青少年电子游戏行为与皮质形态的关联

Associations between video gaming behaviors and cortical morphology in adolescents

作者信息Jason M Nagata, Kevin Bao, Kevin Handoko, Stuart B Murray, Kristen E Kim, Pierre Nedelec, Eva Muller-Oehring, Aaron Scheffler, Leana E King, Andreas M Rauschecker, Fiona C Baker
PMID42680021
发布时间2026-10-15
DOI10.1016/j.neuroimage.2026.122196

实验完整度

中

横断面观察性分析,使用3T MRI和Desikan-Killiany图谱,采用广义相加混合效应模型和FEMA顶点分析,无功能或机制验证。

主要模型

ABCD研究第4年横断面数据(N=5686) 青少年3T结构性MRI扫描

重点核对

样本量N=5686,平均年龄14.2岁,53.4%男性 游戏时间通过ABCD青少年屏幕时间调查自报,单人/多人游戏时间按工作日和周末加权平均并截尾至16小时/天 成人分级游戏频率评分0-3 协变量包括年龄、性别、种族、遗传祖先主成分、社会经济地位、非游戏屏幕时间、青春期阶段、BMI百分位、扫描仪特征等 采用Benjamini-Hochberg FDR校正

摘要

电子游戏在青少年中非常普遍,但其与青春期早期皮质形态的关系仍不清楚。本研究分析了大型、多样化的全国青少年大脑认知发展研究队列(N = 5686)的数据,以探究青少年电子游戏行为与皮质形态之间的关联。青少年(平均年龄:14.2岁)报告了每日玩单人游戏和多人游戏的时间以及玩成人分级游戏的频率。通过3T MRI扫描仪获取了由Desikan-Killiany图谱定义的区域的皮质体积、表面积和厚度指标。使用广义相加混合效应模型评估游戏行为与皮质形态之间的关联,并调整了人口统计学、遗传祖先、社会经济地位、非游戏屏幕时间、青春期阶段、体重指数百分位、扫描仪特征和家庭关系。除区域分析外,还使用快速高效混合效应算法进行了顶点分析,该算法提供了更高的空间分辨率。较长的总游戏时间与多个区域较低的皮质表面积和厚度相关。单人游戏而非多人游戏与涉及语言处理和社会认知的区域形态改变相关,这可能由于每种游戏类型所涉及的过程不同。成人分级游戏频率也与多个区域较低的皮质厚度和右侧海马旁回较低的表面积相关。我们的结果表明,不同的游戏行为与不同的皮质形态模式相关。皮质表面积和厚度的减少是青少年发育的正常特征,未来需要对长期结果进行研究,以确定这些差异是否反映了正常发育轨迹之外的变异以及这种关联的方向性。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
青少年电子游戏行为(总游戏时间、单人vs多人游戏、成人分级游戏频率)是否与皮质形态(体积、表面积、厚度)相关?
核心机制
不同游戏行为与不同皮质形态模式相关;总游戏时间与多个区域较低表面积和厚度相关,单人游戏与语言处理和社会认知区域相关,成人分级游戏与多个区域较低厚度及右侧海马旁回较低表面积相关。
主要证据
基于5686名青少年的横断面数据,使用3T MRI获取Desikan-Killiany图谱区域指标,广义相加混合效应模型和FEMA顶点分析显示,总游戏时间、单人游戏时间和成人分级游戏频率与多个脑区皮质表面积和/或厚度呈负相关,多人游戏无显著关联。
研究意义
本研究首次分别探讨单人、多人及成人分级游戏与脑结构的关联,提示未来研究应考虑游戏类型而非仅总时间,并需纵向研究确定方向性。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

研究人群与数据来源

建立分析的横断面样本

使用ABCD研究6.0数据发布第4年(2020-2022年收集)的9739名参与者数据,经筛选后纳入5686名有完整游戏行为、协变量和通过质控的sMRI数据的青少年。

2

游戏行为评估

量化总游戏时间、单人/多人游戏时间及成人分级游戏频率

通过ABCD青少年屏幕时间调查自报典型工作日和周末的单人及多人游戏时间,计算加权平均每日游戏时间,总游戏时间为二者之和;成人分级游戏频率按0-3评分。

3

sMRI图像采集与处理

获取皮质形态指标

使用3T扫描仪采集T1加权图像,经梯度解扭曲、配准、强度不均匀校正和前瞻性运动校正,FreeSurfer 7.1.1分割和皮质表面重建,获取Desikan-Killiany图谱区域的皮质表面积、厚度和体积。

4

区域兴趣(ROI)分析

评估游戏行为与各脑区皮质形态的关联

使用广义相加混合效应模型,分别以总游戏时间、单人和多人游戏时间(同时纳入模型)、成人分级游戏频率为自变量,以各脑区皮质形态为因变量,调整协变量,家庭ID作为随机效应。

5

顶点分析

提供更高空间分辨率的全脑关联分析

使用快速高效混合效应算法(FEMA)在每个顶点估计预测因子的线性效应,调整固定和混合效应,输入为ABCD 6.0数据发布的顶点数据(20,484个顶点)。

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

产品清单

实验环节名称品牌货号
Siemens Prisma 3T扫描仪Siemens--
FreeSurfer 7.1.1----
gamm4 R包----
MATLAB 2025a----
GENESIS包----

关键环节

汇总复现实验时建议重点确认的条件及原文阅读提示。

环节核对要点
研究人群与数据来源
ABCD 6.0数据发布第4年横断面数据;样本量N=5686;纳入排除标准;影像质控标准
阅读提示:Methods 2.1 Study population 和 2.2 Exclusion criteria
游戏行为评估
ABCD青少年屏幕时间调查的自报条目;单人/多人游戏时间的加权平均公式;截尾至16小时/天的处理;成人分级游戏频率评分0-3
阅读提示:Methods 2.3 Independent variables: video gaming behaviors
sMRI图像采集与处理
3T扫描仪型号及线圈;T1加权序列参数(TR、TE、FA、TI、FOV、层数、扫描时间);FreeSurfer版本7.1.1;Desikan-Killiany图谱
阅读提示:Methods 2.4 Dependent variables: sMRI image acquisition and processing
ROI分析
广义相加混合效应模型设定;自变量组合(总游戏时间、单人和多人游戏时间同时纳入、成人分级频率);协变量列表;家庭ID随机效应;FDR校正方法;性别交互项分析
阅读提示:Methods 2.6.1 Region-of-Interest (ROI) analysis
顶点分析
FEMA算法实现;MATLAB版本;输入顶点数据(20,484个顶点);协变量结构
阅读提示:Methods 2.6.2 Vertexwise analysis