Предмет

Научные отчеты, том 13, Номер статьи: 12615 (2023) Цитировать эту статью

73 доступа

Подробности о метриках

Повторяющаяся транскраниальная магнитная стимуляция (рТМС) приобрела важное значение в лечении нервно-психических расстройств, включая большую депрессию. Однако еще не понятно, как рТМС меняет функциональные связи мозга. Здесь мы сообщаем об изменениях в функциональных связях, зафиксированных с помощью функциональной магнитно-резонансной томографии в состоянии покоя (rsfMRI) в течение первого часа после рТМС с частотой 10 Гц. Мы применяем предметно-ориентированные схемы парцелляции для обнаружения изменений (1) в узлах сети, где наблюдается наиболее сильная функциональная связность регионов, и (2) в границах сети, где происходят функциональные переходы между регионами. Мы используем машину опорных векторов (SVM), широко используемый алгоритм машинного обучения, который является надежным и эффективным, для классификации и характеристики временных интервалов изменений в картах узлов и границ. Наши результаты показывают, что изменения связности на границах происходят медленнее и сложнее, чем изменения, наблюдаемые в узлах, но имеют аналогичную величину в соответствии с доверительными интервалами точности. Эти результаты были наиболее сильными в задней части поясной извилины и предклинье. Поскольку границы сети действительно недостаточно изучены по сравнению с узлами в исследованиях коннектомики, наши результаты подчеркивают их вклад в функциональные корректировки rTMS.

Повторяющаяся транскраниальная магнитная стимуляция (рТМС) стала популярным методом неинвазивной модуляции функций мозга1. Недавние исследования нейровизуализации показали, что функциональные изменения, вызванные рТМС в локализованной области коры, приводят к избирательной и четкой модуляции активности и функциональных связей как внутри, так и между крупномасштабными сетями мозга2,3,4,5,6,7. Механизмы, с помощью которых rTMS вызывает сетевые модуляции, до сих пор недостаточно изучены. Сегодня картирование эффектов всего мозга, вызванных локальными нейронными возмущениями, в том числе рТМС, является растущей областью исследований. Хорошо зарекомендовавшие себя методы теперь позволяют оценивать функциональные адаптации на уровне коннектома к высокочастотной рТМС как на картах узлов, так и на картах границ в последовательные интервалы времени8,9.

Данные функциональной магнитно-резонансной томографии (фМРТ), полученные в то время, когда участники не занимаются какой-либо конкретной задачей, называются фМРТ в состоянии покоя (rsfMRI). RsfMRI сыграла важную роль в продвижении нашего понимания архитектуры макроскопической функциональной сети мозга10,11,12, а также того, какие области могут быть наиболее функционально изменены при психических расстройствах13,14. Однако данные фМРТ обычно состоят из функциональных временных ходов в тысячах вокселей, что, с одной стороны, позволяет сделать точный вывод о корреляциях или «функциональных связях» между регионами, но, с другой стороны, имеет высокую размерность. Были предложены различные подходы для уменьшения размерности данных и выявления наиболее важных закономерностей пространственно-временной организации в данных фМРТ. Это относится к функциональным областям всего мозга, которые будут представлены в нашем исследовании как узлы15 и границы8,16,17. Узлы определяются как величайшая сила локальной или глобальной связи, также известная как концепции модульности и интеграции соответственно, которая позволила многое понять в пространственной организации здорового и больного мозга18. Границы — это аналоги узлов, идентифицированные там, где сила связности наименьшая или отсутствует, обычно при переходе между соседними функциональными областями16. В отличие от исследования границ, научное сообщество уделило непропорционально большое внимание узлам функциональных сетей. В подходах кластеризации узлов пространственно-временные элементы (т. е. вокселы) могут быть сгруппированы на основе сходства или различия их функциональных связей15. Примером подхода к кластеризации узлов является анализ независимых компонентов (ICA), который используется в качестве метода картирования мозга, который эффективно разделяет функциональные компоненты на основе их соответствующего пространственно-временного распределения19. ICA широко применяется для идентификации крупномасштабных мозговых сетей5,20,21.