综述
儿童脑发育及神经发育障碍的多模态MRI研究进展
中华解剖与临床杂志, 2022,27(1) : 54-59. DOI: 10.3760/cma.j.cn101202-20210511-00126
摘要
目的

总结多模态MRI技术在儿童脑发育及神经发育障碍(NDDs)中的应用研究进展。

方法

在中国知网、万方数据、PubMed及Web of Science 等中英文数据库,以“儿童脑发育”“神经发育障碍”“磁共振成像”以及“brain development” “neurodevelopmental disorders” “children” “MRI”等为关键词,检索1999年1月—2021年1月有关脑发育及NDDs疾病的MRI研究的相关文献,共检索到7 974篇文献,排除内容不相符、无法获取全文、质量较低、证据等级不高、重复研究的文献,最终纳入49篇英文文献,对其进行总结、分析。

结果

多模态脑影像学技术(如形态学、解剖学及功能MRI)结合当前机器学习分析技术(如脑年龄预测)和影像遗传学技术,从结构到功能、从局域到网络性质,描绘了正常和异常儿童脑发育的轨迹,促进了对NDDs病理生理机制的理解。

结论

结合定量化分析的多模态MRI技术,可用于对NDDs疾病的大脑结构及功能改变进行观察和对NDDs疾病机制的研究,并提供影像生物标志物,在儿童脑发育及NDDs疾病的早期诊断、分类和预后方面具有较高的应用价值。

引用本文: 余倩倩, 张其锐, 张志强. 儿童脑发育及神经发育障碍的多模态MRI研究进展 [J] . 中华解剖与临床杂志, 2022, 27(1) : 54-59. DOI: 10.3760/cma.j.cn101202-20210511-00126.
参考文献导出:   Endnote    NoteExpress    RefWorks    NoteFirst    医学文献王
扫  描  看  全  文

正文
作者信息
基金 0  关键词  0
English Abstract
评论
阅读 0  评论  0
相关资源
引用 | 论文 | 视频

版权归中华医学会所有。

未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。

除非特别声明,本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。

神经发育障碍(neurodevelopmental disorders,NDDs)是以异常脑发育导致的情绪及认知等脑功能障碍为特征的疾病谱系,常见的有注意缺陷/多动症(attention deficit hyperactivity disorder,ADHD)和自闭症谱系障碍(autism spectrum disorder,ASD)及部分儿童癫痫类型;其功能异常症状通常在儿童或青少年期明显,并可终生存在。当前,NDDs的病因学发病机制尚不明确,可能与基因突变密切相关1;其病理生理机制被认为是神经元树突/轴突改进期特定阶段脑发育异常所致2。由于NDDs的常规结构影像即电生理测量常呈阴性表现,因此,目前诊断主要依靠行为学评估。但是,随着多模态MRI技术的快速发展,结合定量化分析的多模态MRI技术可以对NDDs大脑结构及功能改变进行观察,促进对疾病机制的理解,并提供影像生物标志物,被应用于NDDs疾病的早期诊断、分类和预后评估。

本文以“儿童脑发育” “神经发育障碍” “磁共振成像”以及“brain development” “neurodevelopmental disorders” “children” “MRI”等为中、英文关键词,在中国知网、万方数据、PubMed及Web of Science 等中、英文数据库,检索1999年1月—2021年1月有关脑发育及NDDs疾病的MRI研究的相关文献7 974篇,排除内容不相符、无法获取全文、质量较低、证据等级不高、重复研究的文献,最终纳入英文文献49篇。本文介绍脑发育的过程和NDDs概念,以及相应的观察正常脑发育的MRI技术,总结多模态MRI技术在各类NDDs中的应用,以增进对该类疾病的认识。

1 脑发育与NDDs

人脑发育从胚胎期到成年后,贯穿终生,其中经历了几个阶段:妊娠3~4周为神经管形成期;妊娠4周以后至12周为神经元增殖期;妊娠12周以后至20周神经元开始迁移到皮层;妊娠20周以后神经元开始大量凋亡,而且突触开始经历先增殖后消退重组的过程;妊娠29周左右轴突开始髓鞘化,形成了白质,此过程一直持续到成年后期3。以上过程中,因遗传或环境因素导致脑发育的异常,多表现为大脑整体形态比较明显的改变,以皮层发育畸形为主,如脑裂畸形、小头畸形和灰质异位等。但是,在出生前后还存在一个神经元树突/轴突改进期,伴随着髓鞘形成。髓鞘在神经元层面表现为突触的生成和修剪:突触的生成始于妊娠20周左右,之后大量增殖,到2岁左右密度达到峰值,大概是成年人大脑突触密度的1.5倍;2岁之后突触会出现竞争性的修剪。这些进展性和消退性事件不断塑造和完善大脑的结构和功能4。在此阶段和层面,因基因和环境因素对大脑造成的影响较小,多无大体结构形态学异常,主要表现为行为及认知功能的障碍,即NDDs。

2 脑发育观察的MRI研究

以MRI为代表的多模态脑影像学技术,如形态学、解剖学及功能MRI,从结构到功能、从局域到网络性质,描绘正常和NDDs疾病儿童脑发育轨迹,结合当前机器学习分析技术如脑年龄预测等,以及覆盖多尺度的影像遗传学技术,为NDDs病理生理机制的研究提供了重要方法。

2.1 基于结构MRI的形态学研究

常用的脑发育MRI形态学指标有灰/白质体积、皮层厚度和皮质表面积等,多通过基于体素(voxel)或顶点(vertex)标准空间分析获得。在儿童及青少年期,灰质体积和皮质厚度遵循“倒U型”发育,白质体积呈线性增长。不同脑区的灰质体积在不同年龄达到峰值后,皮质厚度“从后往前”地变薄,先发生在主要感觉运动区,然后逐渐扩展到顶叶、颞上回和背外侧前额叶皮层5。低阶的感觉运动皮质和视觉皮质首先成熟,而与认知功能相关的高阶联络皮质成熟较晚,符合儿童认知和行为变化的顺序。从微观上看,儿童和青少年发育中灰质的减少和白质的增多可能是由突触修剪和轴突的髓鞘化引起6。除了从局域水平观察脑结构的发育,通过结构协变网络可以观察不同脑区间皮层协调发育模式,联络皮层和其他脑区之间的协变最强,而初级感觉运动区与其他脑区的协变最弱7。使用脑模版对灰质进行分区后,可以构建大尺度结构协变网络矩阵。基于图论分析发现,随着年龄增加,脑网络的全局效率也增加,小世界的拓扑结构向更随机化的方向改变;局部效率和模块化的变化呈一个先上升后下降的复杂模式,模块化早期是以结构划分为主,后期则更多是以功能划分8

2.2 基于弥散MRI的解剖学研究

表征水分子三维扩散的弥散张量成像(diffusion tensor imaging,DTI)可以研究白质纤维束微结构的发育变化。各向异性分数(fractional anisotropy,FA)是常用的描述局域白质束的指标。白质纤维束发育过程中整体上表现为弥散逐渐减小而FA逐渐增大,被认为是轴突髓鞘化的结果9。大脑中很多组织的体素内存在多个方向纤维素,基于单高斯模型的限制,DTI无法展示体素内多方向纤维素。扩散谱成像(diffusion spectrum imaging,DSI)则不依赖于模型的多b值多方向的q空间成像,它通过弥散位移进行三维傅里叶变换,计算体素内水分子扩散的概率密度函数,进而重现纤维素错综复杂的走行10。由于DSI能更准确地揭示微观组织结构及追踪纤维束,因此,DSI也逐渐被应用到NDDs疾病的研究中,包括ADHD、癫痫以及自闭症等。投射纤维和联合纤维在青春期后期成熟完毕,而联络纤维特别是上、下纵束和额枕束,一直到成年早期完全成熟11。这些结果与形态学MRI研究发现一致12,表明负责高阶认知功能的联络纤维的发育持续时间长,成熟较晚。基于白质纤维追踪构建的可视化白质连接网络技术发现:白质纤维连接网络拓扑特性如小世界和中心枢纽属性在出生时就建立;随着大脑的发育,较长的纤维开始成熟,特征路径长度明显缩短,导致全局效率的增加,相反聚类系数随年龄增加而减小13。基于以上弥散MRI的解剖学研究可以发现,大脑的白质纤维连接网络发育向着一个整合性更高、连接强度更强及稳定性更好的方向进行。

2.3 fMRI

脑功能成像发展迅速,广义的fMRI包括三维结构成像、DTI、灌注成像、动脉自旋标记、血氧水平依赖性功能成像(blood oxygen level dependent,BOLD-fMRI)和MR波谱成像(magnetic resonance spectrum,MRS),目前用于研究脑功能的发育情况主要是通过BOLD-fMRI。BOLD-fMRI的检查方法包括任务态fMRI和静息态fMRI。任务态fMRI研究发现,随着儿童语言能力的提升,与语言相关的前额叶和颞叶皮质活动也增加14,表明大脑结构和功能的发育变化与认知能力发展相一致。除了任务态fMRI研究各个脑区的功能,还可以使用静息态功能连接来理解不同脑区活动的同步性。数据驱动(如独立成分分析)、先验假设(如基于种子点的功能连接)和图论分析是分析功能网络常用的方法。儿童和青春期大脑的成熟特征是短距离的功能连接减少,而长距离的功能连接增加15,这是大脑功能网络分离和整合能力增强的结果。

2.4 多模态MRI与深度学习的应用进展

人脑灰质、白质结构及脑网络连接会随年龄变化表现为特定的轨迹模式,通过机器学习对健康人脑特征随时间变化的轨迹进行建模预测出大脑的生理年龄的方法,称之为脑年龄预测。由T1加权结构像、DTI和fMRI等模态数据驱动算出的大脑预测年龄与实际年龄的偏差被用于判断脑发育状态提前或延迟16,多模态影像的结合可以提高预测的准确率15。随着深度学习和算法的不断改进,基于多模态神经影像的脑年龄预测模型可以作为一种有效的生物标志物来反映个体脑发育状态,这对于神经系统发育疾病的诊断和评估具有重要意义。

2.5 脑发育早期的相关遗传影像学研究

90%的大脑基因在空间和时间上都有不同的调控。例如,在神经元前体细胞和未成熟迁移神经元中表达的基因DCX在胎儿发育中早期增加,然后逐渐下降,与神经元的成熟轨迹一致;相反,在树突中表达的基因(MAP1A、MAPT、CAMK2A)和突触中表达的基因(SYP、SYPL1、SYPL2、SYN1)在胎儿中、晚期到出生后1年之间急剧增加,与树突分枝和突触发生的生长轨迹一致17。不同脑区间巨大的基因表达差异是产前皮质发育的特点,而在婴儿期和幼儿期,不同脑区基因表达差异减小,更多的是基因的转录和分化18。影响这些过程的基因组变异对个体大脑结构和功能的差异具有重要作用。

基因不能直接编码或影响行为,而是通过影响了大脑中不同细胞的组成成分,进而产生了相关的行为学表型。因此,如灰质/白质的体积、皮质厚度、白质扩散率和功能连通性等决定不同脑区及脑网络,并且可以通过影像学方法定量化测量的指标,作为基因与行为之间的媒介,有揭示更具体的疾病机制的潜力。研究表明,白质体积的遗传力随着幼儿的发育增加,相比之下,在成人中以FA为代表的白质微结构的遗传力基本保持稳定19, 20。研究也发现,婴儿一出生静息态网络的功能连接在不同脑区间就存在显著的遗传力差异,并且这种差异在幼儿期增多21。现代遗传学研究表明,常见的NDDs中相关疾病,如自闭症和注意力缺陷多动障碍的行为障碍,可能是多基因因素和非遗传因素协同作用的结果。新兴的婴儿脑发育神经影像研究包括家族性遗传风险、候选风险基因和全基因组相关联研究等22, 23, 24。一项使用全基因组关联方法的研究发现,新生儿大脑结构中的IGFBP7(rs114518130)的内含子单核苷酸多态性与灰质体积显著相关(灰质体积增加与G等位基因相关)25

3 NDDs的脑影像学表现
3.1 ADHD及ASD脑影像学研究

ADHD主要症状是与年龄不符的注意力不集中、多动和冲动障碍。与正常对照组相比,ADHD患者的大脑总体积,额叶、颞叶和顶叶灰质体积,以及皮质下核团(基底核、杏仁核和海马)体积缩小,皮层变薄速率也减小26。基于纤维追踪的全脑体素水平分析发现,ADHD患者多数纤维束FA值减小,特别是胼胝体峡部和右下额枕束的FA值减少27。一项运用DSI追踪技术检测ADHD儿童的额叶-纹状体回路的研究发现,ADHD患儿额叶-纹状体回路的四条纤维束的完整性都被破坏,并且眶额回到尾状核的纤维束完整性与患者的注意力缺陷的临床症状显著相关28。在抑制任务下,ADHD患者额下回皮质、辅助运动区和后扣带回皮质的激活下降;在注意力任务下,背侧前额叶、顶叶和小脑的激活下降,与其行为症状相符29。在功能网络连接方面,ADHD患者的默认网络内部连接及默认网络与背侧注意网络和认知网络之间的连接强度有所减弱30。最近一项使用动态功能连接分析和隐半马尔可夫模型(Hidden semi-Markov models,HSMMs)的研究评估了ADHD患儿六种动态网络状态:与正常发育儿童相比,ADHD患儿在默认模式网络和任务相关网络这类负相关网络状态上停留的时间短,且切换得更快,此结果暗示脑功能紊乱的动力学可能是ADHD儿童常见的行为症状和认知缺陷的机制31。综上提示,ADHD患者脑结构和功能发育延迟的区域有重叠,还需进一步在大样本的纵向数据中研究ADHD患者功能网络发育与结构网络发育之间的关系。

ASD存在广泛的神经发育异常,在儿童期就表现出典型的临床症状(社交障碍、行为重复刻板及兴趣狭隘)。在ASD患者中,1岁后出现大脑体积过度生长,2~4岁达到高峰,6~8岁停滞,青春期和成年期下降且低于正常水平,额颞叶变化最为显著32。DTI研究提示,ASD患者在出生一年内白质过度髓鞘化,FA值增大,随着年龄增大,髓鞘化速率减慢,导致FA值在较大儿童、青少年甚至成人中减小33。在执行情绪加工或社会认知等任务时,与社会脑网络相关的脑区,包括杏仁核、颞顶叶连接,岛叶和额下回皮质在ASD患者中激活不足,与社交障碍症状相关34;一项多中心研究报道,ASD患者与对照组相比,模块内的连接强度增强,模块间的连接不足,提示大脑整合能力下降,对ASD患者认知能力受损作出解释35。一项使用多视图形态学脑网络预测脑年龄的研究发现,该组ASD患者的年龄为(16.92 ± 6.38)岁,其中较年轻的ASD患者预测出的脑年龄偏大,而年龄偏大的ASD患者预测出的脑年龄偏差不大,这可能是ASD患者早期过度发育、后期发育延迟造成的36。研究发现,具有ASD高家族性风险的婴儿相对低家族性风险的婴儿6~12个月时皮质表面积过度扩张,12~24个月时脑体积过度生长,2岁时更易发展为ASD,因此,皮质表面积可以作为早期预测高家族风险的婴儿后期发展为ASD患儿的神经影像学生物标志物22

3.2 儿童癫痫

伴中央颞区棘波儿童良性癫痫(benign childhood epilepsy with centrotemporal spikes,BECTS)及儿童失神性癫痫(childhood absence epilepsy,CAE)均为年龄依赖性的遗传性癫痫,是最常见的儿童癫痫类型。这两类癫痫从发病机制上也属于NDDs,大多症状轻、预后良好,但有些病例表现出明显的认知功能异常。

BECTS患者在中央颞区癫痫发生区及额顶叶认知功能区皮质厚度异常增厚37, 38。BECTS在同侧癫痫发作的感觉运动区FA值减小39,这种白质微结构重塑的差异会随着病程或发作间期痫样放电而变得明显,特别在伴有认知障碍的BECTS患者中3840,提示癫痫发作或间期痫样放电影响了正常大脑结构的发育,进而导致认知功能障碍。在BECTS中小世界拓扑被破坏,向着随机网络变化41。有研究者通过有效的动态因果模型来分析大脑区域之间的有效连通性和信息流动方向时发现,较远的额叶、颞顶交界和颞极信号的改变是由中央癫痫发生区所驱动,某种程度上解释了BECTS患者的学习、记忆和注意力障碍42

CAE患儿左侧大脑半球的额上、中、下回,以及辅助运动区和颞上回的皮质厚度增厚;左颞上回、扣带回右中央后回和右额中回沟回变浅,可能反映了CAE患者发育的延迟或是突触修剪过程中出现异常,并提示脑结构的异常源于发育因素而不是癫痫发作的影响43。在fMRI方面,CAE患者眶额皮质的功能连接性异常增加,默认模式网络、注意网络和显著网络内部及网络之间的连接性下降44,这些网络的异常可能与失神发作时的认知障碍和意识丧失有关。基于图论分析的DTI网络研究发现:CAE患者的白质网络遭到显著破坏,全局效率、聚类系数和局部效率都降低45。以丘脑和后扣带回为种子点的动态功能连接研究发现,与失神发作前后相比,丘脑在发作期间连接强度增高,而后扣带回在发作期动态功能连接强度下降,这也说明了CAE患者的默认模式网络处于抑制状态46

3.3 NDDs的共病同机制的影像学特征

通过分析发现,以上几类NDDs疾病中存在影像学特征的相似改变:(1)在宏观结构方面,灰质体积增多和白质体积减少,皮质厚度变薄减慢,白质FA值减小,提示了存在脑结构的发育延迟,这可能是微观上突触修剪和轴突髓鞘化延迟的结果。(2)在结构网络和功能网络连接方面,NDDs被认为是一类脑网络障碍疾病,小世界的拓扑属性破坏,全局效率减低,长距离的连接缩短,可能提示NDDs患者大脑整合功能减弱,引起相关的认知功能受损。

虽然ADHD、ASD和儿童癫痫被分属于不同的疾病,但都有一些相同的临床表现,如社交困难、注意力不集中和执行功能障碍,且有很高的共病率。这些疾病之间的关系复杂,癫痫患者易罹患如ASD、ADHD、抑郁症或焦虑症等神经精神病性疾病,而患有这些疾病的患者罹患癫痫病的风险也会增加,如5%~7%的癫痫儿童同时患有ASD,而ASD患者中有29%~40%患有癫痫病47。从机制上看,近来的神经兴奋/抑制(excitation/inhibition,E/I)平衡假说为NDDs共病现象提供了潜在的解释:在脑发育早期,大脑整体上呈高兴奋性,在出生后1年内E/I比值达到峰值,随后快速下行,在青春期缓慢下降,直到成年后才稳定平衡,在E/I峰期及下行早期,是神经突触增生和修剪活跃期,称为脑皮层发育关键期,此期对各种致病因素敏感48。不同脑区发育的先后顺序不一致,其“关键期”窗口时间先后也不一致,所以有学者提出假设,即不同脑区在其发育关键期内E/I水平失衡可能是NDDs共病发生的原因49

4 总结与展望

在儿童和青少年的脑发育过程中,大脑发生了微观结构和宏观结构的改变,重塑结构网络和功能网络,使其更好地适应复杂的功能和认知要求。在这个关键期内,正常脑发育的轨迹可为异常脑发育疾病如何发生提供了重要的基准。未来结合不同优势的多模态研究有助于从不同水平探索和阐明NDDs的病理生理机制;进行纵向影像数据采集的研究有助于描绘个体的脑发育轨迹和阐明年龄和药物对脑发育的潜在作用。而基于人工智能的方法能捕捉和整合到多个模态的高维度影像特征,不仅可以用于开发脑年龄预测工具,分析NDDs脑发育情况,还可以开发NDDs早期诊断、分类和预后的诊断工具。此外,基因和环境对NDDs的影响同样重要,需要进一步的研究。

利益冲突
利益冲突

所有作者声明不存在利益冲突

参考文献
[1]
MeislerMH, HillSF, YuW. Author correction: sodium channelopathies in neurodevelopmental disorders[J]. Nat Rev Neurosci, 2021,22(4):256.DOI:10.1038/s41583-021-00449-5.
[2]
SongJM, KangM, ParkDH, et al. Pathogenic GRM7 mutations associated with neurodevelopmental disorders impair axon outgrowth and presynaptic terminal development[J]. J Neurosci, 2021,41(11):2344-2359. DOI: 10.1523/JNEUROSCI.2108-20.2021.
[3]
CaseyBJ, TottenhamN, ListonC, et al. Imaging the developing brain: what have we learned about cognitive development?[J]. Trends Cogn Sci, 2005,9(3):104-110. DOI: 10.1016/j.tics.2005.01.011.
[4]
LenrootRK, GieddJN. Brain development in children and adolescents: insights from anatomical magnetic resonance imaging[J]. Neurosci Biobehav Rev, 2006, 30(6):718-729. DOI: 10.1016/j.neubiorev.2006.06.001.
[5]
BhattRR, GuptaA, MayerEA, et al. Chronic pain in children: structural and resting-state functional brain imaging within a developmental perspective[J]. Pediatr Res, 2020,88(6):840-849. DOI: 10.1038/s41390-019-0689-9.
[6]
ForrestMP, ParnellE, PenzesP. Dendritic structural plasticity and neuropsychiatric disease[J]. Nat Rev Neurosci, 2018, 19(4): 215-234. DOI: 10.1038/nrn.2018.16.
[7]
TeeuwJ, BrouwerRM, KoenisM, et al. Genetic influences on the development of cerebral cortical thickness during childhood and adolescence in a dutch longitudinal twin sample: the brainscale study[J]. Cereb Cortex, 2019, 29(3):978-993. DOI: 10.1093/cercor/bhy005.
[8]
KhundrakpamBS, ReidA, BrauerJ, et al. Developmental changes in organization of structural brain networks[J]. Cereb Cortex, 2013, 23(9): 2072-2085. DOI: 10.1093/cercor/bhs187.
[9]
CollinG, van den HeuvelMP. The ontogeny of the human connectome: development and dynamic changes of brain connectivity across the life span[J]. Neuroscientist, 2013,19(6): 616-628. DOI: 10.1177/1073858413503712.
[10]
WedeenVJ, WangRP, SchmahmannJD, et al. Diffusion spectrum magnetic resonance imaging (DSI) tractography of crossing fibers[J]. Neuroimage, 2008, 41(4): 1267-1277. DOI: 10.1016/j.neuroimage.2008.03.036.
[11]
LebelC, BeaulieuC. Longitudinal development of human brain wiring continues from childhood into adulthood[J]. J Neurosci, 2011, 31(30): 10937-10947.DOI:10.1523/JNEUROSCI.5302-10.2011.
[12]
SowellER, PetersonBS, ThompsonPM, et al. Mapping cortical change across the human life span[J]. Nat Neurosci, 2003, 6(3): 309-315. DOI: 10.1038/nn1008.
[13]
ZhaoT, XuY, HeY. Graph theoretical modeling of baby brain networks[J]. Neuroimage, 2019, 185: 711-727. DOI: 10.1016/j.neuroimage.2018.06.038.
[14]
GurunandanK, Arnaez-TelleriaJ, CarreirasM, et al. Converging evidence for differential specialization and plasticity of language systems[J]. J Neurosci, 2020, 40(50):9715-9724. DOI: 10.1523/JNEUROSCI.0851-20.2020.
[15]
NiuX, ZhangF, KouniosJ, et al. Improved prediction of brain age using multimodal neuroimaging data[J]. Hum Brain Mapp, 2020, 41(6): 1626-1643. DOI: 10.1002/hbm.24899.
[16]
ColeJH, PoudelR, TsagkrasoulisD, et al. Predicting brain age with deep learning from raw imaging data results in a reliable and heritable biomarker[J]. Neuroimage, 2017,163: 115-124. DOI: 10.1016/j.neuroimage.2017.07.059.
[17]
KangHJ, KawasawaYI, ChengF, et al. Spatio-temporal transcriptome of the human brain[J]. Nature, 2011,478(7370): 483-489. DOI: 10.1038/nature10523.
[18]
PletikosM, SousaAMM, SedmakG, et al. Temporal specification and bilaterality of human neocortical topographic gene expression[J]. Neuron, 2014,81(2):321-332. DOI: 10.1016/j.neuron.2013.11.018.
[19]
KochunovP, JahanshadN, MarcusD, et al. Heritability of fractional anisotropy in human white matter: a comparison of Human Connectome Project and ENIGMA-DTI data[J]. Neuroimage, 2015, 111: 300-311. DOI: 10.1016/j.neuroimage.2015.02.050.
[20]
VuoksimaaE, PanizzonMS, HaglerDJ, et al. Heritability of white matter microstructure in late middle age: a twin study of tract-based fractional anisotropy and absolute diffusivity indices[J]. Hum Brain Mapp, 2017, 38(4):2026-2036. DOI: 10.1002/hbm.23502.
[21]
GaoW, EltonA, ZhuH, et al. Intersubject variability of and genetic effects on the brain's functional connectivity during infancy[J]. J Neurosci, 2014, 34(34): 11288-11296. DOI: 10.1523/JNEUROSCI.5072-13.2014.
[22]
HazlettHC, GuH, MunsellBC, et al. Early brain development in infants at high risk for autism spectrum disorder[J]. Nature, 2017, 542(7641): 348-351. DOI:10.1038/nature21369.
[23]
XiaK, ZhangJ, AhnM, et al. Genome-wide association analysis identifies common variants influencing infant brain volumes[J]. Transl Psychiatry, 2017, 7(8): e1188. DOI: 10.1038/tp.2017.159.
[24]
KrishnanML, Van SteenwinckelJ, SchangAL, et al. Integrative genomics of microglia implicates DLG4 (PSD95) in the white matter development of preterm infants[J]. Nat Commun, 2017, 8(1): 428. DOI: 10.1038/s41467-017-00422-w.
[25]
XiaK, ZhangJ, AhnM, et al. Genome-wide association analysis identifies common variants influencing infant brain volumes[J]. Transl Psychiatry, 2017, 7(8): e1188. DOI: 10.1038/tp.2017.159.
[26]
CastellanosFX, LeePP, SharpW, et al. Developmental trajectories of brain volume abnormalities in children and adolescents with attention-deficit/hyperactivity disorder[J]. JAMA, 2002, 288(14): 1740-1748. DOI:10.1001/jama.288.14.1740.
[27]
AokiY, CorteseS, CastellanosFX. Research review: diffusion tensor imaging studies of attention-deficit/hyperactivity disorder: meta-analyses and reflections on head motion[J]. J Child Psychol Psychiatry, 2018, 59(3):193-202. DOI: 10.1111/jcpp.12778.
[28]
WuY, GauS S, LoY, et al. White matter tract integrity of frontostriatal circuit in attention deficit hyperactivity disorder: association with attention performance and symptoms[J]. Human Brain Mapping, 2014, 35(1): 199-212. DOI: 10.1002/hbm.22169.
[29]
HartH, RaduaJ, NakaoT, et al. Meta-analysis of functional magnetic resonance imaging studies of inhibition and attention in attention-deficit/hyperactivity disorder: exploring task-specific, stimulant medication, and age effects[J]. JAMA Psychiatry, 2013, 70(2): 185-198. DOI:10.1001/jamapsychiatry.2013.277.
[30]
WangM, HuZ, LiuL, et al. Disrupted functional brain connectivity networks in children with attention-deficit/hyperactivity disorder: evidence from resting-state functional near-infrared spectroscopy[J]. Neurophotonics, 2020, 7(1): 1. DOI: 10.1117/1.NPh.7.1.015012.
[31]
ShappellHM, DuffyKA, RoschKS, et al. Children with attention-deficit/hyperactivity disorder spend more time in hyperconnected network states and less time in segregated network states as revealed by dynamic connectivity analysis[J]. Neuroimage, 2021, 229: 117753. DOI: 10.1016/j.neuroimage.2021.117753.
[32]
TrautN, BeggiatoA, BourgeronT, et al. Cerebellar volume in autism: literature meta-analysis and analysis of the autism brain imaging data exchange cohort[J]. Biol Psychiatry, 2018, 83(7): 579-588. DOI: 10.1016/j.biopsych.2017.09.029.
[33]
YuQ, PengY, KangH, et al. Differential white matter maturation from birth to 8 years of age[J]. Cereb Cortex, 2020, 30(4): 2673-2689. DOI: 10.1093/cercor/bhz268.
[34]
RedcayE, Dodell-FederD, MavrosPL, et al. Atypical brain activation patterns during a face-to-face joint attention game in adults with autism spectrum disorder[J]. Hum Brain Mapp, 2013,34(10):2511-2523. DOI: 10.1002/hbm.22086.
[35]
Di MartinoA, YanCG, LiQ, et al. The autism brain imaging data exchange: towards a large-scale evaluation of the intrinsic brain architecture in autism[J]. Mol Psychiatry, 2014, 19(6): 659-667. DOI: 10.1038/mp.2013.78.
[36]
CorpsJ, RekikI. Morphological brain age prediction using multi-view brain networks derived from cortical morphology in healthy and disordered participants[J]. Sci Rep, 2019, 9(1): 9676. DOI: 10.1038/s41598-019-46145-4.
[37]
ShakeriM, DattaAN, MalfaitD, et al. Sub-cortical brain morphometry and its relationship with cognition in rolandic epilepsy[J]. Epilepsy Res, 2017, 138: 39-45. DOI:10.1016/j.eplepsyres.2017.09.007.
[38]
Garcia-RamosC, JacksonDC, LinJ J, et al. Cognition and brain development in children with benign epilepsy with centrotemporal spikes[J]. Epilepsia, 2015, 56(10): 1615-1622. DOI: 10.1111/epi.13125.
[39]
CiumasC, SaignavongsM, IlskiF, et al. White matter development in children with benign childhood epilepsy with centro-temporal spikes[J]. Brain, 2014, 137(Pt 4):1095-1106. DOI: 10.1093/brain/awu039.
[40]
PardoeHR, BergAT, ArcherJS, et al. A neurodevelopmental basis for BECTS: evidence from structural MRI[J]. Epilepsy Res, 2013, 105(1-2): 133-139. DOI: 10.1016/j.eplepsyres.2012.11.008.
[41]
BearJ J, ChapmanK E, TregellasJ R. The epileptic network and cognition: what functional connectivity is teaching us about the childhood epilepsies[J]. Epilepsia, 2019, 60(8): 1491-1507. DOI: 10.1111/epi.16098.
[42]
AdebimpeA, Bourel-PonchelE, WalloisF. Identifying neural drivers of benign childhood epilepsy with centrotemporal spikes[J]. Neuroimage Clin, 2018, 17:739-750. DOI: 10.1016/j.nicl.2017.11.024.
[43]
KimEH, ShimWH, LeeJS, et al. Altered structural network in newly onset childhood absence epilepsy[J]. J Clin Neurol, 2020, 16(4): 573-580. DOI: 10.3988/jcn.2020.16.4.573.
[44]
LiQ, CaoW, LiaoX, et al. Altered resting state functional network connectivity in children absence epilepsy[J]. J Neurol Sci, 2015, 354(1-2): 79-85. DOI: 10.1016/j.jns.2015.04.054.
[45]
XueK, LuoC, ZhangD, et al. Diffusion tensor tractography reveals disrupted structural connectivity in childhood absence epilepsy[J]. Epilepsy Res, 2014, 108(1): 125-138. DOI: 10.1016/j.eplepsyres.2013.10.002.
[46]
LiaoW, WuGR, XuQ, et al. DynamicBC: a MATLAB toolbox for dynamic brain connectome analysis[J]. Brain Connect, 2014, 4(10): 780-790. DOI: 10.1089/brain.2014.0253.
[47]
KannerA M, ScharfmanH, JetteN, et al. Epilepsy as a network disorder (1): what can we learn from other network disorders such as autistic spectrum disorder and mood disorders?[J]. Epilepsy Behav, 2017, 77: 106-113. DOI: 10.1016/j.yebeh.2017.09.014.
[48]
RehRK, DiasBG, NelsonCA, et al. Critical period regulation across multiple timescales[J]. Proc Natl Acad Sci USA, 2020, 117(38): 23242-23251. DOI: 10.1073/pnas.1820836117.
[49]
ChenLC, ChenMH, HsuJW, et al. Association of parental depression with offspring attention deficit hyperactivity disorder and autism spectrum disorder: a nationwide birth cohort study[J]. J Affect Disord, 2020, 277: 109-114. DOI: 10.1016/j.jad.2020.07.059.
 
 
展开/关闭提纲
查看图表详情
回到顶部
放大字体
缩小字体
标签
关键词