Strukturelle Veränderungsmuster der Hirnrinde bei vier großen psychiatrischen Erkrankungen bei 5549 Personen

Molekulare Psychiatrie (2023)Diesen Artikel zitieren

744 Zugriffe

4 Altmetrisch

Details zu den Metriken

Nach den operativ-diagnostischen Kriterien werden psychiatrische Störungen wie Schizophrenie (SZ), bipolare Störung (BD), Major Depression (MDD) und Autismus-Spektrum-Störung (ASD) symptomatisch klassifiziert. Während jede dieser psychiatrischen Störungen durch ihre Symptomgruppe definiert wird, gibt es auch Überschneidungen bei den Symptomen zwischen den Störungen. Wir stellten die Hypothese auf, dass es bei diesen psychiatrischen Störungen auch Ähnlichkeiten und Unterschiede in den kortikalen strukturellen Neuroimaging-Merkmalen gibt. Für 5.549 Probanden aus 14 Standorten wurden T1-gewichtete Magnetresonanztomographie-Scans durchgeführt. Die Effektgrößen wurden mithilfe eines linearen Regressionsmodells innerhalb jedes Protokolls bestimmt und diese Effektgrößen wurden metaanalysiert. Die Ähnlichkeit der Unterschiede in der kortikalen Dicke und Oberfläche jeder Störungsgruppe wurde mithilfe der Kosinusähnlichkeit berechnet, die aus den Effektgrößen der einzelnen kortikalen Regionen berechnet wurde. Der dünnste Kortex wurde in SZ gefunden, gefolgt von BD und MDD. Die Kosinusähnlichkeitswerte zwischen Störungen betrugen 0,943 für SZ und BD, 0,959 für SZ und MDD und 0,943 für BD und MDD, was darauf hindeutet, dass bei SZ, BD und MDD ein gemeinsames Muster kortikaler Dickenveränderungen gefunden wurde. Darüber hinaus wurde bei SZ und MDD eine allgemein kleinere kortikale Oberfläche festgestellt als bei BD, und der Effekt war bei SZ größer. Die Kosinus-Ähnlichkeitswerte zwischen Störungen betrugen 0,945 für SZ und MDD, 0,867 für SZ und ASD und 0,811 für MDD und ASD, was auf ein gemeinsames Muster kortikaler Oberflächenveränderungen bei SZ, MDD und ASD hinweist. Bei den vier wichtigsten psychiatrischen Erkrankungen wurden Muster von Veränderungen in der Dicke und Oberfläche der Kortikalis festgestellt. Unseres Wissens ist dies der erste Bericht einer störungsübergreifenden Analyse, die zu vier großen psychiatrischen Störungen durchgeführt wurde. Die störungsübergreifende Bildgebungsforschung des Gehirns kann dazu beitragen, unser Verständnis der Pathogenese psychiatrischer Störungen und häufiger Symptome zu verbessern.

Gemäß den operativen Diagnosekriterien des Diagnostischen und Statistischen Handbuchs für psychische Störungen und der Internationalen Klassifikation der Krankheiten werden psychiatrische Störungen anhand von Symptomclustern klassifiziert. Spezifische psychiatrische Störungen haben unterschiedliche, charakteristische Symptome, die jede Störung definieren, obwohl sie auch einige Symptome gemeinsam haben. Es ist daher zu erwarten, dass biologische Ähnlichkeiten und Unterschiede zwischen psychiatrischen Störungen zu finden sind und die Identifizierung dieser Profile die Entwicklung biologisch basierte Behandlungsmethoden unterstützen könnte. Es wird auch erwartet, dass psychiatrische Erkrankungen Ähnlichkeiten und Unterschiede in ihren strukturellen Bildgebungsmerkmalen des Gehirns aufweisen. Forscher auf der ganzen Welt unternehmen derzeit zahlreiche Anstrengungen, um relevante pathophysiologische Merkmale mithilfe der Bildgebung des Gehirns aufzuklären [1, 2]; Zu diesen Merkmalen gehören kortikale und subkortikale Strukturen sowie die Mikrostruktur der weißen Substanz [2,3,4,5]. Insbesondere ist es wichtig zu untersuchen, ob es Ähnlichkeiten und Unterschiede in der Struktur der grauen Substanz bei verschiedenen psychiatrischen Erkrankungen gibt.

Gehirnweite Studien, die einen explorativen Ansatz verwenden, ohne dass eine spezifische Hypothese erforderlich ist, können Tausende von Proben erfordern, um robuste Effekte zu definieren; daher mangelt es hirnweiten Studien mit kleinen Stichproben möglicherweise an statistischer Aussagekraft und sie weisen aufgrund der Unterschiede im MRT-Scanner und der Analysemethoden sowie der möglicherweise geringen Auswirkungen der Störung im Vergleich zum normalen Bereich der Hirnvariation eine schlechte Reproduzierbarkeit auf [6] . Um dieses Problem anzugehen, hat das ENIGMA-Konsortium (Enhancing Neuroimaging Genetics through Meta-Analysis) einen Ansatz gewählt, der Protokolle vereinheitlicht und zur Durchführung von Metadaten die gleichen Verarbeitungspipelines, Qualitätskontrollen (QC) und statistischen Methoden von Studienstandorten auf der ganzen Welt verwendet -Analyse großer, multizentrischer Proben und dadurch Validierung der strukturellen und funktionellen Profile von Störungseffekten im Gehirn in Tausenden von Fällen [2, 7,8,9,10,11]. Die Ergebnisse haben bisher störungsbedingte strukturelle Anomalien in der Großhirnrinde bei schweren psychiatrischen Erkrankungen aufgedeckt. In Gruppen von Personen mit SZ wurden im Vergleich zu gesunden Vergleichspersonen (HC) ein deutlich dünnerer Kortex und kleinere regionale kortikale Oberflächen nachgewiesen [7]. Bei BD zeigte sich ein deutlich dünnerer Kortex, allerdings mit einem räumlich restriktiveren Muster als bei SZ und allgemein schwächeren Effekten [8]. Bei MDD wurde in mehreren Regionen über eine dünnere Kortikalis berichtet [9]. Bei ASD wurden Anomalien der kortikalen Dicke festgestellt, darunter eine Verdickung in den Frontallappenregionen und eine Ausdünnung in den Temporallappenregionen [10]. Die Ergebnisse dieser Gruppen wurden durch mehrere Versuche verglichen, beispielsweise durch Boedhoe et al. [12]. und Cheon et al. [3] und hebt die Ähnlichkeiten der Wirkungen verschiedener Erkrankungen hervor. In jüngsten störungsübergreifenden Vergleichen wurde ASD mit einer Aufmerksamkeitsdefizit-Hyperaktivitätsstörung und einer Zwangsstörung in einer Analyse von 151 weltweiten Kohorten verglichen [12]. Bisher gab es jedoch keine solche störungsübergreifende Analyse von SZ, BD, MDD und ASD.

Eine frühere störungsübergreifende Diffusionstensor-Bildgebungsstudie (DTI) von SZ, BD, MDD und ASD ergab mikrostrukturelle Anomalien der weißen Substanz, die bei SZ, BD und ASD häufig vorkommen, wobei der größte Grad der Beeinträchtigung bei SZ beobachtet wurde [4]. Es ist wichtig zu untersuchen, ob das ähnliche störungsübergreifende Muster von Veränderungen, das in der Mikrostruktur der weißen Substanz beobachtet wird, ein Äquivalent in den Strukturen der grauen Substanz hat. Gibt es ein Muster der kortikalen Dicke und Oberfläche in der grauen Substanz, ähnlich den mikrostrukturellen Anomalien der weißen Substanz, wobei BD, ASD und SZ ein Muster dünnerer kortikaler Dicke oder kleinerer kortikaler Oberfläche aufweisen, wobei die größten Anomalien in SZ auftreten?

In der aktuellen Studie stellten wir die Hypothese auf, dass Ähnlichkeiten und Unterschiede in der kortikalen Struktur zwischen SZ, BD, MDD und ASD durch strukturelle Neurobildgebung untersucht werden könnten. Um unsere Hypothese zu untersuchen, führten wir im Rahmen einer groß angelegten koordinierten multizentrischen Analyse durch Cognitive Genetics eine störungsübergreifende Analyse der kortikalen Struktur durch, einschließlich der regionalen kortikalen Dicke und Oberfläche bei vier großen psychiatrischen Erkrankungen, SZ, BD, MDD und ASD Collaborative Research Organization (COCORO), die eine Metaanalyse als Methode zur Harmonisierung der Protokolle trotz ihrer Unterschiede verwendet. Wir haben die Ähnlichkeiten und Unterschiede in den Mustern der kortikalen Dicke und Oberfläche bei verschiedenen Erkrankungen quantifiziert.

An der Studie nahmen insgesamt 5549 Probanden von 14 COCORO-Standorten teil: 3068 HC, 1426 Personen mit SZ, 237 Personen mit BD, 612 Personen mit MDD und 206 Personen mit ASD (Tabelle 1 und Ergänzungstabelle S1). Einzelheiten zu den Einschluss- und Ausschlusskriterien an jedem Standort sind in den ergänzenden Methoden 1 beschrieben. Alter bei Krankheitsbeginn, Krankheitsdauer (DoI), Informationen zu Antipsychotika und Schweregrad bei Personen mit SZ (Ergänzungstabelle S2); DoI, Diagnosetyp und Psychopharmaka bei Personen mit BD (Ergänzungstabelle S3); und DoI, Alter bei Ausbruch, Anzahl der depressiven Episoden, Psychopharmaka und Schweregrad für Personen mit MDD (Ergänzungstabelle S4) sind in den Ergänzungstabellen zusammengefasst. Einige dieser Probanden nahmen auch an früheren Neuroimaging-Studien teil [4, 11, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22]. Diese Studie wurde vom institutionellen Prüfungsausschuss der Universität Osaka (Genehmigungsnummer: 706-12), dem Nationalen Zentrum für Neurologie und Psychiatrie (Genehmigungsnummer: A2018-09) und jedem örtlichen institutionellen Prüfungsausschuss genehmigt. Vor der Teilnahme wurde von jedem Probanden eine schriftliche Einverständniserklärung eingeholt.

An jeder Stelle wurden strukturelle T1-gewichtete Magnetresonanztomographie-Scans des Gehirns durchgeführt. Einzelheiten zu den Scanner- und Bildgebungsparametern für jeden Standort sind in den ergänzenden Methoden 2 beschrieben. Es wurde auch eine visuelle Qualitätskontrolle der T1-gewichteten Bilder durchgeführt. Bilder von schlechter Qualität mit unvollständiger Gehirnabdeckung, einem niedrigen Signal-Rausch-Verhältnis oder erheblichen sichtbaren Artefakten wie Klingeln oder Unschärfe im gesamten Gehirn wurden ausgeschlossen. Bilder mit erheblichen organischen Anomalien wurden ausgeschlossen. Die kortikale Dicke wurde für 68 Desikan-Killiany (DK)-Atlasregionen [23] (34 links und 34 rechts), die gesamte linke und rechte Hemisphäre und die globale mittlere kortikale Dicke mit FreeSurfer [24] Version 5.3 berechnet. Die kortikale Oberfläche wurde für 68 DK-Atlasregionen, die gesamte linke und rechte Hemisphäre sowie die gesamte kortikale Oberfläche berechnet. Das kortikale Volumen wurde als Produkt aus der kortikalen Dicke und der Oberfläche jedes Bereichs berechnet. Die Qualitätskontrolle der Segmentierungen und Parzellierungen durch FreeSurfer wurde durch visuelle Inspektion durchgeführt. Fälle, bei denen die FreeSurfer-Verarbeitung fehlschlug oder die eine schlechte Parzellierung aufwiesen, wurden ausgeschlossen. Die Probanden wurden nach Standort, Scanner und Protokoll in Gruppen eingeteilt. Vor Ort mit mehreren Protokollen wurde für jeden Scanner eine eigene Gruppe definiert. Die Gruppen mit weniger als fünf Fällen in jeder Diagnosegruppe wurden ausgeschlossen. Es blieben keine Gruppen mit unterschiedlichen Bildgebungsparametern auf demselben Scanner an derselben Stelle übrig. Aus dem ursprünglichen Datensatz von 6.772 Probanden wurden fünftausendfünfhundertneunundvierzig Probanden verwendet; 748 Probanden wurden von der Qualitätskontrolle der Rohbilder aufgrund erheblicher Bewegungen oder anderer Zufallsbefunde ausgeschlossen, 273 Probanden wurden von der QC im FreeSurfer-Stadium aus Gründen wie schlechter Segmentierung ausgeschlossen und 202 Probanden wurden aufgrund der Stichprobengröße jedes Protokolls ausgeschlossen. Einzelheiten zu den Zahlen jeder Störung sind in den ergänzenden Methoden 3 beschrieben.

Für die statistische Analyse wurde R Version 4.2.1 (R Foundation for Statistical Computing, Wien, Österreich) verwendet. Die Effektgröße (unvoreingenommenes d) [25] für Unterschiede in der kortikalen Dicke, Oberfläche und dem Volumen zwischen HC und jeder Störungsgruppe (SZ-, BD-, MDD- und ASD-Gruppen) wurde mithilfe eines linearen Regressionsmodells innerhalb desselben Scanners bestimmt Protokolle an jeder Standortgruppe. Dies wurde für 71 Regionen durchgeführt, wobei Alter und Geschlecht als Kovariaten angepasst wurden, und als Analyse A bezeichnet. In Analyse B wurden die globale mittlere kortikale Dicke, die gesamte kortikale Oberfläche oder das intrakranielle Volumen (ICV) als zusätzliche Kovariaten hinzugefügt, um den Effekt zu berechnen Größe für jede der DK-Atlasregionen, um die regionale Spezifität zu bewerten. Weitere Analysen umfassten Folgendes: Die Effektgröße wurde für die Interaktion zwischen Geschlecht und Diagnose sowie zwischen Alter und Diagnose mithilfe eines linearen Regressionsmodells mit Alter und Geschlecht als Kovariaten innerhalb derselben Gruppe von Scannern und Protokollen an jedem Standort ermittelt. Für Gruppenvergleiche der kortikalen Dicke und Oberfläche, geschichtet nach klinischen Variablen wie Unterdiagnose, Alter und Psychopharmaka, wurde die Effektgröße mithilfe eines linearen Regressionsmodells mit Alter und Geschlecht als Kovariaten innerhalb derselben Gruppe von Scannern und Protokollen berechnet an jedem Standort. Wenn zusätzliche oder andere Kovariaten verwendet wurden, sind diese im Titel der Zusatztabellen für jede Analyse angegeben. Bei der Analyse des Zusammenhangs zwischen klinischen Messungen und kortikaler Dicke und Oberfläche wurde ein partielles R durch eine partielle Korrelationsanalyse unter Verwendung von Alter und Geschlecht als Kovariaten innerhalb derselben Gruppe von Scannern und Protokollen an jedem Standort ermittelt. Bei der Analyse des Zusammenhangs zwischen Alter und kortikaler Dicke und Oberfläche bei ASD wurde ein partielles R mit Geschlecht als Kovariate ermittelt. Für Protokolle, für die Daten zum Intelligenzquotienten (IQ) [26] bei ASD verfügbar waren, haben wir eine ergänzende Analyse hinzugefügt, bei der der IQ als Kovariate hinzugefügt wurde, um den Einfluss des IQ bei ASD bei der Analyse von Unterschieden in der kortikalen Dicke und Oberfläche zu berücksichtigen Fläche und Lautstärke zwischen HC und ASD. Für den Gruppenvergleich und die Interaktionsanalyse wurde eine Metaanalyse zur Effektgröße durchgeführt und für die partielle Korrelationsanalyse wurde ein Teil-R berechnet (Metafor-Paket; Version 3.4-0). Das Signifikanzniveau wurde auf einen q-Wert der Falscherkennungsrate (FDR) < 0,05 festgelegt. Analyse A und die anderen Analysen bestanden aus 71 Mehrfachvergleichen in 71 Regionen: 68 DK-Atlasregionen, der linken und rechten Hemisphäre und dem globalen oder gesamten Gehirn (globale mittlere Dicke, gesamte kortikale Oberfläche oder gesamtes kortikales Volumen). Analyse B bestand aus 68 Mehrfachvergleichen in den 68 DK-Atlasregionen. Das Benjamini-Hochberg-FDR-Verfahren wurde verwendet, um 71 Mehrfachvergleichskorrekturen für Analyse A und andere Analysen sowie 68 Mehrfachvergleichskorrekturen für Analyse B durchzuführen. Die Leistungsanalyse wurde in den ergänzenden Methoden 4 beschrieben.

Wir analysierten die Ähnlichkeit der Unterschiede in der regionalen kortikalen Dicke und Oberfläche jeder Störungsgruppe aus dem HC anhand der Effektgröße jeder der 68 Regionen, die im Vergleich zwischen den Gruppen in Analyse A für kortikale Dicke und Oberfläche berechnet wurden. Die 68 Effektgrößenwerte für jede der 68 Regionen für jede Störung wurden in einen 68-dimensionalen Vektor umgewandelt (a für Krankheit a und b für Krankheit b), und das innere Produkt der beiden Störungsvektoren (a ∙ b) wurde angepasst von −1 bis 1 für die Kosinusähnlichkeit \(( {\cos \theta = \frac{{{{{{{{\boldsymbol{a}}}}}}}} \cdot {{{{{{{ \boldsymbol{b}}}}}}}}}}{{\left| {{{{{{{\boldsymbol{a}}}}}}}} \right|\left| {{{{{{ {\boldsymbol{b}}}}}}}} \right|}}} )\) sowohl für die kortikale Dicke als auch für die Oberfläche. Wenn die Kosinusähnlichkeit nahe bei 1 lag, wurden die Muster der kortikalen Dicke und Oberfläche als ähnlich angesehen. Wenn die Kosinusähnlichkeit nahe bei −1 lag, wurden die Muster als unterschiedlich beurteilt. Ein ähnliches Maß wurde in einer früheren Studie verwendet [27].

Die Ergebnisse der Metaanalyse der Effektstärke für die Gruppenvergleiche zwischen HC und Gruppen von Personen mit SZ, BD, MDD und ASD in Analyse A sind in Abb. 1 dargestellt. Die kortikale Dicke war in der Gruppe von Personen signifikant geringer mit SZ (links, d = −0,478; rechts, d = −0,466), BD (links, d = −0,426; rechts, d = −0,420) und MDD (links, d = −0,377; rechts, d = −0,303). ). Die kortikale Oberfläche und das Volumen waren bei Personen mit SZ signifikant kleiner (Oberfläche der linken Hemisphäre, d = –0,346; Oberfläche der rechten Hemisphäre, d = –0,351; Volumen der linken Hemisphäre, d = –0,557; Volumen der rechten Hemisphäre). , d = −0,555) und MDD (Oberfläche der linken Hemisphäre, d = −0,215; Oberfläche der rechten Hemisphäre, d = −0,211; Volumen der linken Hemisphäre, d = −0,374; Volumen der rechten Hemisphäre, d = −0,344 ).

Fehlerbalken sind Standardfehler. Der rote Balken zeigt die linke Hemisphäre und der blaue Balken die rechte Hemisphäre an. FDR-q-Werte unter 0,05 sind mit einem Sternchen gekennzeichnet. ASD-Autismus-Spektrum-Störung, bipolare Störung BD, schwere depressive Störung MDD, gesamte kortikale Oberflächenoberfläche, SZ-Schizophrenie, Dicke globale mittlere kortikale Dicke, Volumen gesamtes kortikales Volumen.

In Analyse A (Abb. 2) zeigte die Gruppe von Personen mit SZ im Vergleich zu HC in allen Regionen einen dünneren Kortex, wobei 60 Regionen signifikant waren, und die Region mit der größten Effektgröße war der rechte fusiforme Gyrus mit d = −0,500 ( Ergänzungstabelle S5). Die Gruppe der Personen mit BD zeigte in allen Regionen einen dünneren Kortex im Vergleich zu HC, was in 42 Regionen signifikant war, mit der größten Effektgröße im linken Gyrus fusiformis, d = –0,524, mit ähnlichen Ergebnissen für die Untergruppe der Personen im Alter von 25 Jahren und älter (Ergänzungstabellen S6 und S7). Die Gruppe der Personen mit MDD zeigte in 67 Regionen eine dünnere graue Substanz im Vergleich zu HC – signifikant in 29 Regionen – mit der größten Effektgröße im linken mittleren Temporalgyrus bei d = –0,369 und ähnlichen Ergebnissen für die Untergruppe der Personen über 21 Jahren (Ergänzungstabellen S8 und S9). In der Gruppe der Personen mit ASD waren in jeder Region keine Unterschiede erkennbar (Ergänzungstabelle S10).

Fehlerbalken geben den Standardfehler an. Der rote Balken zeigt die linke Hemisphäre und der blaue Balken die rechte Hemisphäre; Eine Schizophrenie; B bipolare Störung; C-Major-depressive Störung; und D-Autismus-Spektrum-Störung. FDR-q-Werte unter 0,05 sind mit einem Sternchen gekennzeichnet. ASD-Autismus-Spektrum-Störung, BD bipolare Störung, HC gesunde Vergleichspersonen, MDD schwere depressive Störung, SZ-Schizophrenie.

In Analyse B waren 27 Regionen deutlich dünner als der Durchschnitt, und die größte Effektgröße in negativer Richtung wurde im linken Gyrus lingualis in SZ beobachtet (d = –0,250, Ergänzungstabelle S11). Bei BD hatten vier Regionen einen deutlich dünneren Kortex, und die größte Effektgröße lag im rechten unteren Temporalgyrus mit d = –0,307. Bei Personen im Alter von 25 Jahren und älter waren zwei Regionen signifikant dünner (die größere Effektstärke lag im linken Pars orbitalis des unteren Frontalgyrus, d = –0,306; Ergänzungstabellen S12, S13). Es gab keine Unterschiede zwischen der HC-Gruppe und der Gruppe von Personen mit MDD (in allen Altersgruppen oder über 21 Jahren) oder Personen mit ASD (Ergänzungstabellen S14–S16).

In Analyse A (Abb. 3) waren alle Bereiche bei Personen mit SZ kleiner: 63 Bereiche waren signifikant und die größte Effektgröße wurde im linken oberen Frontalgyrus gefunden (d = –0,347, Ergänzungstabelle S17). Es gab keinen erkennbaren Unterschied in Gruppen von Personen mit BD jeden Alters oder über 25 Jahren (Ergänzungstabellen S18 und S19). In Gruppen von Personen mit MDD waren 66 Bereiche kleiner, sowohl für alle Altersgruppen als auch in der Analyse der über 21-Jährigen, mit 21 signifikanten Bereichen für alle Altersgruppen. Für alle Altersgruppen wurde die größte Effektgröße im rechten oberen Frontalgyrus gefunden (d = −0,254, Ergänzungstabelle S20), und 2 signifikante Bereiche wurden über 21 Jahren gefunden, mit der größten Effektgröße im rechten pericalkarinen Kortex ( d = −0,227, Ergänzungstabelle S21). In der Gruppe der Personen mit ASD war in jeder Region kein Unterschied erkennbar (Ergänzungstabelle S22).

In Analyse B zeigte die Gruppe von Personen mit SZ unverhältnismäßig kleinere Bereiche in zwei Regionen, wobei die größte Effektgröße im linken Pars orbitalis des unteren Frontalgyrus mit d = –0,134 lag (Ergänzungstabelle S23). Es gab keine erkennbaren Unterschiede für Gruppen von Personen mit BD (alle Altersgruppen oder älter als 25), MDD (alle Altersgruppen oder älter als 21 Jahre) oder ASD (Ergänzungstabellen S24–S28).

Die Analyse der kortikalen Oberfläche von Gruppen von Personen mit BD im Alter von 25 Jahren und älter wurde ebenfalls mit einer Kombination von Kovariaten im Einklang mit der ENIGMA-Studie [8] durchgeführt und zeigte keine Gruppenunterschiede (Ergänzungstabellen S29 und S30).

In Analyse A zeigten in der Gruppe der Personen mit SZ alle Regionen ein kleineres kortikales Volumen, 66 Regionen waren signifikant und die größte Effektgröße betrug d = –0,544 im linken oberen Frontalgyrus (Ergänzungstabelle S31). In den Gruppen von Personen mit BD gab es in zwei Regionen signifikant kleinere kortikale Volumina, und die größte Effektgröße lag im rechten Pars orbitalis des unteren Frontalgyrus mit d = –0,382. Bei Personen im Alter von 25 Jahren und älter gab es in drei Regionen signifikant kleinere kortikale Volumina (mit den größten Effektgrößen im rechten Pars orbitalis des unteren Frontalgyrus, d = –0,417; Ergänzungstabellen S32 und S33). In den Gruppen von Personen mit MDD war das kortikale Volumen in 66 Regionen kleiner und in 50 Regionen signifikant, mit einer maximalen Effektgröße von –0,381 im rechten oberen Frontalgyrus, was über 21 Jahren ähnlich war (Ergänzungstabellen S34 und S35). In Gruppen von Personen mit ASD gab es eine Region mit einer deutlich kleineren Fläche (der rechte Pars orbitalis des unteren Frontalgyrus, d = –0,276; Ergänzungstabelle S36).

In Analyse B wurde auch ICV als Kovariate einbezogen. In den Gruppen von Personen mit SZ zeigten 65 Regionen ein signifikant kleineres kortikales Volumen (maximale Effektgröße war der linke obere Frontalgyrus, d = –0, 575; Ergänzungstabelle S37). In der Gruppe mit BD gab es signifikant kleinere kortikale Volumina für zwei Regionen (die größte Effektgröße lag im rechten Pars orbitalis des unteren Frontalgyrus, d = −0,403) und – bei Personen im Alter von 25 Jahren und älter – in drei Regionen mit deutlich geringerem kortikalen Volumen (die größte Effektgröße lag im rechten Pars orbitalis des unteren Frontalgyrus, d = –0,445; Ergänzungstabellen S38 und S39). Die Gruppe mit MDD zeigte in 34 Regionen ein signifikant kleineres Kortikalisvolumen mit einer maximalen Effektgröße im rechten oberen Frontalgyrus (d = −0,378) und über 21 Jahre zeigte in 20 Regionen ein signifikant kleineres Kortikalisvolumen mit einem maximalen Effekt Größe von d = –0, 341 im rechten oberen Frontalgyrus (Ergänzungstabellen S40 und S41). In der Gruppe der Personen mit ASD gab es in jeder Region keine erkennbaren Unterschiede (Ergänzungstabelle S42).

Für 68 kortikale Regionen analysierten wir die Ähnlichkeit der Muster der kortikalen Dicke und Oberfläche mithilfe von Effektgrößen für Gruppenvergleiche zwischen HC und Personen mit SZ, BD, MDD und ASD unter Verwendung der Kosinusähnlichkeit (Abb. 4). Die Kosinusähnlichkeit nimmt Werte von –1 bis 1 an, wobei Werte näher bei 1 auf eine größere Ähnlichkeit hinweisen. Die Gruppen von Personen mit SZ und MDD waren sowohl im Muster der kortikalen Dicke (0,959) als auch im Muster der kortikalen Oberfläche (0,945) ähnlich. Die Ähnlichkeit des Musters der Kortikalisdicke in der Gruppe der Personen mit BD betrug 0,943 mit SZ und 0,934 mit MDD, was darauf hindeutet, dass das Muster der Kortikalisdicke auch zwischen der Gruppe der Personen mit SZ und BD und zwischen der Gruppe der Personen mit BD ähnlich war BD und MDD. Die Ähnlichkeit des Musters der kortikalen Oberfläche bei Personen mit ASD betrug 0,867 bei SZ und 0,811 bei MDD, was darauf hinweist, dass das Muster der kortikalen Oberfläche auch zwischen der Gruppe der Personen mit ASD und SZ und der Gruppe der Personen mit ASD und MDD ähnlich war MDD. Die anderen Kombinationen, nämlich die kortikale Dicke in der ASD-Gruppe im Vergleich zu den anderen drei Störungsgruppen und die kortikale Oberfläche in der Gruppe der Personen mit BD im Vergleich zu den anderen drei Störungen, hatten alle Kosinus-Ähnlichkeitswerte von weniger als 0,2, was darauf hindeutet, dass dies bei den Mustern nicht der Fall war ähnlich.

Kosinusähnlichkeit nimmt Werte von –1 bis 1 an, wobei Werte näher an 1 auf Ähnlichkeit hinweisen, Werte nahe 0 auf keine Ähnlichkeit hinweisen und Werte nahe –1 auf ein entgegengesetztes Muster hinweisen. Rote Pfeile zeigen ähnlichere Kombinationen an und blaue Pfeile zeigen entgegengesetzte Kombinationen an. Kosinus-Ähnlichkeitswerte der kortikalen Dickenmuster (A) und kortikalen Oberflächenmuster (B) sind in jedem Pfeil angegeben. ASD-Autismus-Spektrum-Störung; BD bipolare Störung, MDD schwere depressive Störung; Gesamte kortikale Oberflächenoberfläche, SZ-Schizophrenie, Dicke globale mittlere kortikale Dicke.

Beim Vergleich einer Krankheitsgruppe mit HC gab es keine Wechselwirkung zwischen Diagnose und Alter oder Diagnose und Geschlecht hinsichtlich der kortikalen Dicke oder Oberfläche (Ergänzungstabellen S43–S68). Es gab keinen Zusammenhang zwischen der Dicke der Kortikalis und der Oberfläche der linken und rechten Hemisphäre mit dem Erkrankungsalter bei Personen mit SZ und MDD, DoI bei Personen mit SZ, BD und MDD oder dem Alter bei Personen mit ASD, mit Ausnahme einer negativen Korrelation der kortikalen Dicke in der linken und rechten Hemisphäre mit zunehmendem Alter für Personen mit ASD (Ergänzungstabellen S69–S89). Es gab keine erkennbaren Unterschiede zwischen Gruppen von Personen mit BD Typ I und II, zwischen der Gruppe von Personen mit wiederkehrender MDD-Episode und der HC-Gruppe oder zwischen den Gruppen von Personen mit erster und wiederkehrender MDD-Episode für die bilaterale kortikale Hemisphäre Dicke und Oberfläche. Es gab auch keine signifikanten Korrelationen zwischen der Anzahl der wiederkehrenden Episoden bei den Personen mit MDD und der Dicke und Oberfläche der Kortikalis der bilateralen Hemisphäre, mit Ausnahme der Ausdünnung im Gruppenvergleich zwischen der Gruppe der Personen mit MDD der ersten Episode und der HC-Gruppe für die linke und Gesamtkortikalisdicke der rechten Hemisphäre (Ergänzungstabellen S90–S110). In Bezug auf Antipsychotika bei SZ zeigte die Gruppe der Personen mit SZ, die Antipsychotika der zweiten Generation einnahmen, im Vergleich zur HC-Gruppe eine bilaterale Ausdünnung. Die Gruppe der Personen mit SZ, die Antipsychotika der ersten Generation einnahmen, zeigte im Vergleich zur HC-Gruppe eine Ausdünnung der linken Hemisphäre; Die Gruppe der Personen mit SZ, die sowohl Antipsychotika der ersten als auch der zweiten Generation erhielten, zeigte eine bilaterale Ausdünnung im Vergleich zur HC-Gruppe und der Gruppe der Personen mit SZ, die Antipsychotika der zweiten Generation erhielten, und sie zeigten auch eine Ausdünnung der rechten Hemisphäre im Vergleich zur Gruppe von Personen mit SZ, die keine Antipsychotika erhielten. Die teilweisen Korrelationen der Chlorpromazin-Äquivalente und der kortikalen Dicke in der linken und rechten Hemisphäre waren signifikant (Ergänzungstabellen S111–S121). Die kortikale Dicke im Zusammenhang mit Medikamenten in der linken und rechten Hemisphäre unterschied sich im Allgemeinen nicht signifikant bei Personen mit BD und Personen mit MDD, mit Ausnahme der dünneren Kortikalis bei Personen mit BD mit Valproat-Einnahme im Vergleich zu Personen mit MDD ohne Valproat-Einnahme in den bilateralen Hemisphären ohne Antidepressiva-Einnahme in der linken Hemisphäre im Vergleich zu HC und Personen mit MDD ohne Antipsychotika-Einnahme im Vergleich zu HC in allen Altersgruppen. Personen mit MDD, die Antipsychotika der zweiten Generation einnahmen, zeigten im Vergleich zu HC einen dünneren Kortex in der linken Hemisphäre (Ergänzungstabellen S122–S147). Die kortikale Oberfläche in der linken und rechten Hemisphäre war bei Personen mit SZ, die Antipsychotika der zweiten Generation, Antipsychotika der ersten Generation und Antipsychotika der ersten und zweiten Generation erhielten, im Vergleich zu HC kleiner (Ergänzungstabellen S148–S158). Die kortikale Oberfläche im Zusammenhang mit Medikamenten in der linken und rechten Hemisphäre unterschied sich im Allgemeinen nicht signifikant bei Personen mit BD und MDD, mit Ausnahme von Personen mit MDD, die Antidepressiva einnahmen, und alle Altersgruppen von Personen mit MDD, die keine Antipsychotika erhielten, zeigten eine signifikant kleinere Kortikalis Oberflächen in der linken und rechten Hemisphäre im Vergleich zu HC (Ergänzungstabellen S159–S189). Die Scores der Positive and Negative Syndrome Scale (PANSS) [28] für Personen mit SZ und die Hamilton Depression Rating Scale [29] sowie die Beck Depression Inventory Scores [30] für Personen mit MDD korrelierten bei beiden nicht mit der kortikalen Dicke und Oberfläche Gehirnhälfte (Ergänzungstabellen S190–S205). Bei den Fallkontrollanalysen von ASD mit hinzugefügtem IQ als Kovariate unterschied sich der Trend nicht von dem der Analysen ohne IQ als Kovariate (Ergänzungstabellen S206–S212).

In dieser multizentrischen störungsübergreifenden Studie an 5549 Personen mit vier schwerwiegenden psychiatrischen Störungen fanden wir ein ähnliches Muster der kortikalen Dicke nach Region bei SZ, BD und MDD, wobei die kortikale Dicke im Allgemeinen bei SZ, BD und MDD geringer war (Abb. 5). ). Wir fanden auch ein ähnliches Muster der kortikalen Oberfläche nach Regionen bei SZ, MDD und ASD, zusätzlich zu einer im Allgemeinen kleineren kortikalen Oberfläche bei SZ und MDD. Die Effektstärken sowohl für die kortikale Dicke als auch für die Oberfläche im Vergleich zu HC waren in SZ am größten. Nach unserem besten Wissen ist dies der erste Bericht über einen störungsübergreifenden Vergleich dieser Erkrankungen in einer einzigen Studie.

COCORO führte groß angelegte multizentrische Analysen für SZ, BD, MDD und ASD durch. Die Harmonisierung erfolgte durch Metaanalyse. Die Effektgrößen wurden im Gruppenvergleich von Analyse A zwischen jeder Störungsgruppe und der gesunden Kontrollgruppe berechnet, die in jedem der 68 DK-Atlas-ROIs für kortikale Dicke und Oberfläche ermittelt wurden. Um die Muster von Dicke und Oberfläche zu untersuchen, wurde die Kosinusähnlichkeit zwischen SZ und BD, zwischen SZ und MDD, zwischen SZ und ASD, zwischen BD und MDD, zwischen BD und ASD und zwischen MDD und ASD unter Verwendung der in erhaltenen Effektgrößen berechnet die Metaanalyse jedes der 68 ROIs. ASD-Autismus-Spektrum-Störung, BD bipolare Störung, HC gesunde Vergleichspersonen, MDD schwere depressive Störung, ROI-Region von Interesse, SZ-Schizophrenie.

Die ähnlichen Muster bei SZ, BD und MDD und die unterschiedlichen Muster bei ASD in der kortikalen Dicke sowie die ähnlichen Muster bei SZ, MDD und ASD und die unterschiedlichen Muster bei BD in der kortikalen Oberfläche waren neue Erkenntnisse aus der vorliegenden Studie. Im Vergleich zu störungsspezifischen ENIGMA-Studien waren die Fall-Kontroll-Ergebnisse in SZ [7] und BD [8] ungefähr gleich. Bei MDD [9] und ASD [10] kamen die Fall-Kontroll-Studien zu unterschiedlichen Ergebnissen; Die Unterschiede können auf die Unterschiede in der Altersspanne zurückzuführen sein. Genetische Korrelationsstudien zeigen, dass SZ, BD und MDD stark miteinander korrelieren, während ASD nicht stark mit MDD oder BD korreliert [31, 32]. Daher zeigt das Ähnlichkeitsmuster der kortikalen Dicke einen parallelen Trend zur genetischen Korrelation zwischen SZ, BD und MDD, aber das Ähnlichkeitsmuster der Oberfläche stimmt nicht mit dem genetischen Korrelationsmuster überein. Diese Tatsachen könnten darauf hindeuten, dass das Genom einen größeren Einfluss auf die Dicke der Kortikalis als auf die Oberfläche der Kortikalis hat. Studien zur Untersuchung biologischer Zusammenhänge mit Effektgrößenkarten aus früheren ENIGMA-Studien wurden sowohl für die kortikale Dicke [33] als auch für die Konnektivität [34] durchgeführt. Andererseits wurde festgestellt, dass etwa 50 Loci die kortikale Dicke und etwa 200 die kortikale Oberfläche beeinflussen [35]. Darüber hinaus weisen die kortikale Dicke und die Oberfläche eine negative genetische Korrelation auf [35]. Gemäß der Hypothese der radialen Einheit [36] wird die kortikale Oberfläche durch die Proliferation neuronaler Vorläuferzellen durch einen neurobiologischen Mechanismus vergrößert, der sich von den Mechanismen unterscheidet, die die kortikale Dicke steuern. Die kortikale Dicke wird durch Myelinisierung, Verzweigung, Beschneidung und andere Prozesse beeinflusst, die nach der mittleren fetalen Entwicklung stattfinden [37] und kann mit häufigen Pathologien zusammenhängen, die bei SZ, BD und MDD auftreten. Die Ähnlichkeit des kortikalen Oberflächenmusters bei SZ, MDD und ASD kann darauf hindeuten, dass diese Erkrankungen eine gemeinsame Pathologie aufweisen, die ihren Ursprung im fetalen neuralen Vorläuferzellstadium hat.

Die Effektstärken sowohl für die kortikale Dicke als auch für die Oberfläche waren im Vergleich zu HC in SZ am größten. Die globale mittlere Dicke von SZ-, BD- und MDD-Patienten war geringer als die von HC. Die Effektgrößen waren für SZ am größten, für BD am zweitgrößten und für MDD am drittgrößten in negativer Richtung. Die kortikale Oberfläche von SZ- und MDD-Patienten war kleiner als die von HC. Ihre Effektstärken waren für SZ am größten und für MDD am zweitgrößten. Die Effektgröße von ASD war ebenfalls negativ, was bedeutet, dass sie für SZ und MDD in die gleiche Richtung geht, obwohl sie statistisch nicht signifikant war. Die größte Auswirkung auf die kortikale Dicke und Oberfläche bei SZ steht im Einklang mit jeder störungsspezifischen ENIGMA-Studie zu einzelnen Erkrankungen, in der deren Übersichten diskutiert wurden [3, 7, 8, 9, 10]. Die Stärke der vorliegenden Studie liegt im Vergleich innerhalb derselben Studie und nicht im Vergleich der Effektgrößen mehrerer früherer Studien. Eine frühere störungsübergreifende DTI-Studie [4] zeigte, dass mikrostrukturelle Anomalien der weißen Substanz bei SZ die größten Auswirkungen der vier hier untersuchten großen psychiatrischen Störungen hatten. Dies ähnelt der vorliegenden Studie zur grauen Substanz; Anomalien der kortikalen Dicke und Oberfläche in SZ hatten die größten Effektstärken der vier wichtigsten psychiatrischen Erkrankungen. Weiße Substanz, kortikale Dicke und Oberfläche waren bei SZ in ihrer Wirkung größer als bei anderen schwerwiegenden psychiatrischen Erkrankungen, was darauf hindeutet, dass SZ möglicherweise die größte Beeinträchtigung der weißen Substanz, kortikalen Dicke und Oberfläche aufweist. Mit Ausnahme von SZ unterschied sich die Größenordnung der Effektgrößen für weiße Substanz, kortikale Dicke und Oberfläche. Die Ergebnisse legen nahe, dass die Pathogenese von BD, MDD und ASD unterschiedliche Auswirkungen auf die weiße Substanz, die Kortikalisdicke und die Oberfläche haben kann. Unterschiede in der Effektgröße der weißen Substanz, der kortikalen Dicke und der Oberfläche können die Unterschiede in den Symptomen der einzelnen Erkrankungen erklären.

Bedford et al. [38]. berichteten, dass eine strenge Qualitätskontrolle (der endgültige Datensatz umfasste 35 % des ursprünglichen Datensatzes für ASD und 48 % des ursprünglichen Datensatzes für HC) zum Ausschluss von Körperbewegungsartefakten zu geringeren Schätzungen der kortikalen Verdickung führen würde, insbesondere bei ASD. In der vorliegenden Studie führten wir jedoch eine Qualitätskontrolle auf allgemeiner Ebene durch. Daher wäre die in dieser Studie berichtete Ausdünnung der kortikalen Dicke bei SZ, BD und MDD möglicherweise stärker ausgefallen, wenn die Qualitätskontrolle auf dem strengen Niveau von Bedford et al. durchgeführt worden wäre. Darüber hinaus war die Verdickung der Kortikalisdicke möglicherweise bei ASD geringer, während die Verdünnung der Kortikalisdicke möglicherweise intensiver war.

Diese Studie weist mehrere Einschränkungen auf. Erstens: Obwohl es viele frühere Studien zu älteren Erwachsenen mit MDD und zu Kindern bis Jugendlichen mit ASD gibt, konzentriert sich unsere Studie hauptsächlich auf Erwachsene, was es schwierig macht, direkte Vergleiche mit vielen früheren Studien anzustellen, an denen auch viele ältere Menschen mit oder mit MDD beteiligt waren Kinder bis Jugendliche mit ASD. In Zukunft könnte es möglich sein, störungsübergreifende kortikale Veränderungen entsprechend dem Entwicklungsstadium des Gehirns zu erkennen, indem eine größere Anzahl von Patienten mit einer gleichmäßigeren Altersverteilung – von Jugendlichen bis zu älteren Erwachsenen – für alle Erkrankungen analysiert wird. Zweitens umfasste die aktuelle Studie viele medikamentöse Patienten, sodass nicht klar ist, inwieweit die Auswirkungen auf die Krankheit, die medikamentöse Behandlung oder beides zurückzuführen sind. Um dieses Problem anzugehen, sind Studien erforderlich, die sich auf drogenfreie Patienten oder, idealerweise, drogennaive Patienten konzentrieren. Um die Auswirkungen des Konsums von Psychopharmaka auf die kortikale Struktur aufzudecken, sind interventionelle Studien erforderlich, in denen der Einsatz spezifischer Medikamente vor und nach dem Einsatz verglichen wird. Optimal sind große Stichproben, störungsübergreifende, prospektive und Längsschnittstudien. Darüber hinaus können Alkoholabhängigkeit [39, 40], Rauchen [41, 42] und der Missbrauch von Substanzen wie Kokain [43] kortikale Strukturen beeinflussen und wurden hier nicht untersucht. Drittens sollten nicht nur kortikale Strukturen, sondern auch der Zusammenhang zwischen Strukturen und Symptomen störungsübergreifend untersucht werden. Leider beschränken sich unsere Daten zu Symptomen in der vorliegenden Studie auf diagnosespezifische Bewertungsskalen; Beispielsweise haben wir PANSS-Werte für SZ und wir haben HRSD- und BDI-Werte für MDD. Zukünftig wird es notwendig sein, Bewertungen anhand störungsübergreifender Bewertungsskalen durchzuführen.

Zusammenfassend lässt sich sagen, dass bei SZ, BD und MDD ein gemeinsames kortikales Dickenmuster gefunden wurde. Es wurde auch festgestellt, dass SZ, MDD und ASD ein gemeinsames Muster kortikaler Oberflächenanomalien aufweisen. Auf multizentrischen Studien basierende störungsübergreifende bildgebende Untersuchungen des Gehirns können dazu beitragen, das Verständnis der Pathogenese psychiatrischer Erkrankungen zu verbessern.

Onitsuka T., Hirano Y., Nemoto K., Hashimoto N., Kushima I., Koshiyama D. et al. Trends bei Big-Data-Analysen durch multizentrische kollaborative translationale Forschung in der Psychiatrie. Psychiatrie-Klinik Neurosci. 2022;76:1–14.

Artikel PubMed PubMed Central Google Scholar

Thompson PM, Jahanshad N, Ching CRK, Salminen LE, Thomopoulos SI, Bright J, et al. ENIGMA und globale Neurowissenschaften: ein Jahrzehnt groß angelegter Studien zum Gehirn im Hinblick auf Gesundheit und Krankheit in mehr als 40 Ländern. Transl. Psychiatrie. 2020;10:100.

Artikel PubMed PubMed Central Google Scholar

Cheon EJ, Bearden CE, Sun D, Ching CRK, Andreassen OA, Schmaal L, et al. Störungsübergreifende Vergleiche der Gehirnstruktur bei Schizophrenie, bipolarer Störung, schwerer depressiver Störung und 22q11.2-Deletionssyndrom: eine Überprüfung der ENIGMA-Ergebnisse. Psychiatrie-Klinik Neurosci. 2022;76:140–61.

Artikel CAS PubMed PubMed Central Google Scholar

Koshiyama D, Fukunaga M, Okada N, Morita K, Nemoto K, Usui K, et al. Mikrostrukturelle Veränderungen der weißen Substanz bei vier großen psychiatrischen Erkrankungen: Megaanalysestudie an 2937 Personen. Mol-Psychiatrie. 2019;25:883–95.

Artikel PubMed PubMed Central Google Scholar

Opel N, Goltermann J, Hermesdorf M, Berger K, Baune BT, Dannlowski U. Störungsübergreifende Analyse von Hirnstrukturanomalien bei sechs großen psychiatrischen Erkrankungen: eine Sekundäranalyse mega- und metaanalytischer Ergebnisse des ENIGMA-Konsortiums. Biologische Psychiatrie. 2020;88:678–86.

Artikel PubMed Google Scholar

Marek S, Tervo-Clemmens B, Calabro FJ, Montez DF, Kay BP, Hatoum AS, et al. Für reproduzierbare hirnweite Assoziationsstudien sind Tausende von Personen erforderlich. Natur. 2022;603:654–60.

Artikel CAS PubMed PubMed Central Google Scholar

van Erp TGM, Walton E, Hibar DP, Schmaal L, Jiang W, Glahn DC, et al. Kortikale Hirnanomalien bei 4474 Personen mit Schizophrenie und 5098 Kontrollpersonen über das ENIGMA-Konsortium (Enhancing Neuro Imaging Genetics Through Meta Analysis). Biologische Psychiatrie. 2018;84:644–54.

Artikel PubMed PubMed Central Google Scholar

Hibar DP, Westlye LT, Doan NT, Jahanshad N, Cheung JW, Ching CRK, et al. Kortikale Anomalien bei bipolarer Störung: eine MRT-Analyse von 6503 Personen aus der ENIGMA Bipolar Disorder Working Group. Mol-Psychiatrie. 2018;23:932–42.

Artikel CAS PubMed Google Scholar

Schmaal L, Hibar DP, Samann PG, Hall GB, Baune BT, Jahanshad N, et al. Kortikale Anomalien bei Erwachsenen und Jugendlichen mit schwerer Depression basierend auf Gehirnscans von 20 Kohorten weltweit in der ENIGMA-Arbeitsgruppe für schwere depressive Störungen. Mol-Psychiatrie. 2017;22:900–9.

Artikel CAS PubMed Google Scholar

van Rooij D, Anagnostou E, Arango C, Auzias G, Behrmann M, Busatto GF, et al. Unterschiede in der kortikalen und subkortikalen Gehirnmorphometrie zwischen Patienten mit Autismus-Spektrum-Störung und gesunden Personen über die gesamte Lebensspanne: Ergebnisse der ENIGMA ASD-Arbeitsgruppe. Bin J Psychiatrie. 2018;175:359–69.

Artikel PubMed Google Scholar

Koshiyama D, Miura K, Nemoto K, Okada N, Matsumoto J, Fukunaga M, et al. Neuroimaging-Studien im Rahmen der Cognitive Genetics Collaborative Research Organization mit dem Ziel, die Arbeiten von ENIGMA zu replizieren und zu erweitern. Hum Brain Mapp. 2022;43:182–93.

Artikel PubMed Google Scholar

Boedhoe PSW, van Rooij D, Hoogman M, Twisk JWR, Schmaal L, Abe Y, et al. Subkortikales Gehirnvolumen, regionale kortikale Dicke und kortikale Oberfläche bei allen Erkrankungen: Ergebnisse der ENIGMA-Arbeitsgruppen ADHS, ASD und OCD. Bin J Psychiatrie. Rev. 2020;177:834–4

Artikel PubMed PubMed Central Google Scholar

Okada N, Fukunaga M, Yamashita F, Koshiyama D, Yamamori H, Ohi K, et al. Abnormale Asymmetrien im subkortikalen Gehirnvolumen bei Schizophrenie. Mol-Psychiatrie. 2016;21:1460–6.

Artikel CAS PubMed PubMed Central Google Scholar

Nemoto K, Shimokawa T, Fukunaga M, Yamashita F, Tamura M, Yamamori H, et al. Differenzierung von Schizophrenie mittels struktureller MRT unter Berücksichtigung von Scannerunterschieden: Eine praxisnahe Multisite-Studie. Psychiatrie-Klinik Neurosci. 2020;74:56–63.

Artikel PubMed Google Scholar

Yasuda Y, Okada N, Nemoto K, Fukunaga M, Yamamori H, Ohi K, et al. Morphologische und funktionelle Merkmale des Gehirns in kognitiven Untergruppen der Schizophrenie. Psychiatrie-Klinik Neurosci. 2020;74:191–203.

Artikel PubMed Google Scholar

Koshiyama D, Fukunaga M, Okada N, Yamashita F, Yamamori H, Yasuda Y, et al. Subkortikaler Zusammenhang mit der Gedächtnisleistung bei Schizophrenie: eine Studie zur strukturellen Magnetresonanztomographie. Transl. Psychiatrie. 2018;8:20.

Artikel PubMed PubMed Central Google Scholar

Koshiyama D, Fukunaga M, Okada N, Yamashita F, Yamamori H, Yasuda Y, et al. Rolle subkortikaler Strukturen für die kognitive und soziale Funktion bei Schizophrenie. Sci Rep. 2018;8:1183.

Artikel PubMed PubMed Central Google Scholar

Ito S, Miura K, Miyayama M, Matsumoto J, Fukunaga M, Ishimaru K, et al. Zusammenhang zwischen dem Globus-Pallidus-Volumen und positiven Symptomen bei Schizophrenie. Psychiatrie-Klinik Neurosci. 2022;76:602–3.

Artikel PubMed Google Scholar

Koshiyama D, Fukunaga M, Okada N, Morita K, Nemoto K, Yamashita F, et al. Rolle der frontalen weißen Substanz und des Corpus callosum für die soziale Funktion bei Schizophrenie. Schizophr Res. 2018;202:180–7.

Artikel PubMed Google Scholar

Matsumoto J, Fukunaga M, Miura K, Nemoto K, Koshiyama D, Okada N, et al. Zusammenhang zwischen der Mikrostruktur der weißen Substanz und den Arbeitszeiten. Neurosci Lett. 2020;740:135428.

Artikel PubMed Google Scholar

Koshiyama D, Fukunaga M, Okada N, Morita K, Nemoto K, Yamashita F, et al. Zusammenhang zwischen dem Fasciculus longitudinalis superior und der Wahrnehmungsorganisation und dem Arbeitsgedächtnis: eine Diffusionstensor-Bildgebungsstudie. Neurosci Lett. 2020;738:135349.

Artikel CAS PubMed Google Scholar

Matsumoto J, Miura K, Fukunaga M, Nemoto K, Koshiyama D, Okada N, et al. Zusammenhangsstudie zwischen der Mikrostruktur der weißen Substanz und dem Rückgang der Intelligenz bei Schizophrenie. Klinik EEG Neurosci. 2021: 15500594211063314.

Desikan RS, Ségonne F, Fischl B, Quinn BT, Dickerson BC, Blacker D, et al. Ein automatisiertes Markierungssystem zur Unterteilung der menschlichen Großhirnrinde bei MRT-Scans in gyralbasierte Regionen von Interesse. Neurobild. 2006;31:968–80.

Artikel PubMed Google Scholar

Fischl B. FreeSurfer. Neurobild. 2012;62:774–81.

Artikel PubMed Google Scholar

Nakagawa S, Cuthill IC. Effektstärke, Konfidenzintervall und statistische Signifikanz: ein praktischer Leitfaden für Biologen. Biol Rev Camb Philos Soc. 2007;82:591–605.

Artikel PubMed Google Scholar

Wechsler D. Verwaltungs- und Bewertungshandbuch für die Wechsler Adult Intelligence Scale. San Antonio, TX: Psychological Corporation; 1997.

Google Scholar

Kochunov P, Ma Y, Hatch KS, Schmaal L, Jahanshad N, Thompson PM, et al. Trennung von klinischer und subklinischer Depression anhand eines Big-Data-informierten strukturellen Vulnerabilitätsindex und seiner Auswirkungen auf die Kognition: ENIGMA Dot Product. Pac Symp Biocomput. 2022;27:133–43.

PubMed PubMed Central Google Scholar

Kay SR, Fiszbein A, Opler LA. Die positive und negative Syndromskala (PANSS) für Schizophrenie. Schizophre Bulle. 1987;13:261–76.

Artikel CAS PubMed Google Scholar

Hamilton M. Eine Bewertungsskala für Depressionen. J Neurol Neurochirurgische Psychiatrie. 1960;23:56–62.

Artikel CAS PubMed PubMed Central Google Scholar

Beck AT, Steer RA, Ball R, Ranieri W. Vergleich der Beck-Depressionsinventare -IA und -II bei ambulanten psychiatrischen Patienten. J Pers Assess. 1996;67:588–97.

Artikel CAS PubMed Google Scholar

Schreibkomitee für Aufmerksamkeitsdefizit/Hyperaktivität D, Autismus-Spektrum D, Bipolar D, Major Depression D, Zwangsstörung D, Schizophrenie EWG, et al. Virtuelle Histologie der kortikalen Dicke und gemeinsame Neurobiologie bei 6 psychiatrischen Erkrankungen. JAMA Psychiatrie. 2021;78:47–63.

Artikel Google Scholar

Radonjić NV, Hess JL, Rovira P, Andreassen O, Buitelaar JK, Ching CRK, et al. Untersuchungen zur strukturellen Bildgebung des Gehirns liefern Hinweise auf die Auswirkungen der gemeinsamen genetischen Ätiologie bei neuropsychiatrischen Erkrankungen. Mol-Psychiatrie. 2021;26:2101–10.

Artikel PubMed PubMed Central Google Scholar

Park BY, Kebets V, Larivière S, Hettwer MD, Paquola C, van Rooij D, et al. Multiskalige neuronale Gradienten spiegeln transdiagnostische Auswirkungen wichtiger psychiatrischer Erkrankungen auf die kortikale Morphologie wider. Kommunale Biol. 2022;5:1024.

Artikel PubMed PubMed Central Google Scholar

Hansen JY, Shafiei G, Vogel JW, Smart K, Bearden CE, Hoogman M, et al. Lokale molekulare und globale konnektomische Beiträge zu störungsübergreifenden kortikalen Anomalien. Nat Commun. 2022;13:4

Artikel CAS PubMed PubMed Central Google Scholar

Grasby KL, Jahanshad N, Painter JN, Colodro-Conde L, Bralten J, Hibar DP, et al. Die genetische Architektur der menschlichen Großhirnrinde. Wissenschaft. 2020;367:eaay6690.

Artikel CAS PubMed PubMed Central Google Scholar

Rakic P. Spezifikation der zerebralen kortikalen Bereiche. Wissenschaft. 1988;241:170–6.

Artikel CAS PubMed Google Scholar

Silbereis JC, Pochareddy S, Zhu Y, Li M, Sestan N. Die zellulären und molekularen Landschaften des sich entwickelnden menschlichen Zentralnervensystems. Neuron. 2016;89:248–68.

Artikel CAS PubMed PubMed Central Google Scholar

Bedford SA, Park MTM, Devenyi GA, Tullo S, Germann J, Patel R, et al. Groß angelegte Analysen der Beziehung zwischen Geschlecht, Alter und Intelligenzquotienten-Heterogenität sowie kortikaler Morphometrie bei Autismus-Spektrum-Störungen. Mol-Psychiatrie. 2020;25:614–28.

Artikel PubMed Google Scholar

Jernigan TL, Butters N, DiTraglia G, Schafer K, Smith T, Irwin M, et al. Bei Alkoholikern wurde mittels Magnetresonanztomographie eine verminderte graue Substanz des Gehirns beobachtet. Alkoholklinik Exp Res. 1991;15:418–27.

Artikel CAS PubMed Google Scholar

Lange EH, Nerland S, Jørgensen KN, Mørch-Johnsen L, Nesvåg R, Hartberg CB, et al. Alkoholkonsum ist bei Schizophrenie, bipolarer Störung und gesunden Kontrollpersonen mit einer dünneren Großhirnrinde und größeren Ventrikeln verbunden. Psychol Med. 2017;47:655–68.

Artikel CAS PubMed Google Scholar

Karama S, Ducharme S, Corley J, Chouinard-Decorte F, Starr JM, Wardlaw JM, et al. Zigarettenrauchen und Ausdünnung der Hirnrinde. Mol-Psychiatrie. 2015;20:778–85.

Artikel CAS PubMed PubMed Central Google Scholar

Jørgensen KN, Skjærvø I, Mørch-Johnsen L, Haukvik UK, Lange EH, Melle I, et al. Zigarettenrauchen ist bei Patienten mit schweren psychischen Erkrankungen mit einer Verdünnung der cingulären und insulären Kortizes verbunden. J Psychiatrie Neurowissenschaften. 2015;40:241–9.

Artikel PubMed PubMed Central Google Scholar

Makris N, Gasic GP, Kennedy DN, Hodge SM, Kaiser JR, Lee MJ, et al. Anomalien der kortikalen Dicke bei Kokainabhängigkeit – ein Spiegelbild sowohl des Drogenkonsums als auch einer bereits bestehenden Neigung zum Drogenmissbrauch? Neuron. 2008;60:174–88.

Artikel CAS PubMed PubMed Central Google Scholar

Referenzen herunterladen

Diese Forschung wurde durch die AMED-Zuschüsse JP21dk0307103 (RyoH), JP21uk1024002 (RyoH, KMi, JMa, JMi), JP21wm0425012 (RyoH, KMi, JMa), JP19dm0207069 (KK, KMi), JP18dm0307001 (KK), JP18dm0307 unterstützt 002 (OY, RyoH) , JP18dm0307004 (KK) und JP18dm0307008 (JMi); JSPS KAKENHI gewährt JP22H04926 (KMi), JP21H05171 (KK), JP21H05174 (KK), JP21K12153 (KN), JP20H03605 (KMa), JP20H03611 (RyoH, KMi, JMa, NaomH), JP20H05064 (JMi), JP20K069 20 (KMi, JMa, NaomH), JP19H05467 (RyoH), JP18H05130 (JMi), JP23K07001 (JMa), JP17H04248 (JMi) und JP26461767 (JMi); Moonshot F&E-Stipendium JPMJMS2021 (KK); die SENSHIN Medical Research Foundation (KMi); UTokyo Institute for Diversity and Adaptation of Human Mind (UTIDAHM, KK); das International Research Center for Neurointelligence (WPI-IRCN) an den Institutes for Advanced Study der University of Tokyo (UTIAS, KK); und intramurales Forschungsstipendium (3-1, 4–6) für neurologische und psychiatrische Störungen des NCNP (RyoH, KMi). Einige Berechnungen wurden am Research Center for Computational Science, Okazaki, Japan durchgeführt (Projekte: NIPS, 15-IMS-C137, 16-IMS-C135, 17-IMS-C152, 18-IMS-C162, 19-IMS-C181, 20-IMS-C162, 21-IMS-C179, 22-IMS-C195).

Abteilung für Pathologie psychischer Erkrankungen, Nationales Institut für psychische Gesundheit, Nationales Zentrum für Neurologie und Psychiatrie, Kodaira, 187-8553, Japan

Junya Matsumoto, Kenichiro Miura, Hidenaga Yamamori, Michiko Fujimoto, Yuka Yasuda, Satsuki Ito, Ryuichi Yamazaki, Naomi Hasegawa und Ryota Hashimoto

Abschnitt für Informationen zur Gehirnfunktion, National Institute for Physiological Sciences, Okazaki, 444-8585, Japan

Masaki Fukunaga

Abteilung für Psychiatrie, Institut für Medizin, Universität Tsukuba, Tsukuba, 305-8575, Japan

Kiyotaka Nemoto

Abteilung für Neuropsychiatrie, Graduate School of Medicine, Universität Tokio, Tokio, 113-8655, Japan

Naohiro Okada, Daisuke Koshiyama und Kiyoto Kasai

Das International Research Center for Neurointelligence (WPI-IRCN), The University of Tokyo Institutes for Advanced Study (UTIAS), Tokio, 113-0033, Japan

Naohiro Okada, Shinsuke Koike und Kiyoto Kasai

Abteilung für Psychiatrie, Hokkaido University Graduate School of Medicine, Sapporo, 060‐8638, Japan

Naoki Hashimoto und Hisashi Narita

Abteilung für Rehabilitation, Universitätsklinikum Tokio, Tokio, 113-8655, Japan

Kentaro Morita

Abteilung für Psychiatrie, Gifu University Graduate School of Medicine, Gifu, 501-1194, Japan

Kazutaka Ohi

Abteilung für Allgemeine Innere Medizin, Medizinische Universität Kanazawa, Ishikawa, 920-0293, Japan

Kazutaka Ohi

Abteilung für Neuropsychiatrie, Graduiertenschule für Medizin und Pharmazeutische Wissenschaften der Universität Toyama, Toyama, 930-0194, Japan

Tsutomu Takahashi, Daiki Sasabayashi und Michio Suzuki

Forschungszentrum für Idling Brain Science, Universität Toyama, Toyama, 930-0194, Japan

Tsutomu Takahashi, Daiki Sasabayashi und Michio Suzuki

Abteilung für Neuropsychiatrie, Graduate School of Medicine, Nippon Medical School, Tokio, 113-8602, Japan

Michihiko Koeda

Abteilung für Psychiatrie, Graduate School of Medicine der Universität Osaka, Suita, 565-0871, Japan

Hidenaga Yamamori, Michiko Fujimoto und Ryota Hashimoto

Japan Community Health Care Organization Osaka Hospital, Osaka, 553-0003, Japan

Hidenaga Yamamori

Life Grow Brilliant Mental Clinic, Medical Corporation Foster, Osaka, 530-0013, Japan

Yuka Yasuda

Abteilung für Entwicklungs- und klinische Psychologie, Abteilung für menschliche Entwicklungswissenschaften, Graduate School of Humanity and Sciences, Ochanomizu-Universität, Tokio, 112-8610, Japan

Satsuki Ito

Abteilung für Psychiatrie, The Jikei University School of Medicine, Tokio, 105-8461, Japan

Ryuichi Yamazaki

Abteilung für Psychiatrie und Neurowissenschaften, Universität Hiroshima, Hiroshima, 734-8551, Japan

Satoshi Yokoyama, Go Okada und Yasumasa Okamoto

Abteilung für Psychiatrie, Graduate School of Medicine, Universität Kyoto, Kyoto, 606-8507, Japan

Ryo Mishima, Jun Miyata und Yuko Kobayashi

Abteilung für Neuropsychiatrie, Abteilung für Neurowissenschaften, Yamaguchi University Graduate School of Medicine, Ube, 755-8505, Japan

Kenichiro Harada und Toshio Matsubara

Abteilung für Psychiatrie, Graduiertenschule für Medizin der Universität Nagoya, Nagoya, 466-8550, Japan

Maeri Yamamoto

Abteilung für Psychiatrie, Abteilung für klinische Neurowissenschaften, Medizinische Fakultät, Universität Miyazaki, Miyazaki, 889-1692, Japan

Yoji Hirano

Abteilung für Neuropsychiatrie, Graduate School of Medical Sciences, Kyushu University, Fukuoka, 812-8582, Japan

Yoji Hirano

Institut für Industriewissenschaften, Universität Tokio, Tokio, 153-8505, Japan

Yoji Hirano

Medizinisches Institut für Entwicklungsbehinderungsforschung, Showa-Universität, Tokio, 157-8577, Japan

Takashi Itahashi und Ryu-ichiro Hashimoto

Abteilung für Psychiatrie, Tokushima University Hospital, Tokushima, 770-8503, Japan

Masahito Nakataki

Abteilung für Sprachwissenschaften, Graduate School of Humanities, Tokyo Metropolitan University, Hachioji, 192-0397, Japan

Ryu-ichiro Hashimoto

Global Center for Biomedical Science and Engineering, Medizinische Fakultät der Universität Hokkaido, Sapporo, 060-8638, Japan

Khin K. Tha

Institut für Diversität und Anpassung des menschlichen Geistes der Universität Tokio (UTIDAHM), Tokio, 153-8902, Japan

Shinsuke Koike & Kiyoto Kasai

Zentrum für evolutionäre Kognitionswissenschaften, Graduate School of Arts and Sciences, Universität Tokio, Tokio, 153-8902, Japan

Shinsuke Koike

Abteilung für Psychiatrie, Universität für Arbeits- und Umweltgesundheit, Kitakyushu, 807-8555, Japan

Reiji Yoshimura

Abteilung für Radiologie, Graduate School of Medicine, Universität Tokio, Tokio, 113-8655, Japan

Osamu Abe

Clinical Translatational Neuroscience Laboratory, Abteilung für Psychiatrie und menschliches Verhalten, University of California Irvine, Irvine, CA, 92697, USA

Theo GM van Erp

Zentrum für Neurobiologie des Lernens und Gedächtnisses, University of California Irvine, Irvine, CA, 92697, USA

Theo GM van Erp

Abteilung für Psychiatrie und Verhaltensgesundheit, Wexner Medical Center, Ohio State University, Columbus, OH, 43210, USA

Jessica A. Turner

Imaging Genetics Center, Mark & Mary Stevens Neuroimaging & Informatics Institute, Keck School of Medicine, University of Southern California, Los Angeles, CA, 90292, USA

Neda Jahanshad und Paul M. Thompson

Nationale Krankenhausorganisation Sakakibara Hospital, Tsu, 514-1292, Japan

Toshiaki Onitsuka

Abteilung für Radiologie, Shiga University of Medical Science, Otsu, 520-2192, Japan

Yoshiyuki Watanabe

Abteilung für Psychiatrie, Medizinische Fakultät, Saitama Medical University, Saitama, 350-0495, Japan

Koji Matsuo

Abteilung für Psychiatrie, Hamamatsu University School of Medicine, Hamamatsu, 431-3192, Japan

Hidenori Yamasue

Pathophysiologie psychischer Störungen, Nagoya University Graduate School of Medicine, Nagoya, 466-8550, Japan

Norio Ozaki

Sie können diesen Autor auch in PubMed Google Scholar suchen

JMa, MaF, KMi, TGMvE, JAT, NJ, PMT und RyoH haben die Studie entworfen. MaF, NaO, NaokH, KMo, DK, KO, TT, MK, HYamam, MiF, YY, HN, SY, RM, JMi, YK, DS, KH, MY, YH, TI, MN, RyuH, KKT, SK, TM, GO, ReY, OA, TO, YW, KMa, HYamas, YO, MS, NoO, KK und RyoH trugen zur Datenerfassung bei. JMa, MaF, KMi, KN, NaO, KMo, DK, SI, RyY, NaomH und RyoH ordneten und analysierten die Daten. JMa, MaF, KMi, KN, NaO, NaokH, KMo, DK, KO, TT, MK, HYamam, MiF, YY, SI, RyY, NaomH, HN, SY, RM, JMi, YK, DS, KH, MY, YH, TI, MN, RyuH, KKT, SK, TM, GO, ReY, OA, TGMvE, JAT, NJ, PMT, TO, YW, KMa, HYamas, YO, MS, NoO, KK und RyoH interpretierten die Ergebnisse. JMa, KMi und RyoH haben das Manuskript geschrieben. RyoH überwachte das gesamte Projekt. Alle Autoren haben das endgültige Manuskript überprüft und genehmigt.

Korrespondenz mit Ryota Hashimoto.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Matsumoto, J., Fukunaga, M., Miura, K. et al. Strukturelle Veränderungsmuster der Hirnrinde bei vier großen psychiatrischen Erkrankungen bei 5549 Personen. Mol Psychiatrie (2023). https://doi.org/10.1038/s41380-023-02224-7

Zitat herunterladen

Eingegangen: 12. Dezember 2022

Überarbeitet: 30. Juli 2023

Angenommen: 07. August 2023

Veröffentlicht: 18. August 2023

DOI: https://doi.org/10.1038/s41380-023-02224-7

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt