抑郁症自我评估的大脑动态网络模型

近日,来自澳洲墨尔本国家青年心理健康中心的Christopher G. Davey 等人在AJP期刊(The American Journal of Psychiatry)上发文,介绍了一项与抑郁症相关的动态因果模型DCM的工作,发现其症状与内侧前额叶皮质的连接具有一定的相关性。抑郁症的一个重要特征是自我的不安感,其中,内侧前额叶皮层在自我评估过程中起着重要的作用,其和抑郁症有重要的关系,为了探寻该区域的功能变化机理,这项工作对抑郁症自我评估过程中的内侧前额叶皮质活动进行研究。

作者采用动态因果网络模型,基于没有接受过药物治疗的71名患有中度到重度抑郁症的青少年以及88名健康参与者的功能磁共振成像数据,利用贝叶斯模型平均估计动态因果模型的参数,并将其进行比较。

结果:

抑郁症组和健康对照组的自主认知过程被证明依赖于同样的动态网络, 抑郁症组大脑前额叶皮层对抑郁症组的后扣带皮层有“超调节”效应,导致自我评估的不安感,其内侧前额叶皮质和后扣带皮质之间的负调节比对照组更明显(odds ratio = 0.54,95% ci = 0.38,0.77)。这与相关的抑郁因素低浓度和内张力相关(r=-0.32;95% CI = 0.51,0.08)。

结论:在抑郁症的后扣带皮层中,其对内侧前额叶皮质的过度影响是导致抑郁症发病的重要因素。

研究方法

被试:

86名没有接受过药物治疗的抑郁症参与者,年龄在15-25之间,DSM-IV评估至少为中度严重程度,MADRS评分20分,通过媒体和广告招募95名健康被试,这些被试没有精神病史,具体信息见表1。

范式设计:

参与者完成了一个由自我评估、外部关注和休息组成的fMRI任务。在自我评估环节,参与者根据一些词汇利用是或者不是来描述自己,在外部关注任务,参与者首先观察八个组块,每个组块有六个单词,每个显示5s,然后回答如“这个单词有四个或者更多元音吗?”这样的问题。在32秒内插入10秒的休息,参与者被要求注视前方的十字交叉线,使用Stata版本14.1进行行为数据分析。

图像获取与处理:

功能神经影像数据采用3-T GE系统采集,利用SPM12进行图像处理,头动矫正利用最小二乘和空间转换,这些处理过的数据会被重新配准到T1像,由于22个人在扫描期间头动过大,12个人对外部关注任务不佳,最后采用了71名患者和88名健康对照组(表1)。

节点定义:

利用SPM12中的线性模型定义DCM中的节点,节点定义主要依据1)在自我评估和休息过程中比在外部关注更活跃的区域,2)在自我评估和休息中额外激活的区域。使用外部关注任务作为基线,对于每个被试,通过指定每个块的开始和持续时间来定义自我评估和休息条件下的初级回归,回归曲线与标准的反应函数进行卷积,再利用高通滤波器进行处理,利用p<0.05矫正误差。对于每个参与者,提取不同区域的时间序列。动态因果模型分析仅包括根据这些标准提取出三个兴趣区的参与者。我们从71名抑郁症参与者中的68人和88名对照参与者中的82人中提取了所有兴趣区的时间序列。

动态因果模型:

动态因果模型的目的是为了推断出脑区的单向因果体系结构,通过贝叶斯方法来预计贝叶斯模型的参数。动态因果模型描述了一个脑区动力学在其他脑区动态变化中的作用,其中包括核心区域间的连接和影响因素。对于这项研究,为每个参与者指定了三区域确定性动态因果模型,内侧前额叶皮层,后扣带皮层和下顶叶之间具有双向有效连接定义了32个模型空间,见附录图1. 使用SPM12中的DCM随机贝叶斯模型进行抑郁症组和对照组的比较。然后,研究进一步分析了连接系数和临床行为特征等(如用MADRS评估得到的抑郁症研究程度的参数之间的关联程度)。

研究结果

行为结果:

在疾病和对照组之间,大部分的任务表现并没有显著的差异(表1),在外部注意情况的也没有显著的差异,各组表现出相似的反应时间,在回答这个词能否描述你时,抑郁症更多的回答“是”(p<0.001)。

模型检验:

利用自我评估和休息状态下的联合分析,确认了每个组中的三个兴趣区域:内侧前额叶皮质,后扣带皮质,和左下壁,其与解剖学分析具有高度的一致性(图1 ,表S1).有证据表明,与对照组相比,在自我评估条件下,抑郁症的后扣带皮质的激活强度增加,P<0.01, 图1.

给定的三个区域在每个组中被用来进行动态因果网络建模,给定数据,通过动态因果建模得到最可能的结构,值得注意的是,这个方法比其他模型得到的方法更优。这种模式是由后扣带皮质影响驱动,后扣带皮质和内侧前额叶皮质的连接调节了自我评估行为(图2).获胜模型具有0.9的概率,在抑郁组中为0.92(参见图S2).

图1.在内侧前额叶皮层(MPFC),后脑皮层(PCC)和右侧低叶小叶(IPL)重新计算了与外部注意基线相比,休息和自我评估激活的区域。

图2.内侧前额叶皮质MPFC对后扣带皮质PCC的正向连接,以及下壁顶叶IPL对内侧前额叶皮层的负向连接. 这些影响通过自我评价的调节作用增强:前额叶皮质对内侧前额叶皮质和下壁叶的影响呈阳性,内侧前额叶皮质对后扣带皮层的影响更大。

参数估计:

根据“broad self”在后扣带皮层或内侧前额叶皮质的活动情况,利用贝叶斯模型平均计算模型计算DCM的参数。发现“broad self“驱动后扣带皮层激活。在两组中,贝叶斯模型利用16个候选模型的平均值得到后扣带皮层到内侧前额叶皮层的正影响以及下壁叶对内侧前额叶皮层到后扣带皮层的负影响,在抑郁组内侧前额叶皮层对下壁顶叶具有负调节作用。对于抑郁症组,前额叶皮质对下壁小叶具有更显著的负影响(图2表2)

组间对比表明,与对照组相比,内侧前额叶皮层和后扣带皮层之间有效连接的自我评估的调节作用(以下称为“MPFC-PCC连通性”)具有显著负相关(odds ratio=0.54, 95 CI=0.38,0.77;p=0.00003)(图3,表2),性别和年龄对连接参数的影响在表S2和S3,焦虑性障碍见表S6.

临床和行为特征的相关性

文章最后检测了内侧前额叶皮层和后扣带皮层之间的连接强度与抑郁症患者的临床和行为特征之间的关系,MPFPC-PCC连接与自我评估相关的变量没有相关性,MADRD评分和连通性之间也没有显著的相关性,对MADRS因素分析揭示了四个基本因素的存在见表S4。MPFC-PCC连接的强度与这个因子有显著的相关性(r=20.32;95%CI=20.51,20.08;p=0.01)(图4;表S5)表S5中给出了MPFC-PCC连接和临床与行为特征之间关联的附件测试,显示健康对照和抑郁症患者的MPFC-PCC 有显著的负反馈((odds ratio=0.44; 95% CI=0.22, 0.87; p=0.02)。焦虑障碍在表S6中给出。

图4

结论

研究利用未接受药物治疗的抑郁症患者进行大脑功能网络的研究,发现了抑郁症患者中DCM在内侧前额叶皮质和后扣带皮层与自我评估相关的连接,表明了后扣带皮层对于疾病的过度调节现象。这项研究验证了内侧前额叶皮质紊乱对自我评估过程的影响,对疾病发展的机理和治疗方式的理解有一定的帮助。

附录:

图S1 DCM候选空间。

参考文献:Davey C G, Breakspear M, Pujol J, et al. A Brain Model ofDisturbed Self-Appraisal in Depression[J]. American Journal of Psychiatry,2017: appi. ajp. 2017.16080883.

原文发布于微信公众号 - 思影科技(siyingkeji)

原文发表时间:2017-09-18

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏携程技术中心

携程2015 Open House获奖项目:银行卡扫描识别

银行卡扫描识别 Ctrip Tech 背景介绍: 图像识别是人工智能的一个重要领域 。为了编制模拟人类图像识别活动的计算机程序,人们提出了不同的图像识别模型。图...

4085
来自专栏鸿的学习笔记

The Brain vs Deep Learning(三)

生物信息处理的复杂性不是以蛋白质信号传导级联为结束,100亿个蛋白质不是完成其任务的工人的随机汤,而是这些工作者被设计为具有特定数量以服务于与目前相关的特定功能...

632
来自专栏新智元

【机器学习看裸照】谷歌、微软、亚马逊,哪家图像API鉴黄能力强?

【新智元导读】如今,网络中每天会产生海量的图像文件,而对于这些图片进行安全性鉴定是非常有必要的。很多公司都会使用图像鉴定API对裸露或违法照片进行自动过滤和修改...

1293
来自专栏PaddlePaddle

宠物也刷脸,如何最快长成这个技能树?

然而令人吃惊的是,在 LA Hacks 2018 的活动之中,来自加州理工学院的美籍华裔大二学生 EricZhao做出“狗脸识别”系统,16小时让梦成真!

1113
来自专栏生信技能树

12月份第2周(总第46周)探索TNBC新的亚型分类

发表于:Clin Cancer Res. 2015 Apr 文章题目是:Comprehensive Genomic Analysis Identifies No...

1342
来自专栏AI科技评论

开发 | 为个人深度学习机器选择合适的配置

AI科技评论按:对于那些一直想进行深度学习研究的同学来说,如何选择合适的配置一直是个比较纠结的问题,既要考虑到使用的场景,又要考虑到价格等各方面因素。 日前,m...

3228
来自专栏Y大宽

功能富集空间分析(spatial analysis of functional enrichment)SAFE

Spatial Analysis of Functional Enrichment(SAFE),功能富集空间分析

1623
来自专栏深度学习计算机视觉

软件测试因果图分析法

Cause-Effect Graphing (因果图) 因果图法产生的背景 等价类划分法和边界值分析方法都是着重考虑输入条件,但没有考虑输入条件的各种组...

4959
来自专栏AI研习社

深度学习下的医学图像分析(一)

AI 研习社按:本文由图普科技编译自《Medical Image Analysis with Deep Learning 》,雷锋网(公众号:雷锋网)独家首发。...

5995
来自专栏量子位

Chrome暗藏的恐龙跳一跳,已经被AI轻松掌握了

作为一个Google Chrome浏览器的用户,当你看到上面那个页面时,不要沮丧。换个角度一想,墙内还能有更多的Play时间哦~

1103

扫码关注云+社区

领取腾讯云代金券