ความผิดปกติของโครงสร้างจุลภาคในวัยรุ่นที่มีความผิดปกติของการติดอินเทอร์เน็ต (2011)

ความคิดเห็น: การศึกษานี้แสดงให้เห็นอย่างชัดเจนว่าผู้ที่ติดยาเสพติดทางอินเทอร์เน็ตพัฒนาความผิดปกติของสมองที่ขนานกับที่พบในผู้ใช้สารเสพติด นักวิจัยพบว่าการลดลงของ 10-20% ในสสารเยื่อหุ้มสมองด้านหน้าในวัยรุ่นที่ติดอินเทอร์เน็ต Hypofrontality เป็นคำทั่วไปสำหรับการเปลี่ยนแปลงโครงสร้างของสมอง มันเป็นเครื่องหมายสำคัญสำหรับกระบวนการติดยาเสพติดทั้งหมด

การศึกษาเต็มรูปแบบ: ความผิดปกติของโครงสร้างจุลภาคในวัยรุ่นที่มีความผิดปกติของการติดอินเทอร์เน็ต

โปรดหนึ่ง 6 (6): e20708 ดอย: 10.1371 / journal.pone.0020708

การอ้างอิง: หยวน K, ฉิน W, วัง G, เซง F, Zhao L, et al (2011)

บรรณาธิการ: เส้าหลินหยาง, มหาวิทยาลัยอิลลินอยส์ที่ชิคาโก, สหรัฐอเมริกา

ได้รับ: ธันวาคม 16, 2010; ยอมรับแล้ว: พฤษภาคม 10, 2011; เผยแพร่: มิถุนายน 3, 2011

ลิขสิทธิ์: © 2011 Yuan et al. นี่เป็นบทความแบบเปิดที่เผยแพร่ภายใต้เงื่อนไขของ Creative Commons Attribution License ซึ่งอนุญาตให้ใช้การแจกจ่ายและการทำซ้ำแบบไม่ จำกัด ในสื่อใดก็ตามโดยให้เครดิตผู้แต่งต้นฉบับและแหล่งที่มา

* อีเมล: [ป้องกันอีเมล] (YL); [ป้องกันอีเมล] (JT)

นามธรรม

พื้นหลัง

การศึกษาล่าสุดชี้ให้เห็นว่าความผิดปกติของการเสพติดอินเทอร์เน็ต (IAD) มีความสัมพันธ์กับความผิดปกติของโครงสร้างในเรื่องสีเทาสมอง อย่างไรก็ตามมีงานวิจัยจำนวนน้อยที่ตรวจสอบผลกระทบของการติดอินเทอร์เน็ตในความสมบูรณ์ของโครงสร้างทางจุลภาคของเส้นทางเซลล์ประสาทที่สำคัญและแทบไม่มีการศึกษาใด ๆ ที่ประเมินการเปลี่ยนแปลงทางจุลภาคกับระยะเวลาของการติดอินเทอร์เน็ต

ระเบียบวิธี / ผลการวิจัยหลัก

เราตรวจสอบสัณฐานวิทยาของสมองในวัยรุ่นด้วย IAD (N = 18) โดยใช้เทคนิค voxel-based morphometry (VBM) ที่ดีที่สุดและศึกษาการเปลี่ยนแปลง anisotropy (FA) ของสสารขาวเศษส่วน (FA) โดยใช้วิธีการกระจายภาพ มาตรการเชิงโครงสร้างของสมองเหล่านี้เป็นระยะเวลาของ IAD เราได้เตรียมหลักฐานที่แสดงให้เห็นถึงการเปลี่ยนแปลงโครงสร้างหลายอย่างของสมองในวิชา IAD ผลการ VBM บ่งชี้ว่าปริมาณสสารสีเทาลดลงในคอร์เทกซ์ prefrontal cortex ทวิภาคี dorsolateral (DLPFC) พื้นที่มอเตอร์เสริม (SMA), คอร์เทกซ์ orbitofrontal (OFC), สมองน้อยและ ACC rostral ซ้าย (rACC) การวิเคราะห์ DTI เปิดเผยค่า FA ที่ปรับปรุงของแขนขาหลังด้านซ้ายของแคปซูลภายใน (PLIC) และลดค่า FA ในสสารขาวภายใน parahippocampal gyrus (PHG) ด้านขวา ปริมาณสสารสีเทาของ DLPFC, rACC, SMA และการเปลี่ยนแปลง FA ของสสารสีขาวของ PLIC มีความสัมพันธ์อย่างมีนัยสำคัญกับระยะเวลาของการติดอินเทอร์เน็ตในวัยรุ่นที่มี IAD

สรุป

ผลการศึกษาของเราชี้ให้เห็นว่าการติดอินเทอร์เน็ตในระยะยาวจะส่งผลให้เกิดการเปลี่ยนแปลงโครงสร้างสมองซึ่งอาจส่งผลให้เกิดความผิดปกติในวิชาที่มี IAD การศึกษาในปัจจุบันอาจทำให้เข้าใจได้ง่ายขึ้นเกี่ยวกับผลกระทบที่อาจเกิดขึ้นกับสมองของ IAD

บทนำ Top

เป็นช่วงเวลาที่สำคัญระหว่างวัยเด็กและวัยผู้ใหญ่วัยรุ่นถูกห้อมล้อมด้วยการเปลี่ยนแปลงในการพัฒนาทางร่างกายจิตใจและสังคม [1]. ในระหว่างขั้นตอนการพัฒนานี้จะใช้เวลากับเพื่อนและผู้ใหญ่มากขึ้นเพื่อเผชิญหน้ากับสภาพแวดล้อมทางสังคมที่แตกต่างที่เกิดความขัดแย้งมากขึ้น [2]. การปรากฏตัวของการควบคุมความรู้ความเข้าใจค่อนข้างอ่อน [3]-[7]ทำให้ช่วงเวลานี้เป็นช่วงเวลาแห่งความอ่อนแอและการปรับตัว [8] และอาจนำไปสู่การเพิ่มขึ้นของความผิดปกติทางอารมณ์และการติดยาเสพติดในหมู่วัยรุ่น [8]-[10]. ในฐานะที่เป็นหนึ่งในปัญหาสุขภาพจิตที่พบบ่อยในหมู่วัยรุ่นจีนปัจจุบันโรคติดอินเทอร์เน็ต (IAD) กำลังทวีความรุนแรงมากขึ้นเรื่อย ๆ [11].

การใช้อินเทอร์เน็ตได้ขยายไปทั่วโลกอย่างไม่น่าเชื่อในช่วงไม่กี่ปีที่ผ่านมา อินเทอร์เน็ตช่วยให้ผู้อื่นเข้าถึงระยะไกลและข้อมูลมากมายในทุกพื้นที่ที่น่าสนใจ อย่างไรก็ตามการใช้อินเทอร์เน็ตอย่างผิดวิธีส่งผลให้ความเป็นอยู่ที่ดีทางจิตใจของแต่ละคนด้อยลงความล้มเหลวทางวิชาการและประสิทธิภาพการทำงานลดลง [12]-[18]. ในขณะที่ยังไม่ได้ประมวลอย่างเป็นทางการภายในกรอบจิต, IAD กำลังเติบโตในความชุกและได้ดึงดูดความสนใจของจิตแพทย์นักการศึกษาและประชาชน การควบคุมความรู้ความเข้าใจที่ค่อนข้างอ่อนของวัยรุ่นทำให้พวกเขามีความเสี่ยงสูงในการทำสัญญา IAD วัยรุ่นบางคนไม่สามารถควบคุมการใช้อินเทอร์เน็ตเพื่อหาความแปลกใหม่และในที่สุดก็กลายเป็นคนติดอินเทอร์เน็ต ข้อมูลจากสมาคมอินเทอร์เน็ตเยาวชนแห่งประเทศจีน (ประกาศเมื่อวันที่ 2 เดือนกุมภาพันธ์ 2010) แสดงให้เห็นว่าอัตราการติดยาเสพติดทางอินเทอร์เน็ตในกลุ่มเยาวชนในเมืองจีนนั้นอยู่ที่ประมาณ 14% เป็นที่น่าสังเกตว่าจำนวนทั้งหมดคือ 24 ล้าน (http://www.zqwx.youth.cn/).

การศึกษาของ IAD จำนวนมากได้ดำเนินการไปทั่วโลกและได้รับผลการวิจัยที่น่าสนใจ [11], [15], [19]-[22]. เกาะเอตอัล [19] ระบุพื้นผิวประสาทของการติดเกมออนไลน์ผ่านการประเมินผลของพื้นที่สมองที่เกี่ยวข้องกับการกระตุ้นการเล่นเกมคิวที่เกิดขึ้นซึ่งประกอบด้วยเยื่อหุ้มสมอง orbitofrontal ด้านขวา (OFC), นิวเคลียสขวา accumbens (NAc), เยื่อหุ้มสมองข้างหน้าทวิภาคี ACC (ACC) คอร์เทกซ์ด้านหน้า, คอร์เทกซ์ด้านหน้า preorsal คอร์เทกซ์ด้านขวา (DLPFC), และนิวเคลียสหางขวา เนื่องจากความคล้ายคลึงกันของความอยากรู้อยากเห็นที่เกิดขึ้นในการพึ่งพาสารพวกเขาแนะนำว่าการเล่นเกมกระตุ้น / ความอยากในการติดการเล่นเกมออนไลน์และความอยากในการพึ่งพาสารอาจแบ่งปันกลไก neurobiological เดียวกัน เฉาและคณะ [11] พบว่าวัยรุ่นจีนที่มี IAD มีความรู้สึกหุนหันพลันแล่นมากกว่ากลุ่มควบคุม เมื่อเร็ว ๆ นี้ดงและคณะ [20] สืบสวนการยับยั้งการตอบสนองในคนที่มี IAD โดยการบันทึกศักยภาพของสมองที่เกี่ยวข้องกับเหตุการณ์ในระหว่างการทำงาน Go / NoGo และแสดงให้เห็นว่ากลุ่ม IAD แสดงแอมพลิจูด NoGo-N2 ที่ต่ำกว่าแอมพลิจูด NoGo-P3 ที่สูงขึ้น กลุ่ม. พวกเขาแนะนำว่าวิชา IAD มีการเปิดใช้งานในขั้นตอนการตรวจสอบความขัดแย้งต่ำกว่ากลุ่มปกติ ดังนั้นพวกเขาจึงต้องมีส่วนร่วมในความพยายามทางปัญญามากขึ้นเพื่อให้งานการยับยั้งสมบูรณ์ในระยะหลัง นอกจากนี้วิชา IAD มีประสิทธิภาพน้อยกว่าในการประมวลผลข้อมูลและการควบคุมการรับรู้ต่ำ [20]. นักวิจัยบางคนตรวจพบการขาดดุลความหนาแน่นของสสารสีเทา [21] และความผิดปกติของสภาพพัก [22] ในเรื่องของ IAD เช่นความหนาแน่นของสสารสีเทาที่ต่ำกว่าใน ACC ซ้าย, ด้านหลังด้านซ้าย cingulate cortex (PCC), insula ด้านซ้ายและด้านซ้ายของลิ้นและเพิ่มความเป็นเนื้อเดียวกันในภูมิภาค (ReHo) ในด้านขวา cingulate gyrus, parahippocampus .

น่าเสียดายที่ปัจจุบันยังไม่มีวิธีการรักษามาตรฐานสำหรับ IAD คลินิกในประเทศจีนมีการใช้ตารางเวลาที่เข้มงวดระเบียบวินัยที่เข้มงวดและการรักษาด้วยไฟฟ้าช็อตซึ่งได้รับความประพฤติในทางลบต่อวิธีการรักษาเหล่านี้ [13]. การพัฒนาวิธีการที่มีประสิทธิภาพสำหรับการแทรกแซงและการรักษาของ IAD จะต้องมีการสร้างความเข้าใจที่ชัดเจนของกลไกที่เกี่ยวข้องกับโรคนี้ อย่างไรก็ตามมีงานวิจัยจำนวนน้อยที่รายงานความผิดปกติของสสารสีขาวในวัยรุ่นด้วย IAD ความรู้เกี่ยวกับความผิดปกติของสมองของสสารสีเทาและสารสีขาวและความสัมพันธ์ระหว่างความผิดปกติเหล่านี้และฟังก์ชั่นความรู้ความเข้าใจในวิชา IAD เป็นประโยชน์ในการระบุยาที่เป็นไปได้ในการรักษาโรคนี้ ความก้าวหน้าในเทคนิค neuroimaging ทำให้เรามีวิธีที่ดีที่สุดในการตรวจสอบปัญหาเหล่านี้ [23]-[27]. ในการศึกษานี้เราตรวจสอบสัณฐานวิทยาของสมองในวัยรุ่นด้วย IAD โดยใช้เทคนิค voxel-based morphometry (VBM) ที่เหมาะสมและศึกษาการเปลี่ยนแปลง anisotropy (FA) เรื่องเศษส่วนสีขาวโดยใช้วิธีการถ่ายภาพด้วยวิธี diffusion tensor (DTI) และเชื่อมโยงสมองเหล่านี้ มาตรการเชิงโครงสร้างกับระยะเวลาของ IAD เราสามารถดึงข้อสรุปจากการศึกษา IAD ครั้งก่อน ๆ ที่อาสาสมัครของ IAD แสดงให้เห็นว่าการควบคุมการรับรู้บกพร่องและเราตั้งสมมติฐานว่าการติดอินเทอร์เน็ตในระยะยาวจะส่งผลให้เกิดการเปลี่ยนแปลงโครงสร้างสมองและความผิดปกติของโครงสร้างเหล่านี้เกี่ยวข้องกับ [15], [16], [20], [28]. นอกจากนี้ความผิดปกติทางโครงสร้างของบริเวณสมองบางแห่งอาจสัมพันธ์กับระยะเวลาของ IAD

  

วัสดุและวิธีการ Top

ขั้นตอนการวิจัยทั้งหมดได้รับการอนุมัติจากคณะอนุกรรมการโรงพยาบาลเวสต์ไชน่าว่าด้วยการศึกษาของมนุษย์และดำเนินการตามประกาศของเฮลซิงกิ

2.1 หัวเรื่อง

อ้างอิงจากแบบสอบถามการวินิจฉัยของเด็กที่แก้ไขแล้วสำหรับเกณฑ์การติดอินเทอร์เน็ต (YDQ) โดย Beard and Wolf [16], [29]นักเรียนปีที่สิบแปดและนักเรียนปีสองที่มี IAD (เพศชาย 12, อายุเฉลี่ย = 19.4 ± 3.1 ปี, การศึกษา 13.4 ± 2.5 ปี) มีส่วนร่วมในการศึกษาของเรา เกณฑ์ YDQ [16] ประกอบด้วยคำถาม“ ใช่” หรือ“ ไม่” แปดข้อต่อไปนี้ซึ่งเป็น: (1) คุณรู้สึกหมกมุ่นอยู่กับอินเทอร์เน็ต (จำกิจกรรมออนไลน์ก่อนหน้านี้หรือเซสชันออนไลน์ถัดไปที่ต้องการ) หรือไม่ (2) คุณรู้สึกพึงพอใจกับการใช้อินเทอร์เน็ตหรือไม่ถ้าคุณเพิ่มเวลาออนไลน์? (3) คุณล้มเหลวในการควบคุมลดหรือออกจากการใช้อินเทอร์เน็ตซ้ำ ๆ ? (4) คุณรู้สึกประหม่าเจ้าอารมณ์ซึมเศร้าหรือละเอียดอ่อนเมื่อพยายามลดหรือเลิกใช้อินเทอร์เน็ตหรือไม่ (5) คุณออนไลน์นานกว่าที่ตั้งใจไว้หรือไม่? (6) คุณเสี่ยงต่อการสูญเสียความสัมพันธ์ที่สำคัญงานการศึกษาหรือโอกาสในการทำงานเนื่องจากอินเทอร์เน็ตหรือไม่ (7) คุณโกหกสมาชิกในครอบครัวนักบำบัดโรคหรือคนอื่น ๆ เพื่อซ่อนความจริงของการมีส่วนร่วมกับอินเทอร์เน็ตของคุณหรือไม่? (8) คุณใช้อินเทอร์เน็ตเป็นวิธีการหลบหนีจากปัญหาหรือบรรเทาความวิตกกังวล (เช่นความรู้สึกหมดหวังความผิดความวิตกกังวลหรือซึมเศร้า) หรือไม่? คำถามทั้งแปดนั้นแปลเป็นภาษาจีน Young ยืนยันว่าการตอบ“ ใช่” ห้าข้อหรือมากกว่านั้นสำหรับแปดคำถามนั้นบ่งชี้ว่าผู้ใช้งานอินเทอร์เน็ตพึ่งพา [16]. ต่อมา Beard and Wolf ได้แก้ไขเกณฑ์ YDQ [29]และผู้ตอบที่ตอบว่า“ ใช่” สำหรับคำถามข้อ 1 ถึง 5 และอย่างน้อยหนึ่งในสามคำถามที่เหลือจะถูกจัดประเภทว่าเป็นโรคติดอินเทอร์เน็ตซึ่งใช้ในการคัดกรองวิชาในการศึกษาปัจจุบัน การเสพติดเป็นกระบวนการที่ค่อยเป็นค่อยไปดังนั้นเราจึงตรวจสอบว่ามีการเปลี่ยนแปลงเชิงเส้นในโครงสร้างสมองหรือไม่ ระยะเวลาของโรคประมาณโดยการวินิจฉัยย้อนหลัง เราขอให้อาสาสมัครระลึกถึงวิถีชีวิตของพวกเขาในช่วงแรกที่พวกเขาติดอินเทอร์เน็ต เพื่อรับประกันว่าพวกเขากำลังทุกข์ทรมานจากการติดอินเทอร์เน็ตเราได้ทำการทดสอบอีกครั้งโดยใช้เกณฑ์ YDQ ที่แก้ไขโดย Beard and Wolf นอกจากนี้เรายังยืนยันความน่าเชื่อถือของรายงานตนเองจากอาสาสมัคร IAD โดยการพูดคุยกับผู้ปกครองทางโทรศัพท์ อาสาสมัคร IAD ใช้เวลา 10.2 ± 2.6 ชั่วโมงต่อวันในการเล่นเกมออนไลน์ จำนวนวันที่ใช้อินเทอร์เน็ตต่อสัปดาห์คือ 6.3 ± 0.5 นอกจากนี้เรายังได้ตรวจสอบข้อมูลนี้จากเพื่อนร่วมห้องและเพื่อนร่วมชั้นของวิชา IAD ที่พวกเขามักยืนยันว่าอยู่บนอินเทอร์เน็ตในช่วงดึกทำให้รบกวนชีวิตของผู้อื่นแม้จะมีผลตามมาก็ตาม อายุสิบแปดปีและตรงตามเพศ (p> 0.01) การควบคุมที่ดีต่อสุขภาพ (ชาย 12 คนอายุเฉลี่ย = 19.5 ± 2.8 ปีการศึกษา 13.3 ± 2.0 ปี) โดยไม่มีประวัติส่วนตัวหรือครอบครัวเกี่ยวกับโรคทางจิตเวชก็เข้าร่วมในการศึกษาของเราด้วย จากการศึกษาของ IAD ก่อนหน้านี้ [19]เราเลือกการควบคุมที่ดีต่อสุขภาพที่ใช้เวลาน้อยกว่า 2 ชั่วโมงต่อวันบนอินเทอร์เน็ต การควบคุมที่มีสุขภาพดีได้รับการทดสอบด้วยเกณฑ์ YDQ ที่แก้ไขโดย Beard และ Wolf เพื่อให้แน่ใจว่าพวกเขาจะไม่ทุกข์ทรมานจาก IAD ผู้เข้าร่วมการคัดเลือกที่คัดเลือกทั้งหมดเป็นเจ้าของภาษาจีนดั้งเดิมไม่เคยใช้สารผิดกฎหมายและถนัดขวา ก่อนที่จะทำการสแกนด้วยคลื่นสนามแม่เหล็ก (MRI) การตรวจคัดกรองยาเสพติดในปัสสาวะทุกวิชาเพื่อแยกสารที่ไม่เหมาะสมออก เกณฑ์การยกเว้นสำหรับทั้งสองกลุ่มคือ (1) ที่มีความผิดปกติของระบบประสาท (2) แอลกอฮอล์นิโคตินหรือสารเสพติด (3) การตั้งครรภ์หรือประจำเดือนในผู้หญิง และ (4) ความเจ็บป่วยทางร่างกายใด ๆ เช่นเนื้องอกในสมอง, ตับอักเสบหรือโรคลมชักตามการประเมินทางคลินิกและเวชระเบียน นอกจากนี้ยังใช้มาตราส่วนความวิตกกังวลประเมินตนเอง (SAS) และมาตรวัดระดับความวิตกกังวลด้วยตนเอง (SDS) เพื่อประเมินสถานะทางอารมณ์ของผู้เข้าร่วมทุกคนในวันสแกน ผู้ป่วยทั้งหมดและการควบคุมสุขภาพให้ความยินยอมเป็นลายลักษณ์อักษร มีการให้ข้อมูลประชากรโดยละเอียดเพิ่มเติมใน 1 ตาราง.

ภาพขนาดย่อ
 
 
 
 
 
 
 
 
 
1 ตาราง ข้อมูลประชากรของหัวเรื่องสำหรับความผิดปกติของการเสพติดอินเทอร์เน็ต (IAD) และกลุ่มควบคุม

ดอย: 10.1371 / journal.pone.0020708.t001

วิธีการถ่ายภาพสมองด้วย 2.2 และการวิเคราะห์ข้อมูล

2.2.1 พารามิเตอร์การสแกน

ข้อมูลการถ่ายภาพดำเนินการกับเครื่องสแกน 3T ซีเมนส์ (Allegra; Siemens Medical System) ที่ศูนย์วิจัย MR Huaxi โรงพยาบาลเวสต์ไชน่ามหาวิทยาลัยเสฉวนเฉิงตูประเทศจีน ขดลวดหัวกรงนกมาตรฐานถูกนำมาใช้พร้อมกับแผ่นโฟมยับยั้งเพื่อลดการเคลื่อนไหวของหัวและลดเสียงสแกนเนอร์ ลำดับภาพได้มาจากการถ่ายภาพด้วยการกระจายน้ำหนักด้วยการถ่ายภาพสะท้อนก้องครั้งเดียวในแนวเดียวกับระนาบการกระจายด้านหน้า - หลัง ได้ภาพเทนเซอร์แบบแพร่กระจายด้วยค่าเฉลี่ย 2 การไล่ระดับความไวแสงแบบกระจายถูกนำไปใช้ในทิศทางที่ไม่ใช่เชิงเส้น 30 (b = 1000 s / mm2) พร้อมกับการได้มาซึ่งไม่มีการกระจายน้ำหนัก (b = 0 s / mm2) พารามิเตอร์การถ่ายภาพคือชิ้นแกน 45 ต่อเนื่องที่มีความหนาชิ้นของ 3 mm และไม่มีช่องว่างมุมมอง = 240 × 240 mm2, เวลาการทำซ้ำ / echo time = 6800 / 93 ms, เมทริกซ์การได้มา = 128 × 128 นอกจากนี้ภาพที่ได้รับน้ำหนักตามแนวแกน 3D T1 ได้มาพร้อมกับลำดับการเรียกคืนการไล่ระดับสีแบบเสียและพารามิเตอร์ต่อไปนี้: TR = 1900 ms; TE = 2.26 ms; มุมพลิก = 90; ความละเอียดเมตริกซ์ในระนาบ = 256 × 256; slices = 176; สาขาดู = 256 มม; ขนาด voxel = 1 × 1 × 1 มม.

2.2.2 VBM

ประมวลผลข้อมูลโครงสร้างด้วยโปรโตคอล FSL-VBM [30], [31] ด้วยซอฟต์แวร์ FSL 4.1 [32]. อันดับแรกภาพ T1 ทั้งหมดถูกสกัดโดยใช้เครื่องมือแยกสมอง (BET) [33]. ถัดไปการแบ่งส่วนประเภทเนื้อเยื่อดำเนินการโดยใช้เครื่องมือแบ่งส่วนอัตโนมัติ (FAST) V4.1 ของ FMRIB [34]. จากนั้นภาพปริมาตรบางส่วนของสสารสีเทาที่ได้จะถูกปรับให้ตรงกับพื้นที่มาตรฐาน MNI152 โดยใช้เครื่องมือการลงทะเบียนภาพเชิงเส้นของ FMRIB (FLIRT) [35], [36]ตามด้วยการลงทะเบียนแบบไม่เชิงเส้นโดยใช้เครื่องมือการลงทะเบียนรูปภาพแบบไม่เชิงเส้นของ FMRIB (FNIRT) [37], [38]ซึ่งใช้การแทน b-spline ของฟิลด์การแปรปรวนการลงทะเบียน [39]. ภาพที่ได้ถูกนำมาเฉลี่ยเพื่อสร้างเทมเพลตเฉพาะสำหรับการศึกษาซึ่งภาพสสารสีเทาดั้งเดิมนั้นไม่ได้ลงทะเบียนใหม่เป็นเส้นตรง โพรโทคอลที่ดีที่สุดแนะนำการปรับสำหรับการหด / ขยายเนื่องจากองค์ประกอบไม่เชิงเส้นของการเปลี่ยนแปลง: voxel แต่ละภาพสสารเรื่องสีเทาที่ลงทะเบียนถูกแบ่งโดย Jacobian ของสนามวิปริต ในที่สุดเพื่อเลือกเคอร์เนลที่ดีที่สุด 32 มอดูเลตปรับระดับเสียงสสารสสารสีเทามาตรฐานทั้งหมดจะถูกทำให้เรียบด้วย isotropic Gaussian kernels เพิ่มขนาด (sigma = 2.5, 3, 3.5, 4 และ 6 mm ซึ่งสอดคล้องกับ 7, 8, 9.2, 5000 และ XNUMX mm FWHM ตามลำดับ) การเปลี่ยนแปลงในระดับภูมิภาคของสสารสีเทาได้รับการประเมินโดยใช้การทดสอบแบบไม่อิงพารามิเตอร์ที่มีการเปลี่ยนแปลงด้วยการสุ่มเปลี่ยน XNUMX [40]. วิเคราะห์ความแปรปรวนร่วม (ANCOVA) ถูกนำมาใช้กับอายุผลกระทบทางเพศและปริมาตรในกะโหลกศีรษะรวมเป็นโควาเรียต ปริมาณ intracranial ทั้งหมดถูกคำนวณเป็นผลรวมของสสารสีเทา, สสารขาว, และปริมาณน้ำไขสันหลังจากการแบ่งส่วน FSL BET เมื่อเร็ว ๆ นี้ดงและคณะ พบว่าคะแนนภาวะซึมเศร้าและความวิตกกังวลสูงขึ้นอย่างมีนัยสำคัญหลังจากการติดยาเสพติดเมื่อเทียบกับก่อนที่จะติดยาเสพติดในนักศึกษาบางคนและพวกเขาแนะนำว่าสิ่งเหล่านี้เป็นผลลัพธ์ของ IAD ดังนั้น SAS และ SDS [41]. การแก้ไขสำหรับการเปรียบเทียบหลายรายการดำเนินการโดยใช้วิธีการกำหนดเกณฑ์ขั้นต่ำแบบคลัสเตอร์ที่มีคลัสเตอร์เริ่มต้นสร้างเกณฑ์ที่ t = 2.0 ผลลัพธ์ถูกพิจารณาว่ามีความสำคัญสำหรับ p<0.05 สำหรับภูมิภาคที่อาสาสมัคร IAD มีปริมาณสสารสีเทาที่แตกต่างกันอย่างมีนัยสำคัญจากการควบคุมปริมาณสสารสีเทาของพื้นที่เหล่านี้จะถูกแยกออกมาเฉลี่ยและถดถอยเมื่อเทียบกับระยะเวลาของการติดอินเทอร์เน็ต

2.2.3 DTI

เราคำนวณค่า FA สำหรับแต่ละ voxel ซึ่งสะท้อนระดับของ anisotropy diffusion ภายใน voxel (ช่วง 0 – 1 ซึ่งค่าที่เล็กลงแสดงการกระจายแบบ isotropic มากขึ้นและการเชื่อมโยงกันน้อยลงและค่าขนาดใหญ่บ่งชี้ทิศทางการเคลื่อนที่ของ Brownian [42]. ซอฟต์แวร์ FDT ใน FSL 4.1 ใช้สำหรับการคำนวณ FA [32]. ก่อนอื่นการแก้ไขกระแสวนและการเคลื่อนที่ของหัวกระทำโดยการเลียนแบบการลงทะเบียนในปริมาตรที่ไม่มีการแพร่ของน้ำหนักแรกของแต่ละวิชา ภาพ FA ถูกสร้างขึ้นโดยการติดตั้งเมตริกซ์การแพร่กระจายกับข้อมูลการแพร่แบบดิบหลังจากการสกัดสมองด้วย BET [33]. จากนั้นทำการวิเคราะห์ทางสถิติโดยใช้ voxel-wise ของข้อมูล FA โดยใช้สถิติเชิงพื้นที่ (TBSS) V1.2 ส่วนหนึ่งของ FSL [43], [44]. FA ถ่ายภาพจากทุกวิชา (ตัวแบบ IAD และตัวควบคุมที่ดีต่อสุขภาพ) ได้รับการปรับให้เป็นภาพพื้นที่มาตรฐานของ FMRIB58_FA โดย FNIRT [37], [38] โดยใช้การแสดง b-spline ของฟิลด์วาร์ปการลงทะเบียน [39]. จากนั้นภาพ FA ค่าเฉลี่ยถูกสร้างขึ้นและทำให้บางลงเพื่อสร้างโครงกระดูก FA ค่าเฉลี่ย (เกณฑ์ 0.2) ซึ่งแสดงถึงจุดศูนย์กลางของแผ่นพับทั้งหมดที่ใช้ร่วมกันในกลุ่ม ข้อมูล FA ที่จัดตำแหน่งของแต่ละเรื่องจะถูกฉายกลับไปที่โครงกระดูกนี้ การเปลี่ยนแปลงค่า FA ของสารสีขาวได้รับการประเมินโดยใช้การทดสอบแบบไม่อิงพารามิเตอร์การเปลี่ยนแปลง [40] ด้วยการเปลี่ยนลำดับแบบสุ่มของ 5000 ANCOVA ถูกจ้างมาด้วยอายุและผลกระทบทางเพศในฐานะผู้ร่วมทุน การแก้ไขสำหรับการเปรียบเทียบหลายรายการดำเนินการโดยใช้วิธีการกำหนดเกณฑ์ขั้นต่ำแบบคลัสเตอร์โดยมีกลุ่มเริ่มต้นที่เป็นเกณฑ์ของ t = 2.0 ผลลัพธ์ถูกพิจารณาว่ามีความสำคัญสำหรับ p<0.05 สำหรับกลุ่มที่ผู้ป่วยติดอินเทอร์เน็ตมีค่า FA ที่แตกต่างกันอย่างมีนัยสำคัญจากการควบคุม FA ของบริเวณสมองเหล่านี้จะถูกแยกออกมาเฉลี่ยและถดถอยตามระยะเวลาของการติดอินเทอร์เน็ต

2.2.4 ปฏิกิริยาระหว่างสสารสีเทากับความผิดปกติของสสารสีขาว

เพื่อตรวจสอบปฏิสัมพันธ์ระหว่างการเปลี่ยนแปลงของสารสีเทาและการเปลี่ยนแปลงของสารสีขาวการวิเคราะห์ความสัมพันธ์ได้ดำเนินการระหว่างปริมาณสารสีเทาที่ผิดปกติและค่า FA ของสารสีขาวในกลุ่ม IAD

ผลสอบ

ผลลัพธ์ 3.1 VBM

การเปลี่ยนแปลงปริมาณสสารสีเทาในภูมิภาคถูกประเมินแบบไม่อิงพารามิเตอร์โดยใช้ VBM ที่ปรับปรุงแล้ว การแก้ไขสำหรับการเปรียบเทียบหลายรายการดำเนินการโดยใช้วิธีการกำหนดเกณฑ์ขั้นต่ำแบบคลัสเตอร์ การเปรียบเทียบ VBM ระหว่างอาสาสมัคร IAD และการควบคุมที่ดีต่อสุขภาพระบุว่าปริมาณสสารสีเทาลดลงในหลายกลุ่มเช่น DLPFC ทวิภาคี, พื้นที่มอเตอร์เสริม (SMA), OFC, ซีรีเบลลัมและ ACC ซ้ายมือ ตัวแปรที่รวมถึงอายุผลกระทบทางเพศและปริมาณในกะโหลกศีรษะทั้งหมด ปริมาณสารสีเทาของ DLPFC ขวา, ซ้าย rACC และ SMA ขวาแสดงความสัมพันธ์เชิงลบกับเดือนของการติดอินเทอร์เน็ต (r1 = −0.7256, p1 <0.005; r2 = −0.7409, p2 <0.005; r3 = −0.6451, p3 <0.005) ไม่มีบริเวณของสมองที่มีปริมาณสสารสีเทาสูงกว่าการควบคุมที่ดีดังที่แสดงใน รูป 1 และ 2 ตาราง

 

ภาพขนาดย่อ  

 

 

 

 

 

 

 

 

 

รูป 1 ผลลัพธ์ VBM

A. ปริมาณสสารสีเทาลดลงในวัตถุ IAD (1-p) แก้ไขแล้ว pภาพมูลค่า ภาพพื้นหลังเป็นแม่แบบมาตรฐาน MNI152_T1_1mm_brain ใน FSL B. ปริมาณสสารสีเทาของ DLPFC, rACC และ SMA มีความสัมพันธ์เชิงลบกับระยะเวลาของการติดอินเทอร์เน็ต

ดอย: 10.1371 / journal.pone.0020708.g00
 
ภาพขนาดย่อ  

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

2 ตาราง ภูมิภาคที่มีปริมาณสสารสีเทาผิดปกติและสสารสีขาว FA (เศษส่วน anisotropy) ระหว่างวัตถุที่มีความผิดปกติของการเสพติดอินเทอร์เน็ต (IAD) และการควบคุมที่ดีต่อสุขภาพ (p<0.05 แก้ไขแล้ว)

ดอย: 10.1371 / journal.pone.0020708.t002

ผลลัพธ์ 3.2 DTI

ในส่วนที่เกี่ยวกับการวิเคราะห์ข้อมูล DTI นั้นการแก้ไขสำหรับการเปรียบเทียบหลายรายการได้ดำเนินการโดยใช้วิธีการกำหนดเกณฑ์ขั้นต่ำแบบคลัสเตอร์ ผลลัพธ์ TBSS ของเราเปิดเผยค่า FA ที่ปรับปรุงแล้ว (IAD: 0.78 ± 0.04; การควบคุม: 0.56 ± 0.02) ของแขนขาหลังด้านซ้ายของแคปซูลภายใน (PLIC) ในวิชา IAD เปรียบเทียบกับการควบคุมที่ดีและค่า FA ลดลง (IAD: 0.31 ± 0.04; การควบคุม: 0.48 ± 0.03) ในสสารสีขาวภายในพาราฮิปโปแคมปัสด้านขวา (PHG) ดังที่แสดงใน รูป 2 และ 2 ตาราง. นอกจากนี้ FA ยังมีความสัมพันธ์เชิงบวกกับระยะเวลาการติดอินเทอร์เน็ตใน PLIC ด้านซ้าย (r = 0.5869 p <0.05) ในขณะที่ไม่พบความสัมพันธ์อย่างมีนัยสำคัญระหว่างค่า FA ของ PHG ที่เหมาะสมและระยะเวลาของการติดอินเทอร์เน็ต

ภาพขนาดย่อ  

 

 

 

 

 

 

 

 

 

 

 

 

รูป 2 ผลลัพธ์ของ DTI

A. โครงสร้างสสารสีขาวแสดง FA ที่ผิดปกติในตัวแบบ IAD (1-p) แก้ไขแล้ว pภาพมูลค่า ภาพพื้นหลังเป็นแม่แบบ FMRIB58_FA_1mm มาตรฐานใน FSL Voxels สีแดง - เหลืองเป็นตัวแทนของภูมิภาคที่ FA ลดลงอย่างมีนัยสำคัญใน IAD เมื่อเทียบกับการควบคุมสุขภาพ Blue-Light Blue voxels แสดงถึง FA ที่เพิ่มขึ้นใน IAD B. FA ของ PLIC มีความสัมพันธ์เชิงบวกกับระยะเวลาของการติดอินเทอร์เน็ต

ดอย: 10.1371 / journal.pone.0020708.g002

3.3 ปฏิกิริยาระหว่างสสารสีเทากับความผิดปกติของสสารสีขาว

การวิเคราะห์ปฏิสัมพันธ์ระหว่างปริมาณสสารสีเทาและค่า FA ของสสารสีขาวในกลุ่ม IAD พบว่าไม่มีความสัมพันธ์อย่างมีนัยสำคัญระหว่างมาตรการทั้งสองนี้

การสนทนา Top

IAD ส่งผลให้เกิดความบกพร่องทางด้านจิตใจของแต่ละบุคคลความล้มเหลวด้านวิชาการและประสิทธิภาพการทำงานลดลงในหมู่วัยรุ่น [12]-[18]. อย่างไรก็ตามในปัจจุบันยังไม่มีวิธีการรักษามาตรฐานสำหรับ IAD การพัฒนาวิธีการที่มีประสิทธิภาพสำหรับการแทรกแซงและการรักษาของ IAD จะต้องมีการสร้างความเข้าใจที่ชัดเจนของกลไกก่อน การให้ความรู้เกี่ยวกับความผิดปกติของโครงสร้างสมองใน IAD นั้นมีความสำคัญอย่างยิ่งต่อการระบุเภสัชศาสตร์ที่เป็นไปได้ในการรักษาความผิดปกตินี้ ในการศึกษาปัจจุบันเราค้นพบการเปลี่ยนแปลงปริมาณสสารสีเทาและการเปลี่ยนแปลง FA ของสสารสีขาวในวัยรุ่นด้วย IAD นอกจากนี้เรายังเปิดเผยความสัมพันธ์ระหว่างความผิดปกติเชิงโครงสร้างและระยะเวลาของการติดอินเทอร์เน็ต เราแนะนำว่า IAD ส่งผลให้เกิดการเปลี่ยนแปลงโครงสร้างสมองในวัยรุ่นและความผิดปกติของโครงสร้างเหล่านี้อาจเกี่ยวข้องกับความบกพร่องในการทำงานในการควบคุมความรู้ความเข้าใจ.

ผลลัพธ์ 4.1 VBM

สอดคล้องกับการศึกษา VBM ก่อนหน้า [21]เราไม่พบพื้นที่สมองที่แสดงปริมาณสสารสีเทาที่เพิ่มขึ้นในกลุ่มผู้ติดอินเทอร์เน็ต. การเปรียบเทียบปริมาณสสารสีเทาในภูมิภาคระบุว่าฝ่อภายในกลุ่มหลายกลุ่มสำหรับผู้ติดอินเทอร์เน็ตทั้งหมด (p <0.05, แก้ไขแล้ว) ซึ่ง ได้แก่ DLPFC ทวิภาคี, SMA, cerebellum, OFC และ rACC ด้านซ้าย (ดังแสดงใน รูป 1) ยิ่งกว่านั้นลีบของ DLPFC ที่ถูกต้อง rACC ด้านซ้ายและ SMA ที่ถูกต้องนั้นมีความสัมพันธ์เชิงลบกับระยะเวลาของการติดอินเทอร์เน็ตซึ่ง Zhou และ al ตรวจสอบล้มเหลว [21]. ผลลัพธ์เหล่านี้แสดงให้เห็นว่าเมื่อติดยาเสพติดอินเทอร์เน็ตยังคงอยู่สมองฝ่อของ DLPFC, rACC และ SMA มีความรุนแรงมากขึ้น ผลลัพธ์ของสมองลีบในการศึกษาของเรานั้นแตกต่างจากการค้นพบครั้งก่อน ๆ [21]ซึ่งอาจเกิดจากวิธีการประมวลผลข้อมูลที่แตกต่างกัน ในการศึกษาปัจจุบันผลกระทบที่เป็นไปได้ที่น่าสับสนของอายุเพศและปริมาตรของสมองทั้งหมดรวมอยู่ในรูปของโควารีซึ่งการศึกษาก่อนหน้านี้ไม่ได้พิจารณา วิธีการประมวลผลที่แตกต่างกันอาจทำให้เกิดการค้นพบที่แตกต่างกัน

จากการศึกษาก่อนหน้านี้การติดยาเสพติดการใช้สารเสพติดในระยะยาว [45], [46] และการติดอินเทอร์เน็ต [11], [20] จะนำไปสู่การควบคุมการรับรู้ที่บกพร่อง การควบคุมความรู้ความเข้าใจสามารถแนวความคิดเป็นความสามารถในการปราบปรามการตอบกลับอย่างไม่ถูกต้องและความสามารถในการกรองข้อมูลที่ไม่เกี่ยวข้องภายในชุดกระตุ้นและอนุญาตให้ดำเนินการที่เหมาะสมเพื่อตอบสนองความต้องการงานที่ซับซ้อนและการปรับตัว [47]. การศึกษาเกี่ยวกับการถ่ายภาพสมองฟังก์ชั่นจำนวนมากได้เปิดเผยว่า DLPFC และ rACC มีส่วนเกี่ยวข้องในการควบคุมการเรียนรู้จากส่วนกลาง [48], [49]. การศึกษา neurocognitive ที่แตกต่างกันได้เปิดเผยว่าการควบคุมความรู้ความเข้าใจเกี่ยวข้องกับวงจร cortico – subcortical เฉพาะรวมถึง rACC และ DLPFC [50], [51]. ตามสมมติฐานการตรวจสอบความขัดแย้งที่โดดเด่น [47], [52]การเกิดขึ้นของความขัดแย้งในการตอบสนองนั้นส่งสัญญาณโดย rACC ซึ่งนำไปสู่การสรรหาบุคลากรของ DLPFC สำหรับการควบคุมการรับรู้มากขึ้นเพื่อประสิทธิภาพที่ตามมา บทบาทที่สำคัญของ DLPFC นี้ได้รับการระบุในงานวิจัยด้านประสาทวิทยาด้วยกระบวนการควบคุมจากด้านบนของการควบคุมความรู้ความเข้าใจ [53]. การศึกษา neuroimaging ล่าสุดได้เปิดเผยการเลิกใช้ rACC ในภารกิจ GO / NOGO ในผู้ติดเฮโรอีน [54], [55] และผู้ใช้โคเคน [45]ระบุบทบาทที่สำคัญของ rACC ในการควบคุมการรับรู้ [46].

OFC ยังมีส่วนช่วยในการควบคุมการรับรู้ของพฤติกรรมตามเป้าหมายผ่านการประเมินความสำคัญของแรงจูงใจของสิ่งเร้าและการเลือกพฤติกรรมเพื่อให้ได้ผลลัพธ์ที่ต้องการ [56]. OFC มีการเชื่อมต่อที่กว้างขวางกับภูมิภาค striatum และ limbic (เช่น amygdala) เป็นผลให้ OFC ตั้งอยู่อย่างดีในการรวมกิจกรรมของพื้นที่ limbic และ subcortical หลายที่เกี่ยวข้องกับพฤติกรรมแรงจูงใจและการประมวลผลรางวัล [57]. การศึกษาสัตว์บางอย่างได้แสดงให้เห็นว่าความเสียหายต่อทั้ง OFC และหนูคอร์เทลิพิคคอร์เท็กซ์ (การทำงานที่คล้ายคลึงกันของมนุษย์ DLPFC) ทำให้การได้รับและการเปลี่ยนแปลงพฤติกรรมของพฤติกรรมที่นำโดยภาระผูกพันระหว่างการตอบสนองและผลลัพธ์บ่งชี้ว่า การควบคุมความรู้ความเข้าใจเกี่ยวกับพฤติกรรมตามเป้าหมาย [56], [58].

SMA มีความสำคัญต่อการเลือกพฤติกรรมที่เหมาะสมไม่ว่าจะเลือกดำเนินการตอบสนองที่เหมาะสมหรือเลือกที่จะยับยั้งการตอบสนองที่ไม่เหมาะสม [59]. นักวิจัยบางคนตรวจพบว่างาน GO / NOGO ทั้งที่เรียบง่ายและซับซ้อนนั้นเกี่ยวข้องกับ SMA และพวกเขาเปิดเผยถึงบทบาทสำคัญของ SMA ในการควบคุมการรู้คิด [46], [60].

การศึกษาเกี่ยวกับการถ่ายภาพทางกายวิภาคสรีรวิทยาและการทำงานหลายอย่างชี้ให้เห็นว่าสมองน้อยนั้นมีส่วนช่วยในการทำงานของการรับรู้ที่สูงขึ้น [61]-[64]ด้วยรอยโรคที่แยกไปยังสมองน้อยส่งผลให้การทำงานของผู้บริหารและความจำในการทำงานลดลงแม้กระทั่งในการเปลี่ยนแปลงบุคลิกภาพเช่นพฤติกรรมที่ไม่เหมาะสมและพฤติกรรมที่ไม่เหมาะสม

ผลลัพธ์ของเรา (รูป 1) ของปริมาณสสารสีเทาที่ลดลงใน DLPFC, rACC, OFC, SMA และ cerebellum อาจอย่างน้อยก็บางส่วนเกี่ยวข้องกับการควบคุมการรับรู้และการทำงานผิดปกติของการกำหนดเป้าหมายในการติดอินเทอร์เน็ต [15], [19], [20], [28]ซึ่งอาจอธิบายอาการพื้นฐานของการติดอินเทอร์เน็ต

ผลลัพธ์ 4.2 DTI

เราคำนวณค่า FA ในแต่ละวัตถุสีขาว voxel สำหรับแต่ละเรื่องซึ่งปริมาณความแข็งแรงของทิศของโครงสร้างจุลภาคทางเดินท้องถิ่น การเปรียบเทียบ voxel-wise สมองทั้งหมดเหนือโครงกระดูกสสารสีขาวโดยใช้การทดสอบการเปลี่ยนรูปและการทำสถิติทางสถิติอย่างเข้มงวดระบุว่ากลุ่ม IAD มีค่า FA ต่ำกว่าในกระจุกภายใน PHG ที่เหมาะสม (p <0.05 แก้ไขแล้ว) ในทางกลับกันการค้นหา FA ที่เพิ่มขึ้นในวิชา IAD แสดงให้เห็นว่าวิชา IAD มีค่า FA สูงกว่าในคลัสเตอร์ภายใน PLIC ด้านซ้าย (p <0.05 แก้ไขแล้ว) ยิ่งไปกว่านั้นค่า FA ของ PLIC ด้านซ้ายมีความสัมพันธ์เชิงบวกกับระยะเวลาของการติดอินเทอร์เน็ต (รูป 2).

PHG เป็นพื้นที่สมองที่ล้อมรอบฮิบโปและมีบทบาทสำคัญในการเข้ารหัสและดึงหน่วยความจำ [65], [66]. PHG นำเสนอการรับรู้ทางประสาทสัมผัสที่สำคัญไปยังฮิปโปแคมปัสผ่านการเชื่อมต่อของอวัยวะภายในและเป็นผู้รับการผสมผสานของข้อมูลทางประสาทสัมผัสที่แตกต่างกัน [67], [68]ซึ่งเกี่ยวข้องกับความรู้ความเข้าใจและการควบคุมอารมณ์ [69]. เมื่อเร็ว ๆ นี้นักวิจัยบางคนแนะนำว่า PHG ที่ถูกต้องมีส่วนช่วยในการสร้างและบำรุงรักษาข้อมูลที่ถูกผูกไว้ในหน่วยความจำในการทำงาน [70]. หน่วยความจำในการทำงานนั้นใช้เพื่อการจัดเก็บข้อมูลชั่วคราวและการจัดการข้อมูลออนไลน์และเป็นสิ่งสำคัญสำหรับการควบคุมการรับรู้ [71]. การค้นพบว่าค่า FA ต่ำกว่าของ PHG ในวิชา IAD แสดงให้เห็นว่าคุณสมบัติของสสารสีขาวที่ผิดปกติอาจเป็นพื้นฐานโครงสร้างของการขาดดุลการทำงานของหน่วยความจำการทำงานในวิชา IAD [19]. เมื่อเร็ว ๆ นี้ Liu และคณะ [72] รายงานเพิ่มขึ้น ReHo ใน PHG ทวิภาคีใน IAD นักศึกษาเทียบกับการควบคุมและแนะนำผลนี้สะท้อนให้เห็นถึงการเปลี่ยนแปลงการทำงานในสมองอาจเกี่ยวข้องกับเส้นทางการให้รางวัล เห็นได้ชัดว่าจำเป็นต้องมีการทำงานมากขึ้นเพื่อทำความเข้าใจบทบาทที่ถูกต้องของ PHG ใน IAD

ในทางกายวิภาคแคปซูลภายในเป็นพื้นที่ของสสารสีขาวในสมองที่แยกนิวเคลียสหางและตาลัสจากนิวเคลียสแม่และเด็กซึ่งประกอบด้วยแกนขึ้นและลง นอกจากเส้นใย corticospinal และ corticopontine แล้วแคปซูลภายในยังประกอบด้วยเส้นใย thalamocortical และ corticofugal [73], [74]. แขนขาด้านหลังของแคปซูลภายในประกอบด้วยเส้นใย corticospinal เส้นใยประสาทสัมผัส (รวมถึง lemniscus อยู่ตรงกลางและระบบ anterolateral) จากร่างกายและเส้นใย corticobulbar ไม่กี่ [73]-[76]. เยื่อหุ้มมอเตอร์หลักส่งแกนของมันผ่านแขนขาด้านหลังของแคปซูลภายในและมีบทบาทสำคัญในการเคลื่อนไหวของนิ้วมือและภาพถ่ายจากมอเตอร์ [77], [78]. เหตุผลที่เป็นไปได้สำหรับค่า FA ในการปรับปรุงแคปซูลภายในคือวิชาที่ IAD ใช้เวลาในการเล่นเกมคอมพิวเตอร์มากขึ้นและการเคลื่อนไหวของมอเตอร์ซ้ำ ๆ เช่นการคลิกเมาส์และการพิมพ์คีย์บอร์ดเปลี่ยนโครงสร้างของแคปซูลภายใน ผลการวิจัยพบว่าการฝึกอบรมได้ปรับปรุงโครงสร้างสมองในการศึกษาอื่น [79]-[81]การฝึกอบรมระยะยาวเหล่านี้อาจเปลี่ยนโครงสร้างสสารขาวของ PLIC การส่งข้อมูลระหว่างบริเวณสมองส่วนหน้าและส่วนหน้า subcortical ปรับการทำงานของสมองและพฤติกรรมมนุษย์ให้สูงขึ้น [82], [83]ซึ่งอาศัยเส้นใยสีขาวสสารผ่านแคปซูลภายใน [83], [84]. ความผิดปกติของโครงสร้างในแคปซูลภายในอาจส่งผลต่อการทำงานของการรับรู้และทำหน้าที่ผู้บริหารและหน่วยความจำบกพร่อง [85]. ค่า FA ที่ผิดปกติของ PLIC ทางซ้ายอาจมีผลต่อการถ่ายโอนและการประมวลผลข้อมูลทางประสาทสัมผัสและในที่สุดก็นำไปสู่ความบกพร่องในการควบคุมการรับรู้ [86], [87]. นอกจากนี้การติดอินเทอร์เน็ตอาจทำให้เกิดความรู้สึกไม่สบายทางกายหรือปัญหาทางการแพทย์เช่นโรค carpal tunnel syndrome, ตาแห้ง, ปวดหลังและปวดศีรษะรุนแรง [88]-[90]. ค่า FA ที่ผิดปกติของ PLIC ทางซ้ายอาจอธิบายอาการ carpal tunnel syndrome ในวิชา IAD ซึ่งต้องได้รับการตรวจสอบด้วยการออกแบบที่ซับซ้อนยิ่งขึ้นในอนาคต

4.3 ปฏิกิริยาระหว่างสสารสีเทากับความผิดปกติของสสารสีขาว

เราได้ตรวจสอบความสัมพันธ์ระหว่างสสารสีเทาและการเปลี่ยนแปลงของสารสีขาว น่าเสียดายที่ไม่มีความสัมพันธ์อย่างมีนัยสำคัญระหว่างสองมาตรการนี้ ปรากฏการณ์นี้ชี้ให้เห็นว่าการเปลี่ยนแปลงทางสัณฐานวิทยาของ IAD ต่อสสารสีเทาของสมองและสสารสีขาวไม่มีความสัมพันธ์เชิงเส้นอย่างมีนัยสำคัญ มีความเป็นไปได้ที่ความผิดปกติของสสารสีเทาเชื่อมโยงการเปลี่ยนแปลงของสสารสีขาวในทางอื่น อย่างไรก็ตามการค้นพบของเราแสดงให้เห็นว่าลักษณะโครงสร้างของสสารสีเทาและสารสีขาวผิดปกติในวัยรุ่นที่มี IAD

มีข้อ จำกัด บางประการของการศึกษาในปัจจุบัน ประการแรกในขณะที่ผลการศึกษาของเราระบุว่าการเปลี่ยนแปลงของสสารสีเทาและสสารสีขาวอาจเป็นผลมาจากการใช้อินเทอร์เน็ตมากเกินไปหรือ IAD แต่เราไม่สามารถยกเว้นความเป็นไปได้อื่น ๆ ซึ่งกล่าวถึงความแตกต่างเชิงโครงสร้างระหว่างการควบคุมปกติและ IAD ที่อาจเป็น สาเหตุของการใช้อินเทอร์เน็ตมากเกินไป ลักษณะผิดปกติของบริเวณสมองที่เกี่ยวข้องกับการควบคุมความรู้ความเข้าใจในวัยรุ่นบางคนทำให้พวกเขายังไม่บรรลุนิติภาวะและทำให้พวกเขาพึ่งพาอินเทอร์เน็ตได้ง่าย ปัญหาของสาเหตุและผลลัพธ์ควรได้รับการตรวจสอบโดยการออกแบบการทดลองที่ครอบคลุมมากขึ้นในการศึกษาในอนาคต อย่างไรก็ตามเราแนะนำว่าสิ่งที่ค้นพบในการศึกษาในปัจจุบันเป็นผลมาจาก IAD ประการที่สองเกี่ยวกับความสัมพันธ์ระหว่างการเปลี่ยนแปลงโครงสร้างและระยะเวลาของ IAD เดือนของ IAD เป็นการระบุลักษณะขั้นต้นโดยการระลึกถึงวิชา IAD เราขอให้อาสาสมัครระลึกถึงวิถีชีวิตของพวกเขาในช่วงแรกที่พวกเขาติดอินเทอร์เน็ต เพื่อรับประกันว่าพวกเขากำลังทุกข์ทรมานจากการติดอินเทอร์เน็ตเราได้ทำการทดสอบอีกครั้งโดยใช้เกณฑ์ YDQ ที่แก้ไขโดย Beard and Wolf นอกจากนี้เรายังยืนยันความน่าเชื่อถือของรายงานตนเองจากอาสาสมัคร IAD ด้วยการพูดคุยกับผู้ปกครองทางโทรศัพท์ การเปลี่ยนแปลงโครงสร้างของสมองตามกระบวนการเสพติดอาจมีความสำคัญมากขึ้นในการทำความเข้าใจโรคด้วยเหตุนี้ความสัมพันธ์ระหว่างระยะเวลาและมาตรการโครงสร้างของสมองจึงดำเนินการ ความสัมพันธ์เหล่านี้ชี้ให้เห็นว่ามีผลสะสมในปริมาณสสารสีเทาที่ลดลงของ DLPFC ด้านขวา, SMA ด้านขวา, rACC ด้านซ้ายและ FA สสารสีขาวที่เพิ่มขึ้นใน PLIC ด้านซ้าย ในที่สุดแม้ว่าเราจะแนะนำว่าความผิดปกติของโครงสร้างของปริมาณสสารสีเทาและสารสีขาว FA นั้นเกี่ยวข้องกับความบกพร่องทางการทำงานในการควบคุมความรู้ความเข้าใจใน IAD แต่ข้อ จำกัด ที่ใหญ่ที่สุดของการศึกษาในปัจจุบันคือการขาดการบ่งชี้เชิงปริมาณของการขาดดุลในการควบคุมความรู้ความเข้าใจในสิ่งเหล่านี้ วัยรุ่นที่มี IAD แม้ว่าความสัมพันธ์ระหว่างความผิดปกติของโครงสร้างเหล่านี้และระยะเวลาของการติดอินเทอร์เน็ตจะได้รับการตรวจสอบในการศึกษาในปัจจุบันของเรา แต่การระบุลักษณะของความผิดปกติของโครงสร้างพื้นฐานใน IAD อย่างครบถ้วนยังคงจำเป็นต้องได้รับการวิจัยในรายละเอียดเพิ่มเติมในอนาคตซึ่งเป็นสิ่งสำคัญในการทำความเข้าใจผลกระทบ ของ IAD ในการทำงานระยะยาว ในอนาคตเราจะรวมการค้นพบโครงสร้างเหล่านี้เข้ากับการแสดงพฤติกรรมของงานด้านความรู้ความเข้าใจในวิชาที่มี IAD โดยรวมแล้วการเปลี่ยนแปลงของ FA และการเปลี่ยนแปลงของปริมาณสสารสีเทาดังที่แสดงในการศึกษาในปัจจุบันระบุว่ามีการเปลี่ยนแปลงของสมองในระดับจุลภาคซึ่งช่วยเพิ่มความเข้าใจเกี่ยวกับ IAD ของเรา

สรุป

เราได้เตรียมหลักฐานที่แสดงว่ากลุ่ม IAD มีการเปลี่ยนแปลงโครงสร้างหลายอย่างในสมอง การเสื่อมของสสารสีเทาและสีขาวของ FA ในสมองบางส่วนมีความสัมพันธ์อย่างมีนัยสำคัญกับระยะเวลาของการติดอินเทอร์เน็ต ผลลัพธ์เหล่านี้อาจตีความได้อย่างน้อยบางส่วนเนื่องจากความบกพร่องในการทำงานของการควบคุมความรู้ความเข้าใจใน IAD ความผิดปกติของเยื่อหุ้มสมองส่วนหน้ามีความสอดคล้องกับการศึกษาการใช้สารเสพติดก่อนหน้านี้ [23], [48], [80], [81]ดังนั้นเราแนะนำว่าอาจมีกลไกการซ้อนทับบางส่วนใน IAD และการใช้สาร เราหวังว่าผลลัพธ์ของเราจะช่วยเพิ่มความเข้าใจของ IAD และช่วยในการปรับปรุงการวินิจฉัยและการป้องกันของ IAD

  

กิตติกรรมประกาศ Top

เราขอขอบคุณฉินโอวหยาง, Qizhu Wu และ Junran Zhang สำหรับความช่วยเหลือด้านเทคนิคที่มีคุณค่าในการทำวิจัยนี้

 

ผลงานของผู้เขียน Top

รู้สึกและออกแบบการทดลอง: KY WQ YL ดำเนินการทดลอง: KY WQ FZ LZ วิเคราะห์ข้อมูล: KY GW XY เครื่องมือรีเอเจนต์ / วัสดุ / การวิเคราะห์ที่สนับสนุน: PL JL JS เขียนบทความ: KY WQ KMD การควบคุมรายละเอียดทางเทคนิคสำหรับการดำเนินการวิเคราะห์ MRI และ DTI: WQ QG มีส่วนร่วมในการเขียนต้นฉบับ: QG YL JT

 

อ้างอิง Top

  1. เอิร์นส์เอ็ม, ไพน์ดี, ฮาร์ดินเอ็ม (2006) โมเดลทางชีววิทยาของระบบประสาทแบบ Triadic ของพฤติกรรมกระตุ้นในวัยรุ่น เวชศาสตร์จิตวิทยา 36: 299 – 312 ค้นหาบทความนี้ออนไลน์
  2. Csikszentmihalyi M, Larson R, Prescott S (1977) นิเวศวิทยาของกิจกรรมและประสบการณ์ของวัยรุ่น วารสารเยาวชนและวัยรุ่น 6: 281 – 294 ค้นหาบทความนี้ออนไลน์
  3. Casey B, Tottenham N, Liston C, Durston S (2005) การถ่ายภาพสมองที่กำลังพัฒนา: เราเรียนรู้อะไรเกี่ยวกับการพัฒนาทางปัญญา? แนวโน้มในองค์ความรู้วิทยาศาสตร์ 9: 104 – 110 ค้นหาบทความนี้ออนไลน์
  4. Casey B, Galvan A, Hare T (2005) การเปลี่ยนแปลงในการทำงานของสมองในระหว่างการพัฒนาความรู้ความเข้าใจ ความคิดเห็นปัจจุบันในระบบประสาท 15: 239 – 244 ค้นหาบทความนี้ออนไลน์
  5. เอินส์ทเอ็ม, เนลสันอี, Jazbec S, McClure E, พระภิกษุ, และคณะ (2005) Amygdala และนิวเคลียสมีหน้าที่ตอบสนองต่อการรับและการไม่รับผลประโยชน์ในผู้ใหญ่และวัยรุ่น Neuroimage 25: 1279 – 1291 ค้นหาบทความนี้ออนไลน์
  6. พฤษภาคม J, Delgado M, Dahl R, Stenger V, Ryan N, และคณะ (2004) การถ่ายภาพด้วยคลื่นสนามแม่เหล็กที่เกี่ยวข้องกับเหตุการณ์ของวงจรสมองที่ได้รับรางวัลในเด็กและวัยรุ่น จิตเวชศาสตร์ชีวภาพ 55: 359 – 366
  7. Galvan A, Hare T, Parra C, Penn J, Voss H, et al. (2006) การพัฒนาก่อนหน้านี้ของ accumbens เมื่อเทียบกับ orbitofrontal cortex อาจรองรับพฤติกรรมการเสี่ยงในวัยรุ่น วารสารประสาทวิทยาศาสตร์ 26: 6885 – 6892 ค้นหาบทความนี้ออนไลน์
  8. Steinberg L (2005) การพัฒนาองค์ความรู้และอารมณ์ในวัยรุ่น แนวโน้มในองค์ความรู้วิทยาศาสตร์ 9: 69 – 74 ค้นหาบทความนี้ออนไลน์
  9. Pine D, Cohen P, Brook J (2001) การเกิดปฏิกิริยาทางอารมณ์และความเสี่ยงต่อการเกิดโรคจิตในหมู่วัยรุ่น สเปคตรัมของ CNS 6: 27 – 35 ค้นหาบทความนี้ออนไลน์
  10. Silveri M, Tzilos G, Pimentel P, Yurgelun-Todd D (2004) เส้นทางการพัฒนาทางอารมณ์และการรับรู้ของวัยรุ่น: ผลของเพศและความเสี่ยงต่อการใช้ยา พงศาวดารของ New York Academy of Sciences 1021: 363 – 370 ค้นหาบทความนี้ออนไลน์
  11. Cao F, Su L, Liu T, Gao X (2007) ความสัมพันธ์ระหว่างความหุนหันพลันแล่นกับการติดอินเทอร์เน็ตในตัวอย่างของวัยรุ่นจีน จิตเวชศาสตร์ยุโรป 22: 466 – 471 ค้นหาบทความนี้ออนไลน์
  12. Ko C, Yen J, Chen S, Yang M, Lin H, และคณะ (2009) เกณฑ์การวินิจฉัยที่เสนอและเครื่องมือคัดกรองและวินิจฉัยการติดอินเทอร์เน็ตในนักศึกษา จิตเวชครอบคลุม 50: 378 – 384 ค้นหาบทความนี้ออนไลน์
  13. Flisher C (2010) การเสียบปลั๊ก: ภาพรวมของการติดอินเทอร์เน็ต วารสารกุมารเวชศาสตร์และสุขภาพเด็ก 46: 557 – 559 ค้นหาบทความนี้ออนไลน์
  14. Christakis D (2010) การเสพติดอินเทอร์เน็ต: การระบาดของ 21 ในศตวรรษที่? BMC Medicine 8: 61 ค้นหาบทความนี้ออนไลน์
  15. Chou C, Condron L, Belland J (2005) บทวิจารณ์งานวิจัยเรื่องการติดอินเทอร์เน็ต รีวิวจิตวิทยาการศึกษา 17: 363 – 388 ค้นหาบทความนี้ออนไลน์
  16. Young K (1998) การติดอินเทอร์เน็ต: การเกิดขึ้นของความผิดปกติทางคลินิกใหม่ CyberPsychology & Behavior 1: 237–244 ค้นหาบทความนี้ออนไลน์
  17. Morahan-Martin J, Schumacher P (2000) อุบัติการณ์และสหสัมพันธ์ของการใช้อินเทอร์เน็ตทางพยาธิวิทยาในหมู่นักศึกษา คอมพิวเตอร์ในพฤติกรรมมนุษย์ 16: 13 – 29 ค้นหาบทความนี้ออนไลน์
  18. Scherer K (1997) ชีวิตวิทยาลัยออนไลน์: การใช้อินเทอร์เน็ตที่ดีต่อสุขภาพและไม่แข็งแรง วารสารพัฒนานักศึกษาวิทยาลัย 38: 655 – 665 ค้นหาบทความนี้ออนไลน์
  19. Ko C, Liu G, Hsiao S, Yen J, Yang M, และคณะ (2009) กิจกรรมสมองที่เกี่ยวข้องกับการกระตุ้นให้เกิดการติดเกมออนไลน์ วารสารวิจัยทางจิตเวช 43: 739 – 747 ค้นหาบทความนี้ออนไลน์
  20. Dong G, Lu Q, Zhou H, Zhao X (2010) การยับยั้งแรงกระตุ้นในผู้ที่มีความผิดปกติของการติดอินเทอร์เน็ต: หลักฐานทาง electrophysiological จากการศึกษา Go / NoGo ตัวอักษรประสาทวิทยา 485: 138 – 142 ค้นหาบทความนี้ออนไลน์
  21. Zhou Y, Lin F, Du Y, Qin L, Zhao Z และคณะ (2009) ความผิดปกติของสารสีเทาในการเสพติดอินเทอร์เน็ต: การศึกษารูปร่างสัณฐานของ voxel วารสารรังสีวิทยายุโรป ดอย:10.1016 / j.ejrad.2009.1010.1025.
  22. Jun L, Xue-ping G, Osunde I, Xin L, Shun-ke Z, และคณะ (2010) ความสม่ำเสมอของภูมิภาคเพิ่มขึ้นในความผิดปกติของการติดอินเทอร์เน็ต: การศึกษาการถ่ายภาพด้วยคลื่นสนามแม่เหล็ก วารสารการแพทย์จีน 123: 1904 – 1908 ค้นหาบทความนี้ออนไลน์
  23. Yuan K, Qin W, Dong M, Liu J, Sun J, และคณะ (2010) การขาดสารสีเทาและความผิดปกติของสถานะพักในผู้ติดเฮโรอีนที่งดออกเสียง ตัวอักษรประสาทวิทยา 482: 101 – 105 ค้นหาบทความนี้ออนไลน์
  24. Yuan K, Qin W, Liu J, Guo Q, Dong M, และคณะ (2010) แก้ไขเครือข่ายการทำงานของสมองในโลกใบเล็กและระยะเวลาของการใช้เฮโรอีนในผู้ที่ติดเฮโรอีน ตัวอักษรประสาทวิทยา 477: 37 – 42 ค้นหาบทความนี้ออนไลน์
  25. Yuan K, Qin W, Dong M, Liu J, Liu P, และคณะ (2010) การรวมข้อมูลเชิงพื้นที่และข้อมูลชั่วคราวเพื่อสำรวจการเปลี่ยนแปลงเครือข่ายที่พักพิงในบุคคลที่พึ่งพาเฮโรอีน ตัวอักษรประสาทวิทยา 475: 20 – 24 ค้นหาบทความนี้ออนไลน์
  26. Liu J, Liang J, Qin W, Tian J, Yuan K, และคณะ (2009) รูปแบบการเชื่อมต่อที่ผิดปกติในผู้ใช้เฮโรอีนเรื้อรัง: การศึกษา fMRI ตัวอักษรประสาทวิทยา 460: 72 – 77 ค้นหาบทความนี้ออนไลน์
  27. Volkow N, Fowler J, Wang G (2003) สมองมนุษย์ที่ติดอยู่: ข้อมูลเชิงลึกจากการศึกษาด้านภาพ วารสารการสอบสวนทางคลินิก 111: 1444 – 1451 ค้นหาบทความนี้ออนไลน์
  28. Ko C, Hsiao S, Liu G, Yen J, Yang M, และคณะ (2010) ลักษณะของการตัดสินใจที่มีศักยภาพที่จะรับความเสี่ยงและบุคลิกภาพของนักศึกษาวิทยาลัยที่ติดอินเทอร์เน็ต การวิจัยทางจิตเวชศาสตร์ 175: 121 – 125 ค้นหาบทความนี้ออนไลน์
  29. Beard K, Wolf E (2001) การปรับเปลี่ยนในเกณฑ์การวินิจฉัยที่เสนอสำหรับการติดอินเทอร์เน็ต CyberPsychology & Behavior 4: 377–383 ค้นหาบทความนี้ออนไลน์
  30. Ashburner J, Friston K (2000) morphometry แบบ Voxel - วิธีการ Neuroimage 11: 805 – 821 ค้นหาบทความนี้ออนไลน์
  31. ดี C, Johnsrude I, Ashburner J, Henson R, Fristen K, et al. (2001) การศึกษาสัณฐานวิทยาที่ยึดตาม voxel ของการแก่ชราในสมองมนุษย์ปกติของ 465 Neuroimage 14: 21 – 36 ค้นหาบทความนี้ออนไลน์
  32. Smith S, Jenkinson M, Woolrich M, Beckmann C, Behrens T, et al. (2004) ความก้าวหน้าในการวิเคราะห์ภาพและการใช้งาน MR โครงสร้างและการใช้งานเป็น FSL Neuroimage 23: 208 – 219 ค้นหาบทความนี้ออนไลน์
  33. Smith S (2002) การสกัดสมองอัตโนมัติที่รวดเร็วและมีประสิทธิภาพ การทำแผนที่สมองมนุษย์ 17: 143 – 155 ค้นหาบทความนี้ออนไลน์
  34. จางวายเบรดี้เอ็มสมิ ธ เอส (2001) การแบ่งกลุ่มของภาพ MR สมองผ่านโมเดลฟิลด์สุ่มมาร์คอฟที่ซ่อนอยู่และอัลกอริทึมการคาดหวังสูงสุด ธุรกรรม IEEE เกี่ยวกับการถ่ายภาพทางการแพทย์ 20: 45 – 57 ค้นหาบทความนี้ออนไลน์
  35. Jenkinson M, Smith S (2001) วิธีการปรับให้เหมาะสมทั่วโลกสำหรับการลงทะเบียนเลียนแบบภาพสมองอย่างมีประสิทธิภาพ การวิเคราะห์ภาพทางการแพทย์ 5: 143 – 156 ค้นหาบทความนี้ออนไลน์
  36. Jenkinson M, Bannister P, Brady M, Smith S (2002) ปรับปรุงการเพิ่มประสิทธิภาพสำหรับการลงทะเบียนเชิงเส้นที่แม่นยำและแม่นยำและการแก้ไขการเคลื่อนไหวของภาพสมอง Neuroimage 17: 825 – 841 ค้นหาบทความนี้ออนไลน์
  37. Andersson J, Jenkinson M, Smith S (2007) การเพิ่มประสิทธิภาพที่ไม่ใช่เชิงเส้น รายงานทางเทคนิคของกลุ่มการวิเคราะห์ FMRIB: TR07JA02 จาก www.fmrib.ox.ac.uk/analysis/techrep.
  38. Andersson J, Jenkinson M, Smith S (2007) การลงทะเบียนที่ไม่ใช่เชิงเส้นหรือที่รู้จักในการฟื้นฟูพื้นที่ รายงานทางเทคนิคของกลุ่มการวิเคราะห์ FMRIB: TR07JA02 จาก www.fmrib.ox.ac.uk/analysis/techrep.
  39. Rueckert D, Sonoda L, Hayes C, Hill D, Leach M, et al. (2002) การลงทะเบียนแบบ nonrigid โดยใช้การเปลี่ยนรูปแบบอิสระ: แอปพลิเคชันสำหรับภาพ MR ของเต้านม ธุรกรรม IEEE เกี่ยวกับการถ่ายภาพทางการแพทย์ 18: 712 – 721 ค้นหาบทความนี้ออนไลน์
  40. Nichols T, Holmes A (2002) การทดสอบการเปลี่ยนแปลงแบบไม่มีพารามิเตอร์สำหรับ neuroimaging ในการทำงาน: ไพรเมอร์พร้อมตัวอย่าง การทำแผนที่สมองมนุษย์ 15: 1 – 25 ค้นหาบทความนี้ออนไลน์
  41. Dong G, Lu Q, Zhou H, Zhao X, Miles J (2011) สารตั้งต้นหรือผลสืบเนื่อง: ความผิดปกติทางพยาธิวิทยาในผู้ที่ติดโรคทางอินเทอร์เน็ต เลือกหนึ่ง 6: 306 – 307 ค้นหาบทความนี้ออนไลน์
  42. Beaulieu C (2002) พื้นฐานของการแพร่กระจายของน้ำ anisotropic ในระบบประสาท - การทบทวนทางเทคนิค NMR ใน Biomedicine 15: 435 – 455 ค้นหาบทความนี้ออนไลน์
  43. Smith S, Jenkinson M, Johansen-Berg H, Rueckert D, Nichols T, et al. (2006) สถิติเชิงพื้นที่ตามพื้นที่: การวิเคราะห์ voxelwise ของข้อมูลการกระจายหลายเรื่อง Neuroimage 31: 1487 – 1505 ค้นหาบทความนี้ออนไลน์
  44. Smith S, Johansen-Berg H, Jenkinson M, Rueckert D, Nichols T, et al. (2007) การได้มาและการวิเคราะห์ voxelwise ของข้อมูลการกระจายแบบหลายวัตถุด้วยสถิติเชิงพื้นที่ โปรโตคอลธรรมชาติ 2: 499 – 503 ค้นหาบทความนี้ออนไลน์
  45. Kaufman J, Ross T, Stein E, Garavan H (2003) cingulate hypoactivity ในผู้ใช้โคเคนในระหว่างการทำงาน GO-NOGO ซึ่งถูกเปิดเผยโดยการถ่ายภาพด้วยคลื่นสนามแม่เหล็กที่เกี่ยวข้องกับเหตุการณ์ วารสารประสาทวิทยาศาสตร์ 23: 7839 – 7843 ค้นหาบทความนี้ออนไลน์
  46. Li C, Sinha R (2008) การควบคุมการยับยั้งและการควบคุมความเครียดทางอารมณ์: หลักฐานทางระบบประสาทสำหรับความผิดปกติของหน้าผาก - ลิมบิกในการติดยากระตุ้นจิต Neuroscience & Biobehavioral Reviews 32: 581–597. ค้นหาบทความนี้ออนไลน์
  47. Botvinick M, Braver T, Barch D, Carter C, Cohen J (2001) การตรวจสอบความขัดแย้งและการควบคุมการรับรู้ รีวิวจิตวิทยา 108: 624 – 652 ค้นหาบทความนี้ออนไลน์
  48. Krawczyk D (2002) การมีส่วนร่วมของเปลือกนอกส่วนหน้าต่อพื้นฐานประสาทของการตัดสินใจของมนุษย์ ประสาทวิทยาศาสตร์และชีวพฤติกรรมบทวิจารณ์ 26: 631–664 ค้นหาบทความนี้ออนไลน์
  49. Wilson S, Sayette M, Fiez J (2004) การตอบสนองล่วงหน้าต่อตัวชี้นำยา: การวิเคราะห์ทางระบบประสาท ประสาทวิทยาศาสตร์ธรรมชาติ 7: 211 – 214 ค้นหาบทความนี้ออนไลน์
  50. Barber A, Carter C (2005) การควบคุมความรู้ความเข้าใจมีส่วนร่วมในการเอาชนะแนวโน้มการตอบสนองล่วงหน้าและการสลับระหว่างงาน Cortex ในสมอง 15: 899 – 912 ค้นหาบทความนี้ออนไลน์
  51. MacDonald A, Cohen J, Stenger V, Carter C (2000) การแยกบทบาทของส่วนด้านหน้าและส่วนหน้า cingulate คอร์เทกซ์ด้านหลัง dorsolateral วิทยาศาสตร์ 288: 1835 – 1838 ค้นหาบทความนี้ออนไลน์
  52. Botvinick M, Nystrom L, Fissell K, Carter C, Cohen J (1999) การตรวจสอบความขัดแย้งกับการเลือกสำหรับการดำเนินการในเยื่อหุ้มสมองข้างหน้า cingulate ธรรมชาติ 402: 179 – 180 ค้นหาบทความนี้ออนไลน์
  53. Vanderhasselt M, De Raedt R, Baeken C (2009) Dorsolateral prefrontal cortex และ Stroop performance: การแก้ไขปัญหาด้านข้าง แถลงการณ์เกี่ยวกับพลังจิตและบทวิจารณ์ 16: 609–612 ค้นหาบทความนี้ออนไลน์
  54. ฟอร์แมนเอส, โดเฮอร์ทีจี, เคซี่ย์บี, ซีเกิลจี, Braver T, และคณะ (2004) ผู้ติดยาเสพติดไม่มีการเปิดใช้งานขึ้นอยู่กับข้อผิดพลาดของรูม่านตาด้านหน้า cingulate จิตเวชศาสตร์ชีวภาพ 55: 531 – 537 ค้นหาบทความนี้ออนไลน์
  55. Fu L, Bi G, Zou Z, Wang Y, Ye E, และคณะ (2008) ฟังก์ชั่นการยับยั้งการตอบสนองบกพร่องในผู้ติดยาเสพติดเฮโรอีนที่อยู่นอกลู่นอกทาง: การศึกษา fMRI ตัวอักษรประสาทวิทยา 438: 322 – 326 ค้นหาบทความนี้ออนไลน์
  56. Rolls E (2000) เปลือกนอกของวงโคจรและรางวัล Cortex ในสมอง 10: 284 – 294 ค้นหาบทความนี้ออนไลน์
  57. Groenewegen H, Uylings H (2000) เยื่อหุ้มสมองส่วนหน้าและการบูรณาการของข้อมูลทางประสาทสัมผัสแขนขาและระบบอัตโนมัติ ความก้าวหน้าในการวิจัยสมอง 126: 3 – 28 ค้นหาบทความนี้ออนไลน์
  58. Balleine B, Dickinson A (1998) การกระทำด้วยเครื่องมือที่มุ่งเน้นเป้าหมาย: การเรียนรู้อย่างบังเอิญและแรงจูงใจรวมถึงพื้นผิวเยื่อหุ้มสมอง Neuropharmacology 37: 407 – 419 ค้นหาบทความนี้ออนไลน์
  59. Simmonds D, Pekar J, Mostofsky S (2008) การวิเคราะห์ Meta ของภารกิจ Go / No-Go แสดงให้เห็นว่าการเปิดใช้งาน fMRI ที่เกี่ยวข้องกับการยับยั้งการตอบสนองขึ้นอยู่กับภารกิจ Neuropsychologia 46: 224 – 232 ค้นหาบทความนี้ออนไลน์
  60. Ray Li C, Huang C, Constable R, Sinha R (2006) การยับยั้งการตอบสนองการถ่ายภาพในงานที่หยุดสัญญาณ: ระบบประสาทสัมพันธ์กับการตรวจสอบสัญญาณและการประมวลผลหลังการตอบสนองที่เป็นอิสระ วารสารประสาทวิทยาศาสตร์ 26: 186 – 192 ค้นหาบทความนี้ออนไลน์
  61. Raymond J, Lisberger S, Mauk M (1996) สมองน้อย: เครื่องเรียนรู้เซลล์ประสาท? วิทยาศาสตร์ 272: 1126 – 1131 ค้นหาบทความนี้ออนไลน์
  62. Schmahmann J, Sherman J (1998) กลุ่มอาการสมองน้อยที่เกี่ยวกับความรู้ความเข้าใจ สมอง 121: 561 – 579 ค้นหาบทความนี้ออนไลน์
  63. Desmond J (2001) การมีส่วนร่วมของสมองน้อยในการทำงานของความรู้ความเข้าใจ: หลักฐานจาก neuroimaging การทบทวนทางจิตเวชศาสตร์นานาชาติ 13: 283 – 294 ค้นหาบทความนี้ออนไลน์
  64. Heyder K, Suchan B, Daum I (2004) การมีส่วนร่วมของ Cortico-subcortical ในการควบคุมผู้บริหาร Acta Psychologica 115: 271 – 289 ค้นหาบทความนี้ออนไลน์
  65. วากเนอร์ A, Schacter D, Rotte M, Koutstaal W, Maril A, et al. (1998) การสร้างความทรงจำ: การจดจำและลืมประสบการณ์ทางวาจาตามที่สมองทำนายไว้ วิทยาศาสตร์ 281: 1188 – 1191 ค้นหาบทความนี้ออนไลน์
  66. Tulving E, Markowitsch H, Craik F, Habib R, Houle S (1996) การเปิดใช้งานที่แปลกใหม่และคุ้นเคยในการศึกษา PET ของการเข้ารหัสและดึงหน่วยความจำ Cortex ในสมอง 6: 71 – 79 ค้นหาบทความนี้ออนไลน์
  67. Powell H, Guye M, Parker G, Symms M, Boulby P, และคณะ (2004) ไม่เป็นอันตรายในการสาธิตร่างกายของการเชื่อมต่อของ gyrus parahippocampal มนุษย์ Neuroimage 22: 740 – 747 ค้นหาบทความนี้ออนไลน์
  68. BURWELL R (2000) ภูมิภาค parahippocampal: การเชื่อมต่อ corticocortical พงศาวดารของ New York Academy of Sciences 911: 25 – 42 ค้นหาบทความนี้ออนไลน์
  69. Zhu X, Wang X, Xiao J, Zhong M, Liao J, และคณะ (2010) เปลี่ยนแปลงความสมบูรณ์ของสสารสีขาวในตอนแรกการรักษาแบบไร้เดียงสาของวัยรุ่นที่เป็นโรคซึมเศร้า: การศึกษาสถิติเชิงพื้นที่ การวิจัยสมอง 1396: 223 – 229 ค้นหาบทความนี้ออนไลน์
  70. Luck D, Danion J, Marrer C, Pham B, Gounot D, และคณะ (2010) gyrus parahippocampal ที่เหมาะสมก่อให้เกิดการก่อตัวและการบำรุงรักษาข้อมูลที่ถูกผูกไว้ในหน่วยความจำการทำงาน สมองและความรู้ความเข้าใจ 72: 255 – 263 ค้นหาบทความนี้ออนไลน์
  71. Engle R, Kane M (2003) ความสนใจของผู้บริหาร, ความจุของหน่วยความจำในการทำงานและทฤษฎีสองปัจจัยในการควบคุมความรู้ความเข้าใจ จิตวิทยาการเรียนรู้และแรงจูงใจ 44: 145 – 199 ค้นหาบทความนี้ออนไลน์
  72. Jun L, Xue-ping G, Osunde I, Xin L, Shun-ke Z, และคณะ ความสม่ำเสมอของภูมิภาคเพิ่มขึ้นในโรคติดอินเทอร์เน็ต: การศึกษาการถ่ายภาพด้วยคลื่นสนามแม่เหล็ก วารสารการแพทย์จีน 123: 1904 – 1908 ค้นหาบทความนี้ออนไลน์
  73. Parent A, Carpenter M (1996) ระบบประสาทของมนุษย์ของช่างไม้: Williams & Wilkins
  74. Wakana S, Jiang H, Nagae-Poetscher L, รถตู้ Zijl P, Mori S (2004) แผนที่ทางเดินใยแก้วนำแสง Atlas of Human Human Matter Anatomy1 รังสีวิทยา 230: 77 – 87 ค้นหาบทความนี้ออนไลน์
  75. Andersen R, อัศวิน P, Merzenich M (1980) รูปแบบของ thalamocortical และ corticothalamic ของ AI, AII และสนามได้ยิน anteriior (AFF) ในแมว: หลักฐานของระบบการเชื่อมต่อทั้งสองส่วนใหญ่ วารสารประสาทวิทยาเปรียบเทียบ 194: 663 – 701 ค้นหาบทความนี้ออนไลน์
  76. Winer J, Diehl J, Larue D (2001) การฉายภาพของเยื่อหุ้มสมองเพื่อการได้ยินของแมว วารสารประสาทวิทยาเปรียบเทียบ 430: 27 – 55 ค้นหาบทความนี้ออนไลน์
  77. Schnitzler A, Salenius S, Salmelin R, Jousm ki V, Hari R (1997) การมีส่วนร่วมของเยื่อหุ้มสมองหลักในภาพรถยนต์: การศึกษาทางระบบประสาท Neuroimage 6: 201 – 208 ค้นหาบทความนี้ออนไลน์
  78. Shibasaki H, Sadato N, Lyshkow H, Yonekura Y, Honda M, และคณะ (1993) ทั้งเยื่อหุ้มมอเตอร์หลักและพื้นที่มอเตอร์เสริมมีบทบาทสำคัญในการเคลื่อนไหวของนิ้วมือที่ซับซ้อน สมอง 116: 1387 – 1398 ค้นหาบทความนี้ออนไลน์
  79. Draganski B, Gaser C, Busch V, Schuierer G, Bogdahn U, และคณะ (2004) Neuroplasticity: การเปลี่ยนแปลงของสารสีเทาที่เกิดจากการฝึก ธรรมชาติ 427: 311 – 312 ค้นหาบทความนี้ออนไลน์
  80. Boyke J, Driemeyer J, Gaser C, Buchel C, May A (2008) การเปลี่ยนแปลงโครงสร้างสมองที่เกิดจากการฝึกอบรมในผู้สูงอายุ วารสารประสาทวิทยาศาสตร์ 28: 7031 – 7035 ค้นหาบทความนี้ออนไลน์
  81. Scholz J, Klein MC, Behrens TEJ, Johansen-Berg H (2009) การฝึกอบรมก่อให้เกิดการเปลี่ยนแปลงในสถาปัตยกรรมสสารขาว ประสาทวิทยาศาสตร์ธรรมชาติ 12: 1370 – 1371 ค้นหาบทความนี้ออนไลน์
  82. Cummings JL (1993) วงจรด้านหน้า - subcortical และพฤติกรรมของมนุษย์ คลังเก็บของประสาทวิทยา 50: 873 – 880 ค้นหาบทความนี้ออนไลน์
  83. Cummings JL (1995) ลักษณะทางกายวิภาคและพฤติกรรมของวงจรด้านหน้า - subcortical พงศาวดารของ New York Academy of Sciences 769: 1 – 14 ค้นหาบทความนี้ออนไลน์
  84. Albin RL, Young AB, Penney JB (1989) กายวิภาคศาสตร์การทำงานของความผิดปกติของฐานปมประสาท แนวโน้มของระบบประสาท 12: 366 – 375 ค้นหาบทความนี้ออนไลน์
  85. Levitt JJ, Kubicki M, Nestor PG, Ersner-Hershfield H, Westin C และคณะ (2010) การศึกษาการถ่ายภาพเทนเซอร์ของแขนขาด้านหน้าของแคปซูลภายในในผู้ป่วยโรคจิตเภท การวิจัยทางจิตเวชศาสตร์ 184: 143 – 150 ค้นหาบทความนี้ออนไลน์
  86. Werring D, Clark C, Barker G, Miller D, Parker G และอื่น ๆ (1998) กลไกโครงสร้างและการทำงานของการฟื้นตัวของมอเตอร์: การใช้เทนเซอร์กระจายและการถ่ายภาพด้วยคลื่นสนามแม่เหล็กที่ทำงานร่วมกันในการบาดเจ็บที่บาดแผลของแคปซูลภายใน วารสารประสาทวิทยาศัลยกรรมประสาทและจิตเวช 65: 863–869 ค้นหาบทความนี้ออนไลน์
  87. Niogi S, Mukherjee P, Ghajar J, Johnson C, Kolster R, et al. (2008) ขอบเขตของการบาดเจ็บของสสารสีขาวขนาดเล็กในกลุ่มอาการดาวน์หลังคริสตชนสัมพันธ์สัมพันธ์กับเวลาปฏิกิริยาทางปัญญาบกพร่อง: การศึกษาการถ่ายภาพ 3T เทนเซอร์ของการบาดเจ็บทางสมองที่ไม่รุนแรง วารสาร American Neuroradiology 29: 967 – 973 ค้นหาบทความนี้ออนไลน์
  88. Young K (1999) การเสพติดอินเทอร์เน็ต: อาการการประเมินและการรักษา นวัตกรรมในการฝึกปฏิบัติทางคลินิก: หนังสือต้นฉบับ 17: 19 – 31 ค้นหาบทความนี้ออนไลน์
  89. Beard K (2005) การติดอินเทอร์เน็ต: การทบทวนเทคนิคการประเมินปัจจุบันและคำถามการประเมินที่เป็นไปได้ CyberPsychology & Behavior 8: 7–14. ค้นหาบทความนี้ออนไลน์
  90. คัลเวอร์ J, Gerr F, Frumkin H (1997) ข้อมูลทางการแพทย์บนอินเทอร์เน็ต วารสารอายุรศาสตร์ทั่วไป 12: 466 – 470