Abstract Importance The lack of robust neuroanatomical markers of psychosis risk has been traditionally attributed to heterogeneity. A complementary hypothesis is that variation in neuroanatomical measures in the majority of individuals at psychosis risk may be nested within the range observed in healthy individuals. Objective To quantify deviations from the normative range of neuroanatomical variation in individuals at clinical high-risk for psychosis (CHR-P) and evaluate their overlap with healthy variation and their association with positive symptoms, cognition, and conversion to a psychotic disorder. Design, Setting, and Participants Clinical, IQ and FreeSurfer-derived regional measures of cortical thickness (CT), cortical surface area (SA), and subcortical volume (SV) from 1,340 CHR-P individuals [47.09% female; mean age: 20.75 (4.74) years] and 1,237 healthy individuals [44.70% female; mean age: 22.32 (4.95) years] from 29 international sites participating in the ENIGMA Clinical High Risk for Psychosis Working Group. Main Outcomes and Measures For each regional morphometric measure, z-scores were computed that index the degree of deviation from the normative means of that measure in a healthy reference population (N=37,407). Average deviation scores (ADS) for CT, SA, SV, and globally across all measures (G) were generated by averaging the respective regional z-scores. Regression analyses were used to quantify the association of deviation scores with clinical severity and cognition and two-proportion z-tests to identify case-control differences in the proportion of individuals with infranormal (z<-1.96) or supranormal (z>1.96) scores. Results CHR-P and healthy individuals overlapped in the distributions of the observed values, regional z-scores, and all ADS vales. The proportion of CHR-P individuals with infranormal or supranormal values in any metric was low (<12%) and similar to that of healthy individuals. CHR-P individuals who converted to psychosis compared to those who did not convert had a higher percentage of infranormal values in temporal regions (5-7% vs 0.9-1.4%). In the CHR-P group, only the ADS SA showed significant but weak associations (|β|<0.09; P FDR <0.05) with positive symptoms and IQ. Conclusions and Relevance The study findings challenge the usefulness of macroscale neuromorphometric measures as diagnostic biomarkers of psychosis risk and suggest that such measures do not provide an adequate explanation for psychosis risk. Key points Question Is the risk of psychosis associated with brain morphometric changes that deviate significantly from healthy variation? Findings In this study of 1340 individuals high-risk for psychosis (CHR-P) and 1237 healthy participants, individual-level variation in macroscale neuromorphometric measures of the CHR-P group was largely nested within healthy variation and was not associated with the severity of positive psychotic symptoms or conversion to a psychotic disorder. Meaning The findings suggest the macroscale neuromorphometric measures have limited utility as diagnostic biomarkers of psychosis risk.

Abstract Structural neuroimaging data have been used to compute an estimate of the biological age of the brain (brain‐age) which has been associated with other biologically and behaviorally meaningful measures of brain development and aging. The ongoing research interest in brain‐age has highlighted the need for robust and publicly available brain‐age models pre‐trained on data from large samples of healthy individuals. To address this need we have previously released a developmental brain‐age model. Here we expand this work to develop, empirically validate, and disseminate a pre‐trained brain‐age model to cover most of the human lifespan. To achieve this, we selected the best‐performing model after systematically examining the impact of seven site harmonization strategies, age range, and sample size on brain‐age prediction in a discovery sample of brain morphometric measures from 35,683 healthy individuals (age range: 5–90 years; 53.59% female). The pre‐trained models were tested for cross‐dataset generalizability in an independent sample comprising 2101 healthy individuals (age range: 8–80 years; 55.35% female) and for longitudinal consistency in a further sample comprising 377 healthy individuals (age range: 9–25 years; 49.87% female). This empirical examination yielded the following findings: (1) the accuracy of age prediction from morphometry data was higher when no site harmonization was applied; (2) dividing the discovery sample into two age‐bins (5–40 and 40–90 years) provided a better balance between model accuracy and explained age variance than other alternatives; (3) model accuracy for brain‐age prediction plateaued at a sample size exceeding 1600 participants. These findings have been incorporated into CentileBrain ( https://centilebrain.org/#/brainAGE2 ), an open‐science, web‐based platform for individualized neuroimaging metrics.

ABSTRACT Transcranial magnetic stimulation (TMS) is a non-invasive and non-pharmacological intervention, approved for the treatment of individuals diagnosed with treatment-resistant depression. This well-tolerated approach uses magnetic pulses to stimulate specific brain regions and induce changes in brain networks at multiple levels of human functioning. Combining TMS with other neuroimaging techniques, such as functional magnetic resonance imaging (fMRI), offers new insights into brain functioning, and allows to map out the causal alterations brought on by TMS interventions on neural network connectivity and behaviour. However, the implemention of concurrent TMS-fMRI brings on a number of technical challenges that must be overcome to ensure good quality of functional images. The goal of this study was thus to investigate the impact of TMS pulses in an MR-environment on the quality of BRAINO phantom images, in terms of the signal of the images, the temporal fluctuation noise, the spatial noise and the signal to fluctuation noise ratio, at the University of British Columbia (UBC) Neuroimaging facility. The results of our analyses replicated those of previous sites, and showed that the present set-up for concurrent TMS-fMRI ensures minimal noise artefact on functional images obtained through this multimodal approach. This step was a key stepping stone for future clinical trials at UBC.

Diet may promote brain health in metabolically impaired older individuals. In an 8-week randomized clinical trial involving 40 cognitively intact older adults with insulin resistance, we examined the effects of 5:2 intermittent fasting and the healthy living diet on brain health. Although intermittent fasting induced greater weight loss, the two diets had comparable effects in improving insulin signaling biomarkers in neuron-derived extracellular vesicles, decreasing the brain-age-gap estimate (reflecting the pace of biological aging of the brain) on magnetic resonance imaging, reducing brain glucose on magnetic resonance spectroscopy, and improving blood biomarkers of carbohydrate and lipid metabolism, with minimal changes in cerebrospinal fluid biomarkers for Alzheimer's disease. Intermittent fasting and healthy living improved executive function and memory, with intermittent fasting benefiting more certain cognitive measures. In exploratory analyses, sex, body mass index, and apolipoprotein E and SLC16A7 genotypes modulated diet effects. The study provides a blueprint for assessing brain effects of dietary interventions and motivates further research on intermittent fasting and continuous diets for brain health optimization. For further information, please see ClinicalTrials.gov registration: NCT02460783.

ABSTRACT Structural neuroimaging data have been used to compute an estimate of the biological age of the brain (brain-age) which has been associated with other biologically and behaviorally meaningful measures of brain development and aging. The ongoing research interest in brain-age has highlighted the need for robust and publicly available brain-age models pre-trained on data from large samples of healthy individuals. To address this need we have previously released a developmental brain-age model. Here we expand this work to develop, empirically validate, and disseminate a pre-trained brain-age model to cover most of the human lifespan. To achieve this, we selected the best-performing model after systematically examining the impact of site harmonization, age range, and sample size on brain-age prediction in a discovery sample of brain morphometric measures from 35,683 healthy individuals (age range: 5-90 years; 53.59% female). The pre-trained models were tested for cross-dataset generalizability in an independent sample comprising 2,101 healthy individuals (age range: 8-80 years; 55.35% female) and for longitudinal consistency in a further sample comprising 377 healthy individuals (age range: 9-25 years; 49.87% female). This empirical examination yielded the following findings: (1) the accuracy of age prediction from morphometry data was higher when no site harmonization was applied; (2) dividing the discovery sample into two age-bins (5-40 years and 40-90 years) provided a better balance between model accuracy and explained age variance than other alternatives; (3) model accuracy for brain-age prediction plateaued at a sample size exceeding 1,600 participants. These findings have been incorporated into CentileBrain [ https://centilebrain.org/#/brainAGE2 ], an open-science, web-based platform for individualized neuroimaging metrics.

Background: Normative modeling is a statistical approach to quantify the degree to which a particular individual-level measure deviates from the pattern observed in a normative reference population. When applied to human brain morphometric measures it has the potential to inform about the significance of normative deviations for health and disease. Normative models can be implemented using a variety of algorithms that have not been systematically appraised. Methods: To address this gap, eight algorithms were compared in terms of performance and computational efficiency using brain regional morphometric data from 37,407 healthy individuals (53% female; aged 3-90 years) collated from 87 international MRI datasets. Performance was assessed with the mean absolute error (MAE) and computational efficiency was inferred from central processing unit (CPU) time. The algorithms evaluated were Ordinary Least Squares Regression (OLSR), Bayesian Linear Regression (BLR), Generalized Additive Models for Location, Scale, and Shape (GAMLSS), Parametric Lambda, Mu, Sigma (LMS), Gaussian Process Regression (GPR), Warped Bayesian Linear Regression (WBLG), Hierarchical Bayesian Regression (HBR), and Multivariable Fractional Polynomial Regression (MFPR). Model optimization involved testing nine covariate combinations pertaining to acquisition features, parcellation software versions, and global neuroimaging measures (i.e., total intracranial volume, mean cortical thickness, and mean cortical surface area). Findings: Statistical comparisons across models at PFDR<0.05 indicated that the MFPR-derived sex- and region-specific models with nonlinear polynomials for age and linear effects of global measures had superior predictive accuracy; the range of the MAE of the models of regional subcortical volumes was 70-520 mm3 and the corresponding ranges for regional cortical thickness and regional cortical surface area were 0.09-0.26 mm and 24-560 mm2, respectively. The MFPR-derived models were also computationally more efficient with a CPU time below one second compared to a range of 2 seconds to 60 minutes for the other algorithms. The performance of all sex- and region-specific MFPR models plateaued at sample sizes exceeding 3,000 and showed comparable MAEs across distinct 10-year age-bins covering the human lifespan. Interpretation: These results provide an empirically benchmarked framework for normative modeling of brain morphometry that is useful for interpreting prior literature and supporting future study designs. The model and tools described here are freely available through CentileBrain (https://centilebrain.org/), a user-friendly web platform.