Menyiasat Persatuan Diskaun Kelewatan Dengan Struktur Otak, Memori Berfungsi dan Memori Episodik Bahagian 2

Hubungan antara peramal struktur dan DD

Kami menguji perkaitan antara pembolehubah minat (isipadu subkortikal, jirim kelabu dan komponen bahan putih, EM, WM) dan DD dengan model linear dan ujian pilih atur bukan parametrik seperti yang dilaksanakan dalam perisian PALM FSL versi 1.11 (Winkler et al. 2014; Winkler, Webster, et al. 2016b) berjalan pada MATLABR2017b.

Dalam tahun-tahun kebelakangan ini, dengan peningkatan taraf hidup orang ramai dan pertumbuhan umur, masalah ingatan telah menarik lebih banyak perhatian. Walau bagaimanapun, sesetengah orang telah aktif menggunakan otak mereka tetapi masih bermasalah dengan masalah ingatan. Pada masa ini, kita boleh mempertimbangkan untuk menggunakan susunan bukan parametrik untuk meningkatkan ingatan.

Jadi, apakah pilih atur bukan parametrik? Susunan bukan parametrik ialah kaedah statistik yang menyusun set data mengikut peraturan tertentu tanpa perbandingan berangka. Berbanding dengan pilih atur parametrik, pilih atur bukan parametrik mempunyai julat aplikasi yang lebih luas dan tidak membuat terlalu banyak andaian tentang pengedaran dan diskret data.

Dan bagaimana untuk menggunakan susunan bukan parametrik untuk meningkatkan ingatan? Pertama sekali, kita tahu bahawa otak manusia boleh menganalisis, menghafal, dan mengingat pelbagai maklumat seperti imej, audio, teks, dan lain-lain, supaya kita boleh menggunakan susunan bukan parametrik untuk meningkatkan keupayaan pemprosesan otak dan ingatan maklumat yang berbeza.

Melalui beberapa latihan, seperti mempraktikkan ingatan dan mengingat kembali warna, nombor, perkataan, dan maklumat lain, dan kemudian susunan bukan parametrik maklumat yang berbeza, struktur yang lebih teratur terbentuk di dalam otak, dengan itu meningkatkan keupayaan ingatan otak.

Selain itu, pilih atur bukan parametrik boleh digunakan untuk meningkatkan fleksibiliti mental dan mengurangkan kebimbangan dan tekanan, antara isu lain. Dengan melatih otak, otak boleh bekerja dengan lebih fleksibel dan sihat, dengan itu mengurangkan kemurungan, kebimbangan, dan emosi negatif lain yang tidak perlu, dan menghadapi kehidupan dan bekerja dengan lebih positif.

Ringkasnya, susunan bukan parametrik adalah kaedah yang boleh dilaksanakan dan berkesan untuk meningkatkan daya ingatan otak dan fleksibiliti pemikiran. Melalui senaman dan latihan berterusan, keupayaan memori dan pemprosesan otak dapat dipertingkatkan dengan berkesan, membantu kita menghadapi kehidupan dan bekerja dengan lebih sihat dan positif. Dapat dilihat bahawa kita perlu meningkatkan daya ingatan. Cistanche deserticola boleh meningkatkan ingatan dengan ketara, kerana Cistanche deserticola juga boleh mengawal keseimbangan neurotransmitter, seperti meningkatkan tahap asetilkolin dan faktor pertumbuhan. Bahan-bahan ini sangat penting untuk ingatan dan pembelajaran. Di samping itu, daging juga boleh meningkatkan aliran darah dan menggalakkan penghantaran oksigen, yang dapat memastikan otak menerima nutrien dan tenaga yang mencukupi, sekali gus meningkatkan daya hidup dan daya tahan otak.

Klik tahu cara untuk meningkatkan fungsi otak

Kami menggunakan 10,000 pilih atur, memodelkan ekor taburan pilih atur nilai-P dengan taburan aPareto (Winkler, Ridgway, et al. 2016a), dan kawalan kadar ralat (FWER) mengikut keluarga untuk berbilang ujian menggunakan pengedaran statistik maksimum (Westfalland Young 1993). Set data HCP mengandungi subjek yang diambil sampel bersama-sama dengan adik-beradik mereka (kebanyakannya kembar mereka), yang bermaksud bahawa ukuran tidak boleh dianggap sebagai bebas.

Untuk menguji perkaitan antara pembolehubah minat semasa mengambil kira struktur keluarga dalam set data, kami menggunakan ujian pilih atur blok berbilang peringkat (Winkler et al. 2015). Perkaitan ini telah diperbetulkan untuk istilah linear dan kuadratika, jantina, pendidikan, pendapatan dan skor komposit fungsi kognitif Kotak Alat NIH ("CogTotalComp_Unadj"), ukuran kecerdasan umum. Kami melaporkan 2-nilai P berekor untuk persatuan yang diuji.

Analisis vertex dan voxel-wise

Sebagai perbandingan, kami juga melakukan analisis univariatevertex-wise (ketebalan kortikal, luas permukaan) dan voxelwise (GMV, FA, MD) yang berasingan untuk menguji persatuan denganDD. Analisis ini dilakukan menggunakan ujian pilih atur bukan parametrik seperti yang dilaksanakan dalam perisian PALM FSL, dengan pilih atur 2,000 dan peningkatan kluster tanpa ambang (Smith dan Nichols 2009). Seperti dalam analisis sebelumnya, kami memodelkan ekor taburan pilih atur nilai-P dengan taburan Pareto, menggunakan kawalan FWER untuk berbilang ujian menggunakan taburan statistik maksimum, dan mengambil kira struktur keluarga dengan ujian pilih atur blok berbilang peringkat. Seperti di atas, analisis ini dikawal untuk istilah linear dan kuadratikaj, jantina, pendidikan, pendapatan dan kecerdasan am.

Keputusan

Kami mengecualikan subjek dengan respons yang tidak lengkap dalam tugasanDD (3), yang memilih sama ada jawapan tertunda yang sentiasa serta-merta (9), atau yang kebarangkalian posterior statistik pseudo-R2 (Camerer dan Ho 1999) berada di atas sifar adalah di bawah {{5} }.95, iaitu subjek yang model memasangkan respons lebih baik daripada model peluang (166). Kriteria ini membawa kepada pengecualian 178 subjek daripada sampel HCP. Jadual 1 memaparkan maklumat demografi tentang sampel dan bilangan pemerhatian yang sah untuk tugas kognitif dan modaliti pengimejan yang berbeza yang dianalisis tentang DD. Nilai subjektif ganjaran adalah secara purata 79% daripada nilai nominalnya selepas sebulan dan 23% selepas setahun. Perbezaan jantina dalamDD tidak ketara (lelaki (n=473) > perempuan (n=545):t=0.27, P=0.80).

Hubungan antara DD dan jirim kelabu

Selepas membetulkan istilah umur linear dan kuadratik, jantina, dan jumlah isipadu intrakranial, kadar diskaun tidak dikaitkan dengan jumlah isipadu kortikal atau isipadu mana-mana struktur subkortikal yang disiasat. Jadual 2 memaparkan statistik untuk persatuan ini.

Ketebalan kortikal, luas permukaan dan peta GMV telah diuraikan bersama-sama dengan terpaut-ICA dalam 50 komponen, setiap satu daripadanya mentakrifkan peta spatial yang mencerminkan kawasan di mana struktur jirim kelabu bervariasi kuat merentas peserta dan markah individu yang menunjukkan magnitud sumbangan komponen . Skor satu daripada komponen jirim kelabu dikaitkan secara signifikan secara negatif dengan DD (Rajah 2A, r =-0.172, Pcorr <1e−4, diperbetulkan untuk 50 komponen yang diuji, n=946).

Daripada 3 modaliti jirim kelabu, komponen ini berwajaran paling berat (62%) pada GMV(Rajah 2B), dan beban terbesarnya adalah dalam kutub temporal dan precuneus (Rajah 2C dan D). Oleh kerana ICA mengalami ketidakpastian tanda, markah komponen perlu ditafsirkan berkenaan muatannya (yang taburan anatominya diwakili oleh peta spatial yang sepadan), iaitu perkaitan negatif dengan markah satu komponen mencerminkan korelasi negatif (separa) dengan ukuran struktur jirim kelabu di kawasan di mana nilai muatannya positif. Perkaitan ini telah diperbetulkan untuk istilah umur linear dan kuadratik, jantina, pendidikan dan pendapatan.

Apabila mengurai data dalam 100 komponen, begitu juga hanya satu komponen dikaitkan dengan DD, menunjukkan corak yang hampir sama dengan yang diperoleh dengan 50-penguraian komponen (Rajah 2E–G, r {{3 }} −0.158,Pcorr=5e−4, diperbetulkan untuk 100 komponen yang diuji,n=946). Analisis voxel-bijak univariat juga mendedahkan perkaitan signifikan negatif antara kawasan jirim kelabu temporal dua hala GMV dan DDin selepas mengawal bagi istilah umur linear dan kuadratik, jantina, pendidikan dan pendapatan (Tambahan Rajah 2).

Kawasan ini padan rapat dengan corak spatial untuk komponen jirim kelabu yang dikenal pasti (Rajah 2C dan G). Tidak terdapat kawasan kortikal di mana perkaitan antara DD dan ketebalan atau kawasan kortikal adalah ketara selepas pembetulan FWER untuk ujian berganda dalam analisis berasaskan permukaan untuk langkah-langkah ini.

Untuk memastikan bahawa perkaitan dengan skor jirim kelabu adalah khusus untuk DD dan bukan hanya mencerminkan fungsi kognitif umum, kami mengulangi analisis ini dengan menambah ukuran kecerdasan am kepada set kovariat yang tidak berminat. Komponen yang sama masih merupakan satu-satunya yang dikaitkan dengan DD ({{0}}penguraian komponen: r=−0.145, Pcorr=0.001; { {6}}penguraian komponen: r=−0.138, Pcorr=0.123), dan hasil analisis univariate-bijak voxel kekal sebahagian besarnya tidak berubah (Tambahan Rajah 2).

Hubungan antara DD dan jirim putih

Kami menguraikan data FA dan MD secara bersama kepada 50 komponen. Tiada satu pun daripada komponen itu dikaitkan dengan kadar diskaun selepas mengawal pelbagai ujian dan kovarian untuk istilah umur linear dan kuadratik, jantina, pendidikan dan pendapatan. Menggunakan 100 komponen atau mengawal tambahan untuk kecerdasan am menghasilkan keputusan yang serupa. Sejajar dengan itu, tiada kawasan di mana perkaitan antara DD dan FA atau MD adalah penting selepas pembetulan FWER untuk pelbagai ujian dalam analisis voxel-wise.

Perbincangan

Selepas memeriksa data tingkah laku dan neuroimaging daripada sampel besar orang dewasa yang sihat, penemuan kami menunjukkan bahawa DD yang lebih besar telah diramalkan oleh GMV temporal anterior yang lebih kecil. Saiz sampel set data HCP, lebih besar daripada kebanyakan kajian terdahulu yang mengaitkan DD dan struktur otak, memberikan kami kuasa untuk menangkap kesan magnitud yang kecil dengan pasti. Walau bagaimanapun, bertentangan dengan laporan terdahulu, kami tidak menemui bukti persatuan yang boleh dipercayai antara DD dan volum kortikal, volum subkortikal, organisasi mikrostruktur bahan putih, dan markah dalam tugasan WM atau EM.

Diskaun yang lebih besar dikaitkan dengan kawasan temporal anterior GMVin yang lebih kecil. Keputusan ini adalah mantap untuk menukar bilangan komponen ICA yang dipautkan dan mengawal ukuran kecerdasan am. Owenset al. (2017) menganalisis volum kortikal daripada T1-imbasan wajaran dalam set data HCP dan melaporkan perkaitan antara volum kortikal dan DD di kawasan temporal yang sepadan dengan kawasan dalam komponen jirim kelabu yang dikenal pasti oleh analisis kami.

Perkaitan dengan bahan kelabu anteriortemporal dijangka (seperti yang kami gunakan set data yang sama), tetapi kajian kami memanjangkan yang sebelumnya dengan juga mengkaji ketebalan kortikal dan luas permukaan dan GMV untuk kawasan subkortikal, serta ukuran struktur whitematter. Di sebalik fakta bahawa kami telah memasukkan set langkah struktur yang lebih teliti, kami menghormati struktur keluarga data dalam mengira perkaitan antara ukuran struktur otak dan DD untuk mengelakkan anggaran berat sebelah yang mungkin berlaku akibat salah mengandaikan kebebasan pemerhatian (Winkleret al. 2015).

Kami juga melakukan pemilihan subjek yang lebih ketat, tidak termasuk mereka yang beraksi secara kebetulan, dan menguraikan data dalam rangkaian kovarians struktur (Pehlivanova et al. 2018), kaedah yang memberikan kepekaan yang lebih besar untuk mengesan perkaitan dengan DD secara purata bersama (dalam wajaran cara) nilai imej struktur merentasi kawasan otak dan menggabungkan beberapa modaliti untuk menghasilkan lebih banyak anggaran. Sesungguhnya, kelebihan penting menggunakan ICA untuk menguraikan data pengimejan dalam rangkaian kovarians berbanding pendekatan voxel-bijak untuk analisis data struktur ialah ia menghasilkan skor yang sepatutnya kurang bising daripada nilai berasaskan voxel kerana ia diperoleh sebagai purata wajaran isyarat dalam semua voxel merentasi otak, melaksanakan pengurangan dimensi yang boleh mengurangkan risiko ralat jenis II, walaupun dengan mengorbankan persempadanan semula samar-samar.

delineasi anatomi.Berbeza dengan kajian oleh Owens et al. (2017), dalam analisis kami, hubungan antara volum kortikal dan DD tidak mencapai kepentingan. Perbezaan ini berkemungkinan hasil daripada pilihan analisis kami yang lebih ketat (penyingkiran subjek yang bertindak balas secara rawak, ujian bukan parametrik yang merangkumi struktur keluarga data, kawalan yang lebih ketat untuk mengelirukan) dan menunjukkan bahawa perkaitan yang dilaporkan sebelum ini antara volum kortikal dan DD mungkin sepadan dengan yang palsu dan bukannya. penemuan abust. Nampaknya masuk akal bahawa persatuan DD dengan ukuran volum kortikal global harus dimediasi oleh pembolehubah yang mencerminkan aspek kognisi yang lebih umum daripada DD.

Walaupun saiz sampel yang besar bagi dataset HCP, kami tidak menemui bukti perkaitan yang signifikan antara struktur jirim putih dan DD. Kajian terdahulu yang menunjukkan pembinaan semula trakografi dalam sampel yang lebih kecil telah melaporkan perkaitan negatif antara DD dan ukuran kekuatan sambungan struktur (contohnya bilangan garisan) dalam saluran jirim putih tertentu kepada PFC(van den Bos et al. 2015; Hänggi et al. 2016; Hamptonet al. 2017) .

Berbeza dengan kajian yang menyiasat kekuatan ketersambungan, kami menganalisis peta FA yang diproses dengan TBSS, teknik yang membolehkan analisis luas kawasan jirim putih dan lebih sesuai untuk analisis penerokaan set data berskala besar, disebabkan kos pengiraan dan buruh yang berkaitan dengan melaksanakan pemetaan trakografi yang komprehensif pada sejumlah besar mata pelajaran. Untuk pengetahuan kami, sampel dalam analisis kami adalah jauh lebih besar daripada kajian sebelum ini yang mengaitkan bahan putih dengan pendiskaunan. Walau bagaimanapun, kami ambil perhatian bahawa kajian terbaru yang menggunakan TBSS pada 302 subjek lebih tua tanpa demensia (Han et al. 2018)(min umur=81.38 tahun, SD=7.57 tahun, 75.5% perempuan) melaporkan meluas persatuan negatif antara pendiskaun temporal dan FA dalam saluran frontal, frontostriatal, dan temporoparietal dua hala. Percanggahan pendapat dengan keputusan kami mungkin bertindak balas terhadap perbezaan demografi dalam sampel.

Memandangkan sifat meluas persatuan mereka, penemuan mereka mungkin mencerminkan mekanisme degeneratif yang berkaitan dengan penuaan, berbanding dengan corak yang lebih terhad yang dijangkakan untuk ukuran tertentu seperti DD. Selain itu, Han et al. tidak mengawal tahap pendapatan. Sesungguhnya, apabila hanya menyesuaikan makanan ternakan dan jantina dalam analisis kami, kami mengenal pasti komponen jirim kelabu dan putih yang mempunyai skor yang berkorelasi dengan kadar diskaun (lihat Bahan Tambahan). Walaupun sampel yang besar mampu mengesan kesan yang lebih kecil, terdapat juga risiko yang lebih tinggi untuk mengesan perkaitan yang hanya dihasilkan oleh pembolehubah yang mengelirukan, yang menjadikannya penting untuk melaraskan kovariat yang sesuai.

Kerja baru-baru ini (Marek et al. 2022) telah menekankan kepentingan menggunakan sampel yang besar dalam kajian persatuan tingkah laku otak seluruh otak dan menunjukkan bahawa saiz sampel biasa untuk kajian ini harus membawa kepada kesan tidak boleh dihasilkan dan saiz kesan yang melambung. Dengan mengandaikan bahawa kesan sebenar adalah kira-kira 0.15 (setanding dengan saiz kesan untuk komponen jirim kelabu, kami mengenal pasti dan serasi dengan keputusan daripada Marek et al. 2022), lebih 250 subjek diperlukan untuk mencapai kuasa 80%. Oleh itu, kebanyakan kajian terdahulu dalam bidang DD telah kurang berkuasa, yang menerangkan ketidakkonsistenan literatur yang disebut dalam Bahagian 1. Sila ambil perhatian bahawa kesimpulan ini terpakai kepada persatuan tingkah laku otak sahaja dan bukan kajian pemetaan otak yang terlalu berfungsi pada DD, yang sepatutnya memerlukan saiz sampel yang lebih kecil untuk mengesan kesan sebenar , dan oleh itu, tiada percanggahan antara keputusan kami dan penemuan daripada kajian tersebut.

Kami tidak dapat menemui perkaitan antara keutamaan untuk ganjaran segera dan mana-mana ujian WM(LSWMT dan 2-back). Begitu juga, tiada perkaitan DD dengan EM sama ada lisan atau bukan lisan dalam dataHCP. Keputusan ini selari dengan kajian terbaru (Yeh et al. 2021), yang kami lengkapi dengan memasukkan 2-tugas belakang dan rawatan statistik yang lebih ketat, untuk analisis data struktur otak. WalaupunShamosh et al. (2008) melaporkan hubungan antara WM yang lebih rendah dan keutamaan untuk ganjaran segera, korelasi ini tidak khusus untuk WM, kerana dalam data mereka keupayaan ini tidak menjelaskan varians dalam DD di luar yang dijelaskan oleh kecerdasan am. Apabila membetulkan persatuan untuk umur dan jantina sahaja, DD berkorelasi negatif dengan ketara dengan skor EM LSWMT, 2-belakang dan lisan (lihat Bahan Tambahan), tetapi korelasi ini tidak lagi ketara apabila melaraskan pembolehubah status sosioekonomi (yang sepatutnya sudah mengambil kira sebahagiannya untuk fungsi kognitif umum). Oleh itu, pertimbangan kami di atas mengenai perkaitan palsu disebabkan oleh pembolehubah kacau ganggu dan penemuan tidak boleh dibuat semula apabila menggunakan sampel kecil juga digunakan untuk analisis ini.

Batasan kajian kami ialah analisis kami tidak didaftarkan terlebih dahulu, dan oleh itu, persatuan yang dilaporkan tidak boleh dianggap sebagai pengesahan. Walau bagaimanapun, kami percaya bahawa sumbangan penting hasil ini adalah dalam menyediakan anggaran kesan yang lebih tepat untuk perhubungan antara ukuran kognitif, pengimejan struktur dan pilihan intertemporal disebabkan saiz sampel kajian terdahulu yang jauh lebih besar. Satu lagi had ialah kebolehpercayaan yang rendah bagi kadar diskaun. Parameter tugasan telah dikritik kerana kebolehpercayaan ujian-ujian semula yang rendah (Enkavi et al. 2019) dan, dalam domain keutamaan risiko yang berkaitan, kerana kekurangan konsistensi merentas paradigma eksperimen (Pedroni et al.2017). Sebab-sebab ini sebahagiannya mungkin menjelaskan kekurangan perkaitan dengan struktur otak yang kami dapati dan kebolehulangan penemuan yang rendah merentas kajian. Laluan masa depan yang penting adalah untuk mereka bentuk paradigma baru untuk mengukur DD dengan kebolehpercayaan yang lebih baik. Satu kemungkinan ke hadapan mungkin terletak pada memperoleh skor ringkasan yang menggabungkan beberapa parameter tugasan untuk mencapai kebolehpercayaan yang lebih tinggi dan menggunakan kaedah multivariate untuk meningkatkan peluang yang menyinggung persatuan tingkah laku otak (Moutoussis et al.2021).

Memandangkan kepentingan DD dalam kajian psikopatologi, adalah asas untuk menentukan dengan teguh perancah neurobiologi yang mendasarinya. Dengan memanfaatkan set data pengimejan neuro yang besar, kajian ini membantu mendamaikan jurang dalam literatur tentang korelasi jirim kelabu dan putih DD. Sifat tingkah laku ini dikaitkan secara negatif dengan GMV di kawasan temporal anterior dan, yang penting, kesan struktur yang dikenal pasti adalah kecil, sehingga tidak mungkin dikesan dalam sampel dengan saiz yang setanding dengan yang terdapat dalam banyak kajian berkaitan. Secara keseluruhannya, perkaitan dengan kebolehan kognitif dan struktur otak mungkin lebih lemah daripada laporan sebelumnya. Keputusan kami memerlukan pembangunan ukuran DD yang lebih mantap dan pelaksanaan kajian neuroimaging saiz sampel yang lebih besar daripada apa yang biasa di lapangan serta kawalan yang sesuai untuk kemungkinan pengacau.

Ucapan terima kasih

Kami berterima kasih kepada Mats Erikson dan Kajsa Burström kerana mengumpul data. Kami berterima kasih atas set data akses terbuka yang disediakan oleh Human Connectome Project, WU-MinnConsortium (Penyiasat Utama: David Van Essen dan Kamil Ugurbil; 1U54MH091657).

Bahan tambahan

Bahan tambahan boleh didapati di Cerebral Cortexonline.

Pembiayaan

Kerja ini disokong oleh Swedish ResearchCouncil (berikan nombor VR521-2013-2589 kepada MG-M), Anugerah Penyelidikan Alexander von Humboldt (LB) dan derma daripada Yayasan AF Jochnick (LB).

Pernyataan konflik kepentingan: Dr Zeb Kurth-Nelson digaji oleh DeepMind. Pengarang selebihnya mengisytiharkan tiada konflik kepentingan.

Rujukan

1. Addis DR, Wong AT, Schacter DL. Mengingat masa lalu dan membayangkan masa depan: substrat saraf biasa dan berbeza semasa pembinaan dan penghuraian peristiwa. Neuropsychologia. 2007:45:1363–1377.

2. Ahn WY, Rass O, Fridberg DJ, Bishara AJ, Forsyth JK, Breier A, Busemeyer JR, Hetrick WP, Bolbecker AR, O'Donnell BF. Diskaun sementara ganjaran pada pesakit dengan gangguan bipolar dan skizofrenia. J Abnorm Psychol. 2011:120:911–921.

3. Amlung M, Vedelago L, Acker J, Balodis I, MacKillop J. Pendiskaunan kelewatan curam dan tingkah laku ketagihan: meta-analisis perkaitan berterusan. Ketagihan. 2017:112:51–62.

4. Ashburner J, Friston KJ. Morfometri Berasaskan Voxel—Kaedahnya.NeuroImage. 2000:821:805–821.

5.Barch DM, Burgess GC, Harms MP, Petersen SE, Schlaggar BL, Corbetta M, Glasser MF, Curtiss S, Dixit S, Feldt C, et al. Fungsi dalam hubungan manusia: Tugas-fMRI dan perbezaan individu dalam tingkah laku. NeuroImage. 2013:80:169–189.

For more information:1950477648nn@gmail.com