Um método para investigar diferenças relacionadas à idade na conectividade funcional of Cognitive Controle Networks associados à mudança Dimensional Card Sort Desempenho

A capacidade de regular o comportamento se desenvolve gradualmente na infância e adolescência (para revisão, ver Diamond ^1). Na Dimensional Ordenar tarefa Alterar Card, por exemplo, os participantes mudar de classificação cartões de uma maneira, como forma, para classificá-los de forma diferente, como a cor ² (ver Figura 2). Switching cobra um custo de desempenho pequeno, ou custo switch, de tal forma que as respostas são geralmente mais lento e em ensaios de switch propenso a erros em que as mudanças de regras de classificação, em comparação a repetir os ensaios em que a regra de classificação continua a ser o mesmo ^3. A magnitude destes custos normalmente fica menor quando as crianças crescem ^4, ilustrando o fato de que a capacidade de regulação comportamental sofre desenvolvimento contínuo no início da vida.

Como as operações mentais complexas, como comutação, envolvem interações rápidas entre várias regiões do cérebro ^5, há um interesse crescente em relating do desenvolvimento da cognição de ordem superior a alterações na organização funcional de redes corticais larga escala ^6.

Uma abordagem para investigar mudanças de desenvolvimento em redes de grande escala é através do uso de-base de sementes funcional ^6,7 análise de conectividade. O primeiro passo para essa técnica é consultar com literatura de pesquisa disponível e definir um a priori regiões de interesse, ou ROI, que parecem ser relevantes para o comportamento em questão. Estes ROI, ou nodos, definem o esqueleto de base da rede. Em seguida, as flutuações de baixa frequência em atividade (ou T2 * ponderada intensidade do sinal) nestes ROIs são medidos por 5 a 10 minutos, enquanto os participantes estão em repouso em um scanner de ressonância magnética. Conectividade funcional entre dois nós da rede é então quantificada como a correlação de seus respectivos cursos de tempo. Nós que estão fortemente ligadas funcionalmente deve ter semelhante e, portanto, altamente correlacionados, sinalcursos de tempo. Por outro lado, os nós que são fracamente ligados funcionalmente deve ter diferentes e, assim, fracamente correlacionadas, sinalizar cursos de tempo. Para completar um modelo de rede, extremidades (ou ligações) são desenhadas entre os nós cujos cursos de tempo correlacionar acima de um limite escolhido. Os testes de diferenças relacionadas à idade na conectividade funcional dentro de uma rede pode ser realizada em qualquer conexão único nó a nó, ou na topologia de todo o conjunto de nós e arestas. Essas diferenças de conectividade funcional pode estar relacionado com as medidas de desempenho cognitivo coletadas offline.

Neste trabalho, uma abordagem diferente é descrito que é baseado no grupo de análise de componentes independentes dos dados ⁸ fMRI baseados em tarefas. Análise de componentes independentes (ou ICA) é um procedimento estatístico para cegamente revelando fontes ocultas subjacentes a um conjunto de observações de tal forma que as fontes reveladas são maximamente independente. Aplicado à análise de dados de fMRI, o pROCEDIMENTO assume que cada volume é uma mistura de um número finito de fontes espacialmente independentes. Usando um de uma variedade de diferentes algoritmos, como o algoritmo Infomax, ICA, em seguida, calcula uma matriz de desmistura, que quando aplicadas aos dados originais produz um conjunto de fontes independentes, ou maximamente componentes. Cada componente pode ser pensado como uma rede, na medida em que é composta por um conjunto de voxeis que partilham um curso de tempo comum. Grupo ICA é um tipo particular de ICA em que um conjunto comum de componentes do grupo é estimado a partir de um primeiro conjunto de dados inteiro, e, em seguida, conjuntos de componentes de grupos específicos de participantes são computados em um passo para trás-reconstrução. Uma vez que um conjunto de dados inteiro é decomposto em um conjunto de componentes, o próximo passo é descartar componentes de artefatos que representam fontes de ruído e identificar componentes teoricamente significativos que correspondem com as redes de interesse. Isto pode ser conseguido quer por meio de cursos de tempo dos componentes de modelagem, no contexto de um GLM identify redes que activam de um modo previsível, correlacionando espacialmente os componentes com um modelo de rede de interesse, ou de ambos. O conjunto resultante de componentes podem então ser submetido a uma comparação entre os grupos para testar possíveis diferenças relacionadas à idade na conectividade funcional dentro das redes, teoricamente interessantes ^7,9,10.

Dados fMRI baseados em tarefas Estudar mudanças relacionadas à idade na conectividade funcional através da aplicação de grupo ICA para tem várias vantagens sobre a aplicação de técnicas baseadas em sementes de dados de fMRI descansando estatais. Em primeiro lugar, ao contrário de técnicas baseadas em sementes que se concentram em um pequeno conjunto de ROIs definidas a priori, a abordagem do grupo ICA atual utiliza todos os voxels que compreendem uma série de tempo volumétrica. Isso diminui as oportunidades de viés que necessariamente surgem quando um pequeno grupo de sementes são selecionados a priori como regiões de interesse. Em segundo lugar, a aplicação da análise de conectividade funcional (baseado em ICA ou não) a tarefaao invés de dados fMRI descansando-estado tem a vantagem de permitir a organização da rede ea função de rede a ser associada mais diretamente. Se, por exemplo, examinando as implicações cognitivas ou comportamentais da conectividade funcional (tal como a variação no desempenho DCCS) é uma prioridade, é importante demonstrar que a rede de interesse está associado com o desempenho da tarefa. Com os protocolos de repouso pelo Estado, isto é muito difícil, porque o pesquisador não tem registro de nenhum estados cognitivos, comportamentais ou afetivos experimentados pelo participante durante a aquisição de dados. Por isso, é impossível fornecer a evidência direta de que qualquer rede de juros é relevante para o desempenho da tarefa. Em contraste, quando a análise de conectividade funcional, tal como ACI, é aplicada a tarefa de dados, é possível confirmar que a rede de interesse é, pelo menos, está relacionado com o desempenho de uma tarefa. Finalmente, o ICA é menos sujeito à influência adversa de ruído. Fontes de ruído, como os sagacidade associadoh assunto de movimento e ritmo cardíaco, têm perfis de espaço-temporais únicas. Portanto, no contexto de um grupo de ACI, estas fontes são isoladas e caracterizadas de componentes separados, deixando restantes componentes relativamente livre destas fontes indesejáveis ​​da variância. Vez que as análises baseadas em sementes usar cursos de tempo bruto na estimativa da conectividade funcional, e cursos de tempo são, por definição, as misturas de sinal neurofisiológico e ruído artifactual, as diferenças nas estimativas do grupo de conectividade funcional podem refletir diferenças entre os grupos verdadeiros em neurofisiologia subjacente, as diferenças de grupo em a estrutura de ruído, ou ambos ^11.