A bstract Temporal lobe epilepsy (TLE), a common drug-resistant epilepsy in adults, is primarily a limbic network disorder associated with predominant unilateral hippocampal pathology. Structural MRI has provided an in vivo window into whole-brain grey matter pathology in TLE relative to controls, by either mapping (i) atypical inter-hemispheric asymmetry or (ii) regional atrophy. However, similarities and differences of both atypical asymmetry and regional atrophy measures have not been systematically investigated. Here, we addressed this gap using the multi-site ENIGMA-Epilepsy dataset comprising MRI brain morphological measures in 732 TLE patients and 1,418 healthy controls. We compared spatial distributions of grey matter asymmetry and atrophy in TLE, contextualized their topographies relative to spatial gradients in cortical microstructure and functional connectivity, and examined clinical associations using machine learning. We identified a marked divergence in the spatial distribution of atypical inter-hemispheric asymmetry and regional atrophy mapping. The former revealed a temporo-limbic disease signature while the latter showed diffuse and bilateral patterns. Our findings were robust across individual sites and patients. Cortical atrophy was significantly correlated with disease duration and age at seizure onset, while degrees of asymmetry did not show a significant relationship to these clinical variables. Our findings highlight that the mapping of atypical inter-hemispheric asymmetry and regional atrophy tap into two complementary aspects of TLE-related pathology, with the former revealing primary substrates in ipsilateral limbic circuits and the latter capturing bilateral disease effects. These findings refine our notion of the neuropathology of TLE and may inform future discovery and validation of complementary MRI biomarkers in TLE.

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.

For many traits, males show greater variability than females, with possible implications for understanding sex differences in health and disease. Here, the ENIGMA (Enhancing Neuro Imaging Genetics through Meta-Analysis) Consortium presents the largest-ever mega-analysis of sex differences in variability of brain structure, based on international data spanning nine decades of life. Subcortical volumes, cortical surface area and cortical thickness were assessed in MRI data of 16,683 healthy individuals 1-90 years old (47% females). We observed patterns of greater male than female between-subject variance for all brain measures. This pattern was stable across the lifespan for 50% of the subcortical structures, 70% of the regional area measures, and nearly all regions for thickness. Our findings that these sex differences are present in childhood implicate early life genetic or gene-environment interaction mechanisms. The findings highlight the importance of individual differences within the sexes, that may underpin sex-specific vulnerability to disorders.

Brain genetics is an active research area. The degree to which genetic variants impact variations in brain structure and function remains largely unknown. We examined the heritability of regional brain volumes (p ~ 100) captured by single-nucleotide polymorphisms (SNPs) in UK Biobank (n ~ 9000). We found that regional brain volumes are highly heritable in this study population. We observed omni-genic impact across the genome as well as enrichment of SNPs in active chromatin regions. Principal components derived from regional volume data are also highly heritable, but the amount of variance in brain volume explained by the component did not seem to be related to its heritability. Heritability estimates vary substantially across large-scale functional networks and brain regions. The variation in heritability across regions was not related to measurement reliability. Heritability estimates exhibit a symmetric pattern across left and right hemispheres and are consistent in females and males. Our main findings in UK Biobank are consistent with those in Alzheimers Disease Neuroimaging Initiative (n ~ 1100), Philadelphia Neurodevelopmental Cohort (n ~ 600), and Pediatric Imaging, Neurocognition, and Genetics (n ~ 500) datasets, with more stable estimates in UK Biobank.

Parkinson's disease (PD) is a progressive neurodegenerative disease that affects over 10 million people worldwide. Brain atrophy and microstructural abnormalities tend to be more subtle in PD than in other age-related conditions such as Alzheimer's disease, so there is interest in how well machine learning methods can detect PD in radiological scans. Deep learning models based on convolutional neural networks (CNNs) can automatically distil diagnostically useful features from raw MRI scans, but most CNN-based deep learning models have only been tested on T1-weighted brain MRI. Here we examine the added value of diffusion-weighted MRI (dMRI) - a variant of MRI, sensitive to microstructural tissue properties - as an additional input in CNN-based models for PD classification. Our evaluations used data from 3 separate cohorts - from Chang Gung University, the University of Pennsylvania, and the PPMI dataset. We trained CNNs on various combinations of these cohorts to find the best predictive model. Although tests on more diverse data are warranted, deep-learned models from dMRI show promise for PD classification.This study supports the use of diffusion-weighted images as an alternative to anatomical images for AI-based detection of Parkinson's disease.

ABSTRACT Humans are equipped with the so-called Mental Time Travel (MTT) ability, which allows them to consciously construct and elaborate past or future scenes. The mechanisms underlying MTT remain elusive. This study focused on the late positive potential (LPP) and alpha oscillations, considering that LPP covaries with the temporal continuity whereas the alpha oscillations index the temporal organization of perception. To that end, subjects were asked to focus on performing two mental functions engaging working memory, which involved mental self-projection into either the present-past (PP) border or the present-future (PF) border. To evaluate underlying mechanisms, the evoked frontal late positive potentials (LPP) as well as their cortical sources were analyzed via the standardized low-resolution brain electromagnetic tomography (sLORETA) technique. The LPP amplitudes - in the left lateral prefrontal areas that were elicited during PF tasks - were significantly higher than those associated with PP, whereas opposite patterns were observed in the central and right prefrontal areas. Crucially, the LPP activations of both the PP and PF self-projections overlapped with the brain’s default mode network and related interacting areas. Finally, we found enhanced alpha-related activation with respect to PP in comparison to PF, predominantly over the right hemisphere central brain regions (specifically, the precentral gyrus). These findings confirm that the two types of self-projection, as reflected by the frontally-distributed LPP, share common cortical resources that recruit different brain regions in a balanced way. This balanced distribution of brain activation might signify that biological time tends to behave in a homeostatic way.