธ์ที่รายงานในการศึกษา IAD ที่ใช้ R-fMRI เมื่อเร็ว ๆ นี้ [24], [93]. เช่นเดียวกับ THA IPL นั้นเชื่อมโยงกับเยื่อหุ้มสมองหูและสายตาอย่างเต็มรูปแบบและสามารถประมวลผลสิ่งกระตุ้นต่าง ๆ ได้พร้อมกัน ในฐานะที่เป็นหนึ่งในโครงสร้างที่พัฒนาขึ้นล่าสุดของสมองมนุษย์ในระหว่างการพัฒนา IPL อาจเสี่ยงต่อการได้รับการได้ยินและการกระตุ้นทางสายตามากเกินไปโดยเฉพาะในวัยเด็ก การลดลงของ IPL ที่เกิดจากการใช้อินเทอร์เน็ตมากเกินไปอาจยับยั้งความสามารถของบุคคลในการไกล่เกลี่ยการยับยั้งการตอบสนองที่ถูกต้องของการควบคุมแรงกระตุ้น [98], [99]สร้างความเสียหายต่อความสามารถในการต้านทานความอยากทางอินเทอร์เน็ตซึ่งอาจทำให้ IPL ลดลง รูปแบบวงกลมดังกล่าวมักจะเห็นในสารเสพติดและพฤติกรรม

ภูมิภาคของ DMN มักจะพักมากกว่าการทำงานตามเป้าหมาย [62]. ภูมิภาคเหล่านี้มีส่วนร่วมในการปรับอารมณ์และกิจกรรมอ้างอิงตนเองรวมถึงการประเมินความสำคัญของการชี้นำภายในและภายนอกการจดจำอดีตและการวางแผนอนาคต [60], [62]ซึ่งเป็นเกณฑ์สำคัญในการวินิจฉัยโรค IAD ก่อนหน้านี้ได้รับการแนะนำว่าการเชื่อมต่อที่เปลี่ยนแปลงที่เกี่ยวข้องกับภูมิภาค DMN ก่อให้เกิดพฤติกรรมอาการต่าง ๆ ในโรค [100]รวมถึงสารเสพติด [101], [102] และพฤติกรรมเสพติด [24], [103]. การค้นพบของเราเกี่ยวกับการเปลี่ยนแปลงของการเชื่อมต่อการทำงานที่เกี่ยวข้องกับหลายภูมิภาคของ DMN นั้นบางส่วนสอดคล้องกับข้อสังเกตก่อนหน้านี้ซึ่งชี้ให้เห็นว่า DMN มีศักยภาพที่จะทำหน้าที่เป็นไบโอมาร์คเกอร์สำหรับระบุผู้ป่วย IAD

ความน่าเชื่อถือและการทำซ้ำโดยใช้ฟังก์ชั่น Atlas

บริเวณสมองผิดปกติที่ระบุตาม AAL Atlas นั้นถูกระบุด้วยการใช้ atlas ที่ทำงานสนับสนุนความน่าเชื่อถือและการทำซ้ำของผลลัพธ์ของเรา เหตุผลหนึ่งที่เป็นไปได้ของผลลัพธ์ที่ต่างกันเล็กน้อยคือระบอบการปกครอง ใช้ในการศึกษานี้ ลักษณะของโลกขนาดเล็กของเครือข่ายการเชื่อมต่อที่สร้างขึ้นบนแผนที่ AAL ของ 90 ROIs สอดคล้องกันมากที่สุดในช่วงนี้ [44]. อย่างไรก็ตามช่วงของการกระจัดกระจายอาจไม่เหมาะสำหรับแผนที่ที่มีจำนวน ROIs ต่างกัน นอกจากนี้ ROIs ที่ได้จากแผนที่ Dosenbach นั้นถูกกำหนดตามหน้าที่และไม่ครอบคลุมทั้งสมอง [58]. ในแผนที่นี้จุดศูนย์กลางของ 160 ROIs ทั้งหมดจะถูกระบุเป็นครั้งแรกและทรงกลมที่มีรัศมี 5 มม. จะโตขึ้นจากแต่ละจุดศูนย์กลางทำให้เกิดผลตอบแทนการลงทุนทรงกลม 10 มม. จุดกึ่งกลางของ ROI แต่ละชุดจะต้องมีอย่างน้อย 10 มม. นอกเหนือจากศูนย์กลางของ ROIs อื่น ๆ ซึ่งนำไปสู่แผนที่ที่ไม่มีการทับซ้อนกัน ในทางกลับกันแผนที่ AAL ครอบคลุมเนื้อเยื่อของสีเทาของมันสมองทั้งหมด ความแตกต่างเหล่านี้ในคำจำกัดความ ROI และพื้นที่โดยรวมที่ครอบคลุมอาจนำไปสู่การเปลี่ยนแปลงของผลลัพธ์ ดังนั้นการวิจัยเพิ่มเติมโดยใช้กลุ่มที่มีขนาดใหญ่จึงเป็นสิ่งจำเป็นในการกำหนดขอบเขตของการเลือกแผนการแบ่งส่วนของสมองที่มีผลต่อลักษณะของเครือข่ายทอพอโลยี

ความสัมพันธ์ระหว่างตัวชี้วัดเครือข่ายและการวัดพฤติกรรม

ในการศึกษานี้เราไม่ได้สังเกตความสัมพันธ์ระหว่างตัวชี้วัดเครือข่ายทั่วโลกและมาตรการเชิงพฤติกรรมซึ่งบ่งบอกถึงการขาดการเปลี่ยนแปลงในโทโพโลยีเครือข่ายสมองทั้งหมด การค้นพบนี้ยังอาจชี้ให้เห็นว่ารูปแบบของเครือข่ายสมองนั้นบอบบางเนื่องจากความเป็นพลาสติกของสมองมนุษย์ (ระบบประสาท) [104], [105] ในการกู้คืนการทำงานส่วนใหญ่ในแต่ละวันผ่านทางเลือกอื่น (วงจรประสาท) ความยืดหยุ่นของสมองเกี่ยวข้องกับการปรับโครงสร้างของการเชื่อมต่อระหว่างเซลล์ประสาทหรือเซลล์ประสาทและสามารถได้รับอิทธิพลจากปัจจัยต่าง ๆ มากมาย [106]-[108]. มันเกิดขึ้นในลักษณะที่เกี่ยวข้องกับอายุที่แพร่หลายมากขึ้นในช่วงวัยเด็กและวัยรุ่นมากกว่าวัยแสดงให้เห็นการฟื้นตัวที่ดีขึ้นของการเชื่อมต่อของเซลล์ประสาทที่บกพร่องในวัยรุ่นที่มี IAD ยิ่งไปกว่านั้นมันแสดงให้เห็นว่ามีความหลากหลายของสภาพพฤติกรรมตั้งแต่ติดยาเสพติดไปจนถึงระบบประสาทและความผิดปกติทางจิตเวชมีความสัมพันธ์กับการเปลี่ยนแปลงเฉพาะในวงจรประสาท [106]. ดังนั้นจึงไม่น่าแปลกใจที่การวัดระดับเครือข่ายทั่วโลกในระดับหยาบเช่นค่าสัมประสิทธิ์การจัดกลุ่มความยาวเส้นทางลักษณะและประสิทธิภาพของเครือข่ายมีความไวน้อยกว่าในการตรวจจับการเปลี่ยนแปลงของวงจรสมองในกลุ่ม IAD

อย่างไรก็ตามตัวชี้วัดระดับภูมิภาคของภูมิภาคสมองหลายแห่งมีความสัมพันธ์กับมาตรการพฤติกรรมบางอย่าง โดยเฉพาะอย่างยิ่ง SDQ-P รุ่นแม่ซึ่งวัดทั้งความสามารถของแต่ละบุคคลในการจัดการความหุนหันพลันแล่นและความรุนแรงของอารมณ์และปัญหาพฤติกรรมทางสังคมบนพื้นฐานของข้อมูลที่ได้รับจากผู้ปกครองของวัยรุ่นที่ศึกษานั้นเป็นไปในเชิงบวก สัมพันธ์กับพื้นที่สมองที่ได้รับผลกระทบจากการทำงานที่พบใน IAD การไร้ความสามารถในการควบคุมพฤติกรรมและอารมณ์หุนหันพลันแล่นเป็นหนึ่งในอาการพฤติกรรมหลัก เป็นเรื่องปกติที่ผู้ป่วยจะไม่รับรู้ถึงการเปลี่ยนแปลงอารมณ์และพฤติกรรมของพวกเขาแม้ว่าการเปลี่ยนแปลงเหล่านี้จะค่อนข้างชัดเจนกับคนรอบตัวพวกเขา นี่อาจเป็นเหตุผลหลักว่าทำไมไม่มีมาตรการเครือข่ายใดที่มีความสัมพันธ์กับ SDQ รุ่นลูก (SDQ-C) เนื่องจากลักษณะการประเมินตนเอง ในขณะที่ไม่มีความสัมพันธ์อย่างมีนัยสำคัญระหว่างมาตรการเครือข่ายระดับภูมิภาคและมาตรการพฤติกรรมอื่น ๆ รวมถึง BIS-11, FAD และ TMDS การค้นพบนี้ได้รับการสนับสนุนจากคนจำนวนมาก - ค่าสำหรับมาตรการเหล่านี้ระหว่าง IAD และกลุ่มที่มีสุขภาพดี (1 ตาราง) การค้นพบเหล่านี้อาจชี้ให้เห็นว่ามาตรการเชิงพฤติกรรมบางอย่างมีประโยชน์ในการกำหนดภูมิภาคที่ได้รับผลกระทบและช่วยในการวินิจฉัยโรค IAD แม้ว่าจะต้องมีการทำงานจำนวนมากเพื่อทำความเข้าใจบทบาทของมาตรการเหล่านี้ในการติดพฤติกรรมหรือความผิดปกติ

ปัญหา / ข้อ จำกัด ของระเบียบวิธี

มีข้อ จำกัด หลายประการที่ควรเน้นในการศึกษานี้ ขั้นแรกการวินิจฉัยของ IAD ขึ้นอยู่กับผลลัพธ์จากแบบสอบถามที่รายงานด้วยตนเองซึ่งอาจส่งผลต่อความน่าเชื่อถือของการวินิจฉัย ในอนาคตเครื่องมือวินิจฉัยมาตรฐานสำหรับการระบุ IAD ต้องได้รับการพัฒนาเพื่อปรับปรุงความน่าเชื่อถือและความถูกต้องของการวินิจฉัย IAD ประการที่สองการศึกษาของเราถูก จำกัด ด้วยขนาดตัวอย่างขนาดเล็กและความไม่สมดุลของเพศของผู้เข้าร่วม (เพศชาย 31 และเพศหญิง 4) ซึ่งอาจลดกำลังทางสถิติและความสามารถในการสรุปทั่วไปของการค้นพบแม้ว่าปัจจัยเหล่านี้จะถูกควบคุมในการวิเคราะห์ ผลกระทบของเพศต่อความชุกของ IAD ยังคงเป็นปัญหาที่ถกเถียงกัน จากการค้นพบของ Young [35]ผู้หญิงจำนวนมากมีการพึ่งพาอินเทอร์เน็ต ในทางตรงกันข้ามการศึกษาล่าสุดหนึ่งรายงานว่าผู้ชายแสดงความเสี่ยงที่สูงขึ้นของพฤติกรรม IAD [109]. อย่างไรก็ตามมีรายงานว่าไม่มีความสัมพันธ์ระหว่างเพศกับ IAD [110], [111]. การทดลองในอนาคตโดยใช้กลุ่มที่มีขนาดใหญ่ขึ้นและมีอัตราส่วนเพศที่สมดุลมากขึ้นจะต้องมีการประเมินความสัมพันธ์ระหว่างเพศและความอ่อนแอของ IAD ได้ดีขึ้น

ข้อมูลสนับสนุน

ไฟล์ S1

วัสดุเสริม

ดอย: 10.1371 / journal.pone.0107306.s001

(PDF)

กิตติกรรมประกาศ

งานนี้ได้รับการสนับสนุนบางส่วนโดย National Institutes of Health (NIH) ทุน EB006733, EB008374, EB009634, AG041721 และ CA140413 ตลอดจน National Natural Science Foundation of China (81171325) และ National Key Technology R&D Program 2007BAI17B03

ผลงานของผู้เขียน

รู้สึกและออกแบบการทดลอง: CYW ZZ PTY GW FS TP YD JX YZ DS ดำเนินการทดลอง: CYW ZZ YD JX YZ DS วิเคราะห์ข้อมูล: CYW PTY DS เครื่องมือรีเอเจนต์ / วัสดุ / การวิเคราะห์ที่สนับสนุน: ZZ YD JX YZ เขียนบทความ: CYW PTY TP DS

อ้างอิง

  1. 1 Ng BD, Wiemer-Hastings P (2005) การเสพติดอินเทอร์เน็ตและเกมออนไลน์ ไซเบอร์สปิล Behav 8: 110 – 113 doi: 10.1089 / cpb.2005.8.110
  2. 2 Young KS (1998) การติดอินเทอร์เน็ต: การเกิดขึ้นของความผิดปกติทางคลินิกใหม่ ไซเบอร์สปิล Behav 1: 237 – 244 doi: 10.1089 / cpb.1998.1.237
  3. ดูบทความ
  4. PubMed / NCBI
  5. Google Scholar
  6. ดูบทความ
  7. PubMed / NCBI
  8. Google Scholar
  9. ดูบทความ
  10. PubMed / NCBI
  11. Google Scholar
  12. ดูบทความ
  13. PubMed / NCBI
  14. Google Scholar
  15. ดูบทความ
  16. PubMed / NCBI
  17. Google Scholar
  18. ดูบทความ
  19. PubMed / NCBI
  20. Google Scholar
  21. ดูบทความ
  22. PubMed / NCBI
  23. Google Scholar
  24. ดูบทความ
  25. PubMed / NCBI
  26. Google Scholar
  27. ดูบทความ
  28. PubMed / NCBI
  29. Google Scholar
  30. ดูบทความ
  31. PubMed / NCBI
  32. Google Scholar
  33. ดูบทความ
  34. PubMed / NCBI
  35. Google Scholar
  36. ดูบทความ
  37. PubMed / NCBI
  38. Google Scholar
  39. ดูบทความ
  40. PubMed / NCBI
  41. Google Scholar
  42. ดูบทความ
  43. PubMed / NCBI
  44. Google Scholar
  45. 3 Ko CH, Yen JY, CF CF, Chen CS, Chen CC (2012) ความสัมพันธ์ระหว่างการติดอินเทอร์เน็ตและความผิดปกติทางจิตเวช: การทบทวนวรรณกรรม Eur Psychiatry 27: 1 – 8 doi: 10.1016 / j.eurpsy.2010.04.011
  46. ดูบทความ
  47. PubMed / NCBI
  48. Google Scholar
  49. ดูบทความ
  50. PubMed / NCBI
  51. Google Scholar
  52. ดูบทความ
  53. PubMed / NCBI
  54. Google Scholar
  55. ดูบทความ
  56. PubMed / NCBI
  57. Google Scholar
  58. ดูบทความ
  59. PubMed / NCBI
  60. Google Scholar
  61. ดูบทความ
  62. PubMed / NCBI
  63. Google Scholar
  64. ดูบทความ
  65. PubMed / NCBI
  66. Google Scholar
  67. ดูบทความ
  68. PubMed / NCBI
  69. Google Scholar
  70. ดูบทความ
  71. PubMed / NCBI
  72. Google Scholar
  73. ดูบทความ
  74. PubMed / NCBI
  75. Google Scholar
  76. 4 Block J (2006) ความชุกประเมินในการใช้งานอินเทอร์เน็ตที่มีปัญหา CNS Spectr 12: 14 – 15
  77. ดูบทความ
  78. PubMed / NCBI
  79. Google Scholar
  80. ดูบทความ
  81. PubMed / NCBI
  82. Google Scholar
  83. ดูบทความ
  84. PubMed / NCBI
  85. Google Scholar
  86. ดูบทความ
  87. PubMed / NCBI
  88. Google Scholar
  89. 5 Fitzpatrick JJ (2008) การเสพติดอินเทอร์เน็ต: การรับรู้และการแทรกแซง Arch Neurol 22: 59 – 60 doi: 10.1016 / j.apnu.2007.12.001
  90. ดูบทความ
  91. PubMed / NCBI
  92. Google Scholar
  93. ดูบทความ
  94. PubMed / NCBI
  95. Google Scholar
  96. 6 Cao F, Su L, Liu T, Gao X (2007) ความสัมพันธ์ระหว่างความหุนหันพลันแล่นกับการติดอินเทอร์เน็ตในตัวอย่างของวัยรุ่นจีน Eur Psychiatry 22: 466 – 471 doi: 10.1016 / j.eurpsy.2007.05.004
  97. ดูบทความ
  98. PubMed / NCBI
  99. Google Scholar
  100. ดูบทความ
  101. PubMed / NCBI
  102. Google Scholar
  103. ดูบทความ
  104. PubMed / NCBI
  105. Google Scholar
  106. ดูบทความ
  107. PubMed / NCBI
  108. Google Scholar
  109. ดูบทความ
  110. PubMed / NCBI
  111. Google Scholar
  112. ดูบทความ
  113. PubMed / NCBI
  114. Google Scholar
  115. ดูบทความ
  116. PubMed / NCBI
  117. Google Scholar
  118. ดูบทความ
  119. PubMed / NCBI
  120. Google Scholar
  121. ดูบทความ
  122. PubMed / NCBI
  123. Google Scholar
  124. ดูบทความ
  125. PubMed / NCBI
  126. Google Scholar
  127. ดูบทความ
  128. PubMed / NCBI
  129. Google Scholar
  130. ดูบทความ
  131. PubMed / NCBI
  132. Google Scholar
  133. ดูบทความ
  134. PubMed / NCBI
  135. Google Scholar
  136. ดูบทความ
  137. PubMed / NCBI
  138. Google Scholar
  139. ดูบทความ
  140. PubMed / NCBI
  141. Google Scholar
  142. ดูบทความ
  143. PubMed / NCBI
  144. Google Scholar
  145. ดูบทความ
  146. PubMed / NCBI
  147. Google Scholar
  148. ดูบทความ
  149. PubMed / NCBI
  150. Google Scholar
  151. ดูบทความ
  152. PubMed / NCBI
  153. Google Scholar
  154. ดูบทความ
  155. PubMed / NCBI
  156. Google Scholar
  157. ดูบทความ
  158. PubMed / NCBI
  159. Google Scholar
  160. ดูบทความ
  161. PubMed / NCBI
  162. Google Scholar
  163. ดูบทความ
  164. PubMed / NCBI
  165. Google Scholar
  166. ดูบทความ
  167. PubMed / NCBI
  168. Google Scholar
  169. ดูบทความ
  170. PubMed / NCBI
  171. Google Scholar
  172. ดูบทความ
  173. PubMed / NCBI
  174. Google Scholar
  175. ดูบทความ
  176. PubMed / NCBI
  177. Google Scholar
  178. ดูบทความ
  179. PubMed / NCBI
  180. Google Scholar
  181. ดูบทความ
  182. PubMed / NCBI
  183. Google Scholar
  184. ดูบทความ
  185. PubMed / NCBI
  186. Google Scholar
  187. ดูบทความ
  188. PubMed / NCBI
  189. Google Scholar
  190. ดูบทความ
  191. PubMed / NCBI
  192. Google Scholar
  193. ดูบทความ
  194. PubMed / NCBI
  195. Google Scholar
  196. ดูบทความ
  197. PubMed / NCBI
  198. Google Scholar
  199. ดูบทความ
  200. PubMed / NCBI
  201. Google Scholar
  202. ดูบทความ
  203. PubMed / NCBI
  204. Google Scholar
  205. ดูบทความ
  206. PubMed / NCBI
  207. Google Scholar
  208. ดูบทความ
  209. PubMed / NCBI
  210. Google Scholar
  211. ดูบทความ
  212. PubMed / NCBI
  213. Google Scholar
  214. ดูบทความ
  215. PubMed / NCBI
  216. Google Scholar
  217. ดูบทความ
  218. PubMed / NCBI
  219. Google Scholar
  220. ดูบทความ
  221. PubMed / NCBI
  222. Google Scholar
  223. ดูบทความ
  224. PubMed / NCBI
  225. Google Scholar
  226. ดูบทความ
  227. PubMed / NCBI
  228. Google Scholar
  229. ดูบทความ
  230. PubMed / NCBI
  231. Google Scholar
  232. ดูบทความ
  233. PubMed / NCBI
  234. Google Scholar
  235. ดูบทความ
  236. PubMed / NCBI
  237. Google Scholar
  238. ดูบทความ
  239. PubMed / NCBI
  240. Google Scholar
  241. ดูบทความ
  242. PubMed / NCBI
  243. Google Scholar
  244. ดูบทความ
  245. PubMed / NCBI
  246. Google Scholar
  247. ดูบทความ
  248. PubMed / NCBI
  249. Google Scholar
  250. ดูบทความ
  251. PubMed / NCBI
  252. Google Scholar
  253. ดูบทความ
  254. PubMed / NCBI
  255. Google Scholar
  256. ดูบทความ
  257. PubMed / NCBI
  258. Google Scholar
  259. ดูบทความ
  260. PubMed / NCBI
  261. Google Scholar
  262. ดูบทความ
  263. PubMed / NCBI
  264. Google Scholar
  265. ดูบทความ
  266. PubMed / NCBI
  267. Google Scholar
  268. ดูบทความ
  269. PubMed / NCBI
  270. Google Scholar
  271. ดูบทความ
  272. PubMed / NCBI
  273. Google Scholar
  274. ดูบทความ
  275. PubMed / NCBI
  276. Google Scholar
  277. ดูบทความ
  278. PubMed / NCBI
  279. Google Scholar
  280. ดูบทความ
  281. PubMed / NCBI
  282. Google Scholar
  283. ดูบทความ
  284. PubMed / NCBI
  285. Google Scholar
  286. ดูบทความ
  287. PubMed / NCBI
  288. Google Scholar
  289. ดูบทความ
  290. PubMed / NCBI
  291. Google Scholar
  292. ดูบทความ
  293. PubMed / NCBI
  294. Google Scholar
  295. ดูบทความ
  296. PubMed / NCBI
  297. Google Scholar
  298. ดูบทความ
  299. PubMed / NCBI
  300. Google Scholar
  301. ดูบทความ
  302. PubMed / NCBI
  303. Google Scholar
  304. 7 Yuan K, Qin W, Wang G, Zeng F, Zhao L และคณะ (2011) ความผิดปกติของโครงสร้างจุลภาคในวัยรุ่นที่มีอาการติดอินเทอร์เน็ต โปรด ONE 6: e20708 doi: 10.1371 / journal.pone.0020708
  305. ดูบทความ
  306. PubMed / NCBI
  307. Google Scholar
  308. ดูบทความ
  309. PubMed / NCBI
  310. Google Scholar
  311. ดูบทความ
  312. PubMed / NCBI
  313. Google Scholar
  314. ดูบทความ
  315. PubMed / NCBI
  316. Google Scholar
  317. 8 เอิร์นส์เอ็ม, ไพน์ดีเอส, ฮาร์ดินเอ็ม (2006) โมเดลทางชีววิทยาของระบบประสาทแบบ Triadic ของพฤติกรรมกระตุ้นในวัยรุ่น Psychol Med 36: 299 – 312 ดอย: 10.1017 / s0033291705005891
  318. 9 Pine DS, Cohen P, Brook JS (2001) การเกิดปฏิกิริยาทางอารมณ์และความเสี่ยงต่อการเกิดโรคจิตในหมู่วัยรุ่น CNS Spectr 6: 27 – 35
  319. 10 Silveri MM, Tzilos GK, Pimentel PJ, Yurgelun-Todd DA (2004) เส้นทางการพัฒนาอารมณ์และความรู้ความเข้าใจของวัยรุ่น: ผลกระทบของเพศและความเสี่ยงต่อการใช้ยา Ann NY Acad Sci 1021: 363 – 370 doi: 10.1196 / annals.1308.046
  320. 11 Steinberg L (2005) การพัฒนาองค์ความรู้และอารมณ์ในวัยรุ่น Trends Cogn Sci 9: 69 – 74 doi: 10.1016 / j.tics.2004.12.005
  321. 12 Ko CH, Yen JY, Chen CC, Chen SH, Yen CF (2005) กำหนดเกณฑ์การวินิจฉัยการติดอินเทอร์เน็ตสำหรับวัยรุ่น J Nerv Ment Dis 193: 728 – 733 doi: 10.1097 / 01.nmd.0000185891.13719.54
  322. 13 Yoo HJ, Cho SC, Ha J, Yune SK, Kim SJ, และคณะ (2004) อาการสมาธิสั้นเกินปกติและการติดอินเทอร์เน็ต จิตเวชศาสตร์ Clin Neurosci 58: 487 – 494 doi: 10.1111 / j.1440-1819.2004.01290.x
  323. 14 Shapira NA, Lessig MC, ช่างทอง TD, Szabo ST, Lazoritz M, และคณะ (2003) การใช้อินเทอร์เน็ตที่มีปัญหา: การจำแนกประเภทและเกณฑ์การวินิจฉัยที่เสนอ กดความวิตกกังวล 17: 207 – 216 doi: 10.1002 / da.10094
  324. 15 เคราติดยาเสพติด nternet เครา (2005): การทบทวนเทคนิคการประเมินในปัจจุบันและคำถามการประเมินที่อาจเกิดขึ้น ไซเบอร์สปิล Behav 8: 7 – 14 doi: 10.1089 / cpb.2005.8.7
  325. 16 Young K (1999) นวัตกรรมในการปฏิบัติงานทางคลินิก: หนังสือที่มา, การกดทรัพยากรระดับมืออาชีพ, เล่ม 17, บทที่ติดอินเทอร์เน็ต: อาการการประเมินผลและการรักษา pp. 19 – 31
  326. 17 บล็อก JJ (2008) ปัญหาสำหรับ DSM-V: การติดอินเทอร์เน็ต ฉันคือจิตเวชศาสตร์ 165: 306 – 307 doi: 10.1176 / appi.ajp.2007.07101556
  327. 18 Doidge N (2007) สมองที่เปลี่ยนแปลงด้วยตัวเอง: เรื่องราวของความสำเร็จส่วนบุคคลจากขอบเขตของวิทยาศาสตร์สมอง Penguin Books, 1st รุ่นดอย: 10.1080 / 10398560902721606
  328. 19 คู่มือการวินิจฉัยและคู่มือสถิติสมาคมจิตแพทย์อเมริกัน (2013) ของความผิดปกติทางจิต (DSM-5) American Psychiatric Publishing (APPI) .. doi: 10.1007 / springerreference_179660
  329. 20 Bernardi S (2009) SPallanti (2009) การเสพติดอินเทอร์เน็ต: การศึกษาทางคลินิกเชิงพรรณนามุ่งเน้นไปที่อาการป่วยและอาการคัด Compr Psychiatry 50: 510 – 516 doi: 10.1016 / j.comppsych.2008.11.011
  330. 21 Caplan SE (2002) การใช้อินเทอร์เน็ตที่มีปัญหาและความผาสุกทางจิตสังคม: การพัฒนาเครื่องมือวัดความรู้ความเข้าใจเกี่ยวกับพฤติกรรมตามทฤษฎี คำนวณมนุษย์ Behav 18: 553 – 575 ดอย: 10.1016 / s0747-5632 (02) 00004-3
  331. 22 Shaw M, Black DW (2008) การเสพติดอินเทอร์เน็ต: คำจำกัดความการประเมินระบาดวิทยาและการจัดการทางคลินิก ยาเสพติดของระบบประสาทส่วนกลาง 22: 353 – 365 ดอย: 10.2165 / 00023210-200822050-00001
  332. 23 เทาอาร์, หวงเอ็กซ์, หวางเจ, จางเอช, จางวาย, และคณะ (2010) เกณฑ์การวินิจฉัยที่เสนอสำหรับการติดอินเทอร์เน็ต การเสพติด 105: 556 – 564 doi: 10.1111 / j.1360-0443.2009.02828.x
  333. 24 Ding W, Sun J, Sun Y, Zhou Y, Li L, et al (2013) แก้ไขการเชื่อมต่อเครือข่ายสถานะการทำงานเริ่มต้นพักในวัยรุ่นที่มีการติดเกมอินเทอร์เน็ต โปรด ONE 8: e59902 doi: 10.1371 / journal.pone.0059902
  334. 25 Lin F, Zhou Y, Du Y, Qin L, Zhao Z และคณะ (2012) ความสมบูรณ์ของสสารสีขาวผิดปกติในวัยรุ่นที่มีความผิดปกติของการเสพติดอินเทอร์เน็ต: การศึกษาเชิงพื้นที่เชิงสถิติ โปรด ONE 7: e30253 doi: 10.1371 / journal.pone.0030253
  335. 26 Hong SB, Zalesky A, Cocchi L, Fornito A, Choi EJ, et al. (2013) การเชื่อมต่อสมองที่ทำงานลดลงในวัยรุ่นที่ติดอินเทอร์เน็ต โปรด ONE 8: e57831 doi: 10.1371 / journal.pone.0057831
  336. 27 Liu J, Yuan L, Ye J (2010) อัลกอริทึมที่มีประสิทธิภาพสำหรับชั้นเรียนของปัญหาเชือกผสม ใน: KDD pp. 323 – 332
  337. 28 Yuan K, Cheng P, Dong T, Bi Y, Xing L, et al. (2013) ความผิดปกติของเยื่อหุ้มสมองหนาในช่วงปลายวัยรุ่นตอนปลายด้วยการติดเกมออนไลน์ โปรด ONE 8: e53055 doi: 10.1371 / journal.pone.0053055
  338. 29 Zhou Y, Lin F, Du Y, Qin L, Zhao Z และคณะ (2011) ความผิดปกติของสสารสีเทาในการติดอินเทอร์เน็ต: การศึกษารูปทรงของ Voxel Eur J Radiol 79: 92 – 95 doi: 10.1016 / j.ejrad.2009.10.025
  339. 30 Yuan K, Jin C, Cheng P, Yang X, Dong T, และคณะ (2013) ความผิดปกติของความถี่ต่ำที่ผันผวนในวัยรุ่นที่ติดเกมออนไลน์ โปรด ONE 8: e78708 doi: 10.1371 / journal.pone.0078708
  340. 31 Zuo XN, Ehmke R, Mennes M, Imperati D, Castellanos FX, และคณะ (2012) ศูนย์กลางเครือข่ายในการเชื่อมต่อการทำงานของมนุษย์ Cereb Cortex 22: 1862 – 1875 ดอย: 10.1093 / cercor / bhr269
  341. 32 Koschützki D, Lehmann KA, Peeters L, Richter S, Tenfelde-Podehl D, et al. (2005) ดัชนีส่วนกลาง ใน: Brandes U, Erlebach T, บรรณาธิการ, การวิเคราะห์เครือข่าย: พื้นฐานด้านระเบียบวิธี นิวยอร์ก: Springer-Verlag, ปริมาณ 3418, pp. 16 – 61
  342. 33 Beard KW, Wolf EM (2001) แก้ไขในเกณฑ์การวินิจฉัยที่เสนอสำหรับการติดอินเทอร์เน็ต ไซเบอร์สปิล Behav 4: 377 – 383 doi: 10.1089 / 109493101300210286
  343. 34 Ko CH, Liu GC, Hsiao S, Yen JY, Yang MJ, และคณะ (2009) กิจกรรมสมองที่เกี่ยวข้องกับการกระตุ้นการเล่นเกมออนไลน์ J Psychiatr Res 43: 739 – 747 doi: 10.1016 / j.jpsychires.2008.09.012
  344. 35 Young KS (1998) ติดอยู่ในตาข่าย: วิธีการรับรู้สัญญาณของการติดอินเทอร์เน็ตและกลยุทธ์การชนะสำหรับการกู้คืน John Wiley และบุตรชาย
  345. 36. Patton JH, Stanford MS, Barratt ES (1995) โครงสร้างปัจจัยของระดับความหุนหันพลันแล่น J Clin Psychol 51: 768–774 ดอย: 10.1002 / 1097-4679 (199511) 51: 6 <768 :: aid-jclp2270510607> 3.0.co; 2-1
  346. 37 Huang X, Zhang Z (2001) การรวบรวมสินค้าคงคลังการจัดการเวลาของวัยรุ่น Acta Psychol Sin 33: 338 – 343
  347. 38 Goodman R (1997) แบบสอบถามจุดแข็งและความยากลำบาก: บันทึกการวิจัย จิตเวชศาสตร์เด็ก J JNUMX: 38 – 581 ดอย: 586 / j.10.1111-1469.tb7610.1997.x
  348. 39 Epstein NB, Baldwin LM, Bishop DS (1983) อุปกรณ์ประเมินตระกูล McMaster J Marital Fam Ther 9: 171 – 180 ดอย: 10.1111 / j.1752-0606.1983.tb01497.x
  349. 40 Yan CG, Zang YF (2010) DPARSF: กล่องเครื่องมือ MATLAB สำหรับการวิเคราะห์ข้อมูลไปป์ไลน์ของการพักสถานะ fMRI Front Syst Neurosci 4: 13 doi: 10.3389 / fnsys.2010.00013
  350. 41 เพลง XW, Dong ZY, Long XY, Li SF, Zuo XN, และคณะ (2011) REST: ชุดเครื่องมือสำหรับการประมวลผลข้อมูลภาพเรโซแนนซ์ด้วยคลื่นแม่เหล็ก โปรด ONE 6: e25031 doi: 10.1371 / journal.pone.0025031
  351. 42 Power JD, Barnes KA, Snyder AZ, Schlaggar BL, Petersen SE (2012) ความสัมพันธ์ที่น่าเกรงขาม แต่เป็นระบบในการเชื่อมต่อการทำงานเครือข่าย MRI เกิดขึ้นจากการเคลื่อนไหวของวัตถุ Neuroimage 59: 2142 – 2154 doi: 10.1016 / j.neuroimage.2011.10.018
  352. 43 Tzourio-Mazoyer N, Landeau B, Papathanassiou D, Crivello F, Etard O, et al. (2002) การติดฉลากกายวิภาคอัตโนมัติของการเปิดใช้งานใน SPM โดยใช้การแบ่งส่วนกายวิภาคด้วยกล้องจุลทรรศน์ด้วยตาเปล่าของสมองซีกด้านเดียวของ MNI MRI Neuroimage 15: 273 – 289 doi: 10.1006 / nimg.2001.0978
  353. 44 Achard S, Bullmore E (2007) ประสิทธิภาพและค่าใช้จ่ายของเครือข่ายการทำงานของสมองที่ประหยัด โปรดคำนวณ Biol 3: e17 doi: 10.1371 / journal.pcbi.0030017
  354. 45 Bassett DS, Meyer-Lindenberg A, Achard S, Duke T, Bullmore E (2006) การปรับการกำหนดค่าใหม่ของเครือข่ายการทำงานของสมองมนุษย์เศษส่วนขนาดเล็กในโลก Proc Natl Acad Sci สหรัฐอเมริกา 103: 19518 – 19523 doi: 10.1073 / pnas.0606005103
  355. 46 Rubinov M, Sporns O (2010) เครือข่ายที่ซับซ้อนวัดการเชื่อมต่อของสมอง: ใช้และตีความ Neuroimage 52: 1059 – 1069 doi: 10.1016 / j.neuroimage.2009.10.003
  356. 47 Smit DJA, Stam CJ, Posthuma D, Boomsma DI, De Geus EJC (2008) การสืบทอดของเครือข่าย“ โลกใบเล็ก” ในสมอง: การวิเคราะห์เชิงทฤษฎีทางกราฟของการเชื่อมต่อการทำงานของ EEG แบบพักผ่อน Hum Hum Mapp 29: 1368 – 1378 doi: 10.1002 / hbm.20468
  357. 48 จางเจวังเจคิววูกวงกว้างหวงเอ็กซ์และคณะ (2011) หยุดการเชื่อมต่อเครือข่ายสมองในยาเสพติด vaive, โรคซึมเศร้าครั้งแรกที่สำคัญ จิตเวช Biol 70: 334 – 342 doi: 10.1016 / j.biopsych.2011.05.018
  358. 49 Latora V, Marchiori M (2001) พฤติกรรมที่มีประสิทธิภาพของเครือข่ายโลกขนาดเล็ก Phys Rev Lett 87: 198701 doi: 10.1103 / physrevlett.87.198701
  359. 50 Watts DJ, Strogatz SH (1998) พลวัตโดยรวมของเครือข่าย "โลกใบเล็ก" ธรรมชาติ 393: 440 – 442 doi: 10.1038 / 30918
  360. 51 เขา Y, วัง J, วัง L, เฉิน ZJ, Yan C และคณะ (2009) การเปิดเผยการจัดโครงสร้างแบบแยกส่วนของกิจกรรมสมองที่เกิดขึ้นเองในมนุษย์ โปรดหนึ่ง 4: 1 – 17 doi: 10.1371 / journal.pone.0005226
  361. 52 Gong G, Rosa-Neto P, Carbonell F, Chen ZJ, He Y, et al. (2009) อายุและความแตกต่างที่เกี่ยวข้องกับเพศในเครือข่ายกายวิภาคของเยื่อหุ้มสมอง J Neurosci 29: 15684 – 15693 ดอย: 10.1523 / jneurosci.2308-09.2009
  362. 53 Tian L, Wang J, Yan C, He Y (2011) ความแตกต่างที่เกี่ยวข้องกับสมองซีกโลกและเพศในเครือข่ายสมองขนาดเล็ก: การศึกษา MRI ที่ใช้งานได้ในที่พักผ่อน Neuroimage 54: 191 – 202 doi: 10.1016 / j.neuroimage.2010.07.066
  363. 54 Zhu W, Wen W, He Y, Xia A, Anstey KJ, และคณะ (2012) การเปลี่ยนรูปแบบทอพอโลยีในอายุปกติโดยใช้เครือข่ายโครงสร้างขนาดใหญ่ Neurobiol Aging 33: 899 – 913 doi: 10.1016 / j.neurobiolaging.2010.06.022
  364. 55 Hayasaka S, Laurienti PJ (2010) การเปรียบเทียบลักษณะระหว่างการวิเคราะห์เครือข่ายตามภูมิภาคและ voxel ในการพักผ่อนข้อมูล fmri ของรัฐ Neuroimage 50: 499 – 508 doi: 10.1016 / j.neuroimage.2009.12.051
  365. 56 Fornito A, Zalesky A, Bullmore ET (2010) ผลกระทบของการปรับขนาดเครือข่ายในการศึกษาวิเคราะห์เชิงกราฟของข้อมูลการพักผ่อน - สถานะ fMRI ของมนุษย์ Front Syst Neurosci 4: 22 doi: 10.3389 / fnsys.2010.00022
  366. 57 Zalesky A, Fornito A, Harding IH, Cocchi L, Yücel M, et al. (2010) เครือข่ายกายวิภาคของสมองทั้งหมด: การเลือกโหนดสำคัญหรือไม่ Neuroimage 50: 970 – 983 doi: 10.1016 / j.neuroimage.2009.12.027
  367. 58 Dosenbach NUF, Nardos B, Cohen AL, Fair DA, Power JD, และคณะ (2010) การทำนายอายุของสมองส่วนบุคคลโดยใช้ fmri วิทยาศาสตร์ 329: 1358 – 1361 ดอย: 10.1126 / วิทยาศาสตร์. 1194144
  368. 59 Maslov S, Sneppen K (2002) ความจำเพาะและความเสถียรในโครงสร้างเครือข่ายโปรตีน วิทยาศาสตร์ 296: 910 – 913 ดอย: 10.1126 / วิทยาศาสตร์. 1065103
  369. 60. Buckner RL, Andrew-Hanna JR, Schacter DL (2008) เครือข่ายโหมดเริ่มต้นของสมอง: กายวิภาคศาสตร์การทำงานและความเกี่ยวข้องกับโรค Ann NY Acad Sci 1124: 1–38 ดอย: 10.1196 / annals.1440.011
  370. 61 Greicius MD, Krasnow B, Reiss AL, Menon V (2003) การเชื่อมต่อที่ใช้งานได้ในสมองพักผ่อน: การวิเคราะห์เครือข่ายของสมมติฐานโหมดเริ่มต้น Proc Natl Acad Sci สหรัฐอเมริกา 100: 253 – 258 doi: 10.1073 / pnas.0135058100
  371. 62 Raichle ME, MacLeod AM, Snyder AZ, พลัง WJ, Gusnard DA, et al. (2001) โหมดเริ่มต้นของการทำงานของสมอง Proc Natl Acad Sci สหรัฐอเมริกา 98: 676 – 682 doi: 10.1073 / pnas.98.2.676
  372. 63 Fair DA, Dosenbach NUF, โบสถ์ JA, Cohen AL, Brahmbhatt S, และคณะ (2007) การพัฒนาเครือข่ายการควบคุมที่แตกต่างผ่านการแยกและการรวม Proc Natl Acad Sci สหรัฐอเมริกา 104: 13507 – 13512 doi: 10.1073 / pnas.0705843104
  373. 64 Fair DA, Cohen AL, Power JD, Dosenbach NUF, Church JA, et al. (2009) เครือข่ายสมองที่ใช้งานได้พัฒนาจากองค์กร“ ท้องถิ่นสู่การกระจาย” โปรดคำนวณ Biol 5: e1000381 doi: 10.1371 / journal.pcbi.1000381
  374. 65 Kelly AC, Di Martino A, Uddin LQ, Zarrar Shehzad1 DGG, Reiss PT, et al. (2009) การพัฒนาการเชื่อมต่อการทำงานก่อนการคำนวณตั้งแต่วัยเด็กจนถึงวัยผู้ใหญ่ตอนต้น Cereb Cortex 19: 640 – 657 ดอย: 10.1093 / cercor / bhn117
  375. 66 Supekar K, Musen M, Menon V (2009) การพัฒนาเครือข่ายสมองขนาดใหญ่ในเด็ก โปรด Biol 7: e1000157 doi: 10.1371 / journal.pbio.1000157
  376. 67 Anderson JS, Druzgal TJ, Froehlich A, DuBray MB, Lange N, et al. (2011) ลดการเชื่อมต่อการทำงานระหว่าง interhemispheric ในออทิสติก Cereb Cortex 21: 1134 – 1146 doi: 10.1093 / cercor / bhq190
  377. 68 Wilson TW, Rojas DC, Reite ML, Teale PD, Rogers SJ (2007) เด็กและวัยรุ่นออทิสติกแสดงการลดลงของการตอบสนองแกมม่า MEG ในสภาวะคงตัว จิตเวช Biol 62: 192 – 197 doi: 10.1016 / j.biopsych.2006.07.002
  378. 69 Uddin LQ, Supekar K, Menon V (2010) การพัฒนาเครือข่ายสมองมนุษย์ที่ใช้งานได้ปกติและผิดปกติ: ข้อมูลเชิงลึกจาก fMRI ที่พักตัว Front Syst Neurosci 4: 21 doi: 10.3389 / fnsys.2010.00021
  379. 70 Uddin LQ, Supekar KS, Ryali S, Menon V (2011) การกำหนดค่าแบบไดนามิกใหม่ของการเชื่อมต่อโครงสร้างและการทำงานข้ามเครือข่ายสมองหลักที่มีการพัฒนา J Neurosci 31: 18578 – 18589 ดอย: 10.1523 / jneurosci.4465-11.2011
  380. 71 เหลียง M, โจว Y, เจียง T, Liu Z, เทียน L, และคณะ (2006) การตัดการเชื่อมต่อการทำงานอย่างกว้างขวางในผู้ป่วยโรคจิตเภทด้วยการถ่ายภาพด้วยคลื่นสนามแม่เหล็กที่ใช้งานได้จริง Neuroreport 17: 209 – 213 ดอย: 10.1097 / 01.wnr.0000198434.06518.b8
  381. 72 Fingelkurts AA, Fingelkurts AA, Kivisaari R, Autti T, Borisov S, และคณะ (2006) เพิ่มการเชื่อมต่อการทำงานในท้องถิ่นและลดการเชื่อมต่อระยะไกลที่ EEG alpha และย่านความถี่เบต้าในผู้ป่วยที่ต้องพึ่งพา opioid Psychopharmacology 188: 42 – 52 ดอย: 10.1007 / s00213-006-0474-4
  382. 73 Fingelkurts AA, Fingelkurts AA, Kivisaari R, Autti T, Borisov S, และคณะ (2007) การถอน Opioid ส่งผลให้การเชื่อมต่อการทำงานในท้องถิ่นและระยะไกลเพิ่มขึ้นที่คลื่นความถี่ EEG อัลฟ่าและเบต้า Neurosci Res 58: 40 – 49 doi: 10.1016 / j.neures.2007.01.011
  383. 74 Kelly C, Zuo XN, Gotimer K, Cox CL, Lynch L, et al. (2011) ลดการเชื่อมต่อการทำงานของ interhemispheric พักผ่อนระหว่างรัฐในการเสพติดโคเคน จิตเวช Biol 69: 684 – 692 doi: 10.1016 / j.biopsych.2010.11.022
  384. 75. Fair DA, Cohen AL, Church NUDJA, Miezin FM, Barch DM และอื่น ๆ (2008) สถาปัตยกรรมการเจริญเติบโตของเครือข่ายเริ่มต้นของสมอง Proc Natl Acad Sci USA 105: 4028–4032 ดอย: 10.1073 / pnas.0800376105
  385. 76 Bullmore E, Sporns O (2009) เครือข่ายสมองที่ซับซ้อน: การวิเคราะห์เชิงทฤษฎีกราฟของระบบโครงสร้างและการทำงาน Nat Rev Neurosci 10: 186 – 198 ดอย: 10.1038 / nrn2575
  386. 77 He Y, Evans A (2010) กราฟการสร้างแบบจำลองเชิงทฤษฎีของการเชื่อมต่อสมอง การปรับค่า Neurol 23: 341 – 350
  387. 78 Stam CJ (2010) ลักษณะของการเชื่อมต่อทางกายวิภาคและการทำงานในสมอง: มุมมองเครือข่ายที่ซับซ้อน Int J Psychophysiol 77: 186 – 194 doi: 10.1016 / j.ijpsycho.2010.06.024
  388. 79 Wang J, Zuo X, He Y (2010) การวิเคราะห์เครือข่ายแบบกราฟตามการทำงานของ MRI ที่อยู่ในสถานะพักผ่อน Front Syst Neurosci 4: 16 doi: 10.3389 / fnsys.2010.00016
  389. 80 Latora V, Marchiori M (2003) พฤติกรรมเล็ก ๆ ในโลกเศรษฐกิจในเครือข่ายถ่วงน้ำหนัก Eur Physical Journal B 32: 249 – 263 ดอย: 10.1140 / epjb / e2003-00095-5
  390. 81 Tononi G, Edelman GM, Sporns O (1998) ความซับซ้อนและการเชื่อมโยง: การรวมข้อมูลในสมอง แนวโน้มในองค์ความรู้วิทยาศาสตร์ 2: 474 – 484 ดอย: 10.1016 / s1364-6613 (98) 01259-5
  391. 82 Mayberg HS (1997) dysregulation Limbic-cortical: แบบจำลองของภาวะซึมเศร้า J Neuropsychiatry Clin Neurosci 9: 471 – 481
  392. 83 Goldstein RZ, Tomasi D, Rajaram S, Cottone LA, จางแอล, และคณะ (2007) บทบาทของเยื่อหุ้มสมองด้านหน้า cingulate และ medial orbitofrontal cortex ในการประมวลผลสัญญาณยาในการเสพติดโคเคน ประสาทวิทยาศาสตร์ 144: 1153 – 1159 doi: 10.1016 / j.neuroscience.2006.11.024
  393. 84 Grüsser SM, เขียน J, Klein S, Hermann D, Smolka MN, และคณะ (2004) การกระตุ้นด้วยคิวของ striatum และ medial prefrontal cortex นั้นสัมพันธ์กับการกำเริบของโรคพิษสุราเรื้อรังในภายหลัง Psychopharmacology (Berl) 175: 296 – 302 ดอย: 10.1007 / s00213-004-1828-4
  394. 85 Miedl SF, Fehr T, Meyer G, Herrmann M (2010) มีความสัมพันธ์ทางประสาทวิทยากับปัญหาการพนันในสถานการณ์แบล็คแจ็คเสมือนจริงตามที่เปิดเผยโดย fMRI จิตเวชศาสตร์ Res 181: 165 – 173 ดอย: 10.1016 / j.pscychresns.2009.11.008
  395. 86 Matochik JA, London ED, Eldreth DA, Cadet JL, Boll KI (2003) องค์ประกอบของเยื่อหุ้มสมองส่วนหน้าในผู้ที่ทำโคเคน abstinent: การศึกษาการถ่ายภาพด้วยคลื่นสนามแม่เหล็ก Neuroimage 19 ดอย: 10.1016 / s1053-8119 (03) 00244-1
  396. 87 Fujiwara J, Tobler PN, Taira M, Iijima T, Tsutsui KI (2009) แยกและรวมการเข้ารหัสของรางวัลและการลงโทษในเยื่อหุ้มสมอง cingulate J Neurophysiol 101: 3284 – 3293 doi: 10.1152 / jn.90909.2008
  397. 88 Yu C, Gupta J, Yin HH (2010) บทบาทของฐานดอกฐานดอกในการแยกความแตกต่างชั่วคราวของการกระทำที่ได้รับรางวัล Front Integr Neurosci 4: 14 doi: 10.3389 / fnint.2010.00014
  398. 89 Corbit LH, Muir JL, Balleine BW (2003) รอยโรคของฐานดอกฐานดอกที่อยู่ในระยะกลางและนิวเคลียสธาลัมหน้าล่วงหน้าทำให้เกิดผลกระทบต่อการปรับสภาพเครื่องมือในหนู Eur J Neurosci 18: 1286 – 1294 doi: 10.1046 / j.1460-9568.2003.02833.x
  399. 90 Saper CB (2002) ระบบประสาทอัตโนมัติส่วนกลาง: การรับรู้เกี่ยวกับอวัยวะภายในอย่างมีสติและการสร้างรูปแบบอัตโนมัติ Annu Rev Neurosci 25: 433 – 469 doi: 10.1146 / annurev.neuro.25.032502.111311
  400. 91 Ray JP, Prince JL (1993) องค์กรของการประมาณการจากนิวเคลียสที่อยู่กึ่งกลางของฐานดอกฐานดอกไปจนถึงการโคจรและการอยู่ตรงหน้าของเยื่อหุ้มสมองด้านหน้าในลิงแสมง J Comp Neurol 337: 1 – 31 doi: 10.1002 / cne.903370102
  401. 92 Rolls ET (2004) ฟังก์ชั่นของเยื่อหุ้มสมองวงโคจรด้านหน้า สมอง Cogn 55: 11 – 29 ดอย: 10.1016 / s0278-2626 (03) 00277-x
  402. 93 Dong G, Huang J, Du X (2012) การเปลี่ยนแปลงในความสม่ำเสมอของภูมิภาคของกิจกรรมสมองที่พักผ่อนในผู้ติดเกมออนไลน์ Behav สมองฟังก์ชั่น 18: 8 – 41 ดอย: 10.1186 / 1744-9081-8-41
  403. 94 Steriade M, Llinás RR (1998) สถานะการทำงานของฐานดอกและการทำงานร่วมกันของเส้นประสาทที่เกี่ยวข้อง Physiol Rev 68: 649 – 742
  404. 95 Stein T, Moritz C, Quigley M, Cordes D, Haughton V, et al. (2000) การเชื่อมต่อใช้งานได้ในฐานดอกและฐานดอกฮิบโปที่ศึกษาด้วยการถ่ายภาพ mr แบบใช้งานได้ AJNR Am J Neuroradiol 21: 1397 – 1401
  405. 96. Burgess N, Maguire EA, O'Keefe J (2002) ฮิปโปแคมปัสของมนุษย์และความทรงจำเชิงพื้นที่และเชิงพื้นที่ เซลล์ประสาท 35: 625–641 ดอย: 10.1016 / s0896-6273 (02) 00830-9
  406. 97 Warburton EC, Baird A, Morgan A, Muir JL, Aggleton JP (2001) ความสำคัญร่วมกันของ hippocumpas และนิวเคลียสธาลัสซีก่อนหน้าสำหรับการเรียนรู้เชิงพื้นที่แบบอิสระทั้งหมด: หลักฐานจากการศึกษาการขาดการเชื่อมต่อในหนู J Neurosci 21: 7323 – 7330
  407. 98 Garavan H, Hester R, Murphy K, Fassbender C, Kelly C (2006) ความแตกต่างส่วนบุคคลในการทำงานของระบบประสาทของการควบคุมการยับยั้ง ความต้านทานของสมอง 1105: 130 – 142 doi: 10.1016 / j.brainres.2006.03.029
  408. 99. Menon V, Adleman NE, White CD, Glover GH, Reiss AL (2001) การกระตุ้นสมองที่เกี่ยวข้องกับข้อผิดพลาดระหว่างภารกิจยับยั้งการตอบสนองของ Go / NoGo Hum Brain Mapp 12: 131–143 ดอย: 10.1002 / 1097-0193 (200103) 12: 3 <131 :: aid-hbm1010> 3.0.co; 2-c
  409. 100 Whitfield-Gabrieli S, Ford JM (2012) กิจกรรมเครือข่ายโหมดเริ่มต้นและการเชื่อมต่อทางด้านพยาธิวิทยา Annu Rev Clin Psychol 8: 49 – 76 ดอย: 10.1146 / annurev-clinpsy-032511-143049
  410. 101 Ding X, Lee SW (2013) การติดยาเสพติดโคเคนที่เกี่ยวข้องกับสมองที่ทำซ้ำได้ของการเชื่อมต่อการทำงานของเครือข่ายโหมดผิดปกติ: การศึกษากลุ่ม ica กับคำสั่งแบบจำลองที่แตกต่างกัน Neurosci Lett 548: 110 – 114 doi: 10.1016 / j.neulet.2013.05.029
  411. 102 Ma N, Liu Y, Fu XM, Li N, Wang CX, และคณะ (2011) ความผิดปกติของสมองโหมดเริ่มต้นเชื่อมต่อการทำงานของเครือข่ายในผู้ติดยาเสพติด โปรด ONE 6: e16560 doi: 10.1371 / journal.pone.0016560
  412. 103 Tschernegg M, Crone JS, Eigenberger T, Schwartenbeck P, Fauth-Bühler M, และคณะ (2013) ความผิดปกติของเครือข่ายสมองที่ใช้งานได้ในการพนันทางพยาธิวิทยา: วิธีกราฟเชิงทฤษฎี Front Hum Neurosci 7: 625 ดอย: 10.3389 / fnhum.2013.00625
  413. 104 Kolb B, Whishaw IQ (1998) ความยืดหยุ่นและพฤติกรรมของสมอง Annu Rev Psychol 49: 43 – 64 doi: 10.1146 / annurev.psych.49.1.43
  414. 105 Shaw CA, McEachern J, Editors (2001) สู่ทฤษฎี neuroplasticity จิตวิทยากด
  415. 106 Kolb B, Gibb R (2003) ความยืดหยุ่นและพฤติกรรมของสมอง Curr Dir Psychol Sci 12: 1 – 5 ดอย: 10.1111 / 1467-8721.01210
  416. 107 Kolb B, Gibb R (2011) ความยืดหยุ่นของสมองและพฤติกรรมในสมองกำลังพัฒนา J Can Acad Child Adolesc Psychiatry 20: 265 – 276
  417. 108 Robinson TE, Berridge KC (1993) พื้นฐานทางประสาทของความอยากยาเสพติด: ทฤษฎีการกระตุ้นอาการแพ้จากการเสพติด Brain Res Rev 18: 247 – 291 ดอย: 10.1016 / 0165-0173 (93) 90013-p
  418. 109. Alavi SS, Maracy MR (2011) ผลของอาการทางจิตเวชต่อโรคติดอินเทอร์เน็ตในนักศึกษามหาวิทยาลัยอิสฟาฮาน J Res Med วิทย์ 16: 793–800
  419. 110. Egger O, Rauterberg M (1996) พฤติกรรมอินเทอร์เน็ตและการเสพติด. รายงานทางเทคนิค Work & Organizational Psychology Unit (IFAP), Swiss Federal Institute of Technology (ETH), Zurich
  420. 111 Petrie H, Gunn D (1998) อินเทอร์เน็ต“ ติดยาเสพติด”: ผลกระทบของเพศอายุภาวะซึมเศร้าและการฝังตัว ใน: การประชุม British Psychological Society London ลอนดอนสหราชอาณาจักร: สมาคมจิตวิทยาอังกฤษ กระดาษนำเสนอในการประชุม British Psychological Society London