Despite decades of research, the pathophysiology of bipolar disorder (BD) is still not well understood. Structural brain differences have been associated with BD, but results from neuroimaging studies have been inconsistent. To address this, we performed the largest study to date of cortical gray matter thickness and surface area measures from brain magnetic resonance imaging scans of 6503 individuals including 1837 unrelated adults with BD and 2582 unrelated healthy controls for group differences while also examining the effects of commonly prescribed medications, age of illness onset, history of psychosis, mood state, age and sex differences on cortical regions. In BD, cortical gray matter was thinner in frontal, temporal and parietal regions of both brain hemispheres. BD had the strongest effects on left pars opercularis (Cohen’s d=−0.293; P=1.71 × 10−21), left fusiform gyrus (d=−0.288; P=8.25 × 10−21) and left rostral middle frontal cortex (d=−0.276; P=2.99 × 10−19). Longer duration of illness (after accounting for age at the time of scanning) was associated with reduced cortical thickness in frontal, medial parietal and occipital regions. We found that several commonly prescribed medications, including lithium, antiepileptic and antipsychotic treatment showed significant associations with cortical thickness and surface area, even after accounting for patients who received multiple medications. We found evidence of reduced cortical surface area associated with a history of psychosis but no associations with mood state at the time of scanning. Our analysis revealed previously undetected associations and provides an extensive analysis of potential confounding variables in neuroimaging studies of BD.

Considerable uncertainty exists about the defining brain changes associated with bipolar disorder (BD). Understanding and quantifying the sources of uncertainty can help generate novel clinical hypotheses about etiology and assist in the development of biomarkers for indexing disease progression and prognosis. Here we were interested in quantifying case–control differences in intracranial volume (ICV) and each of eight subcortical brain measures: nucleus accumbens, amygdala, caudate, hippocampus, globus pallidus, putamen, thalamus, lateral ventricles. In a large study of 1710 BD patients and 2594 healthy controls, we found consistent volumetric reductions in BD patients for mean hippocampus (Cohen’s d=−0.232; P=3.50 × 10−7) and thalamus (d=−0.148; P=4.27 × 10−3) and enlarged lateral ventricles (d=−0.260; P=3.93 × 10−5) in patients. No significant effect of age at illness onset was detected. Stratifying patients based on clinical subtype (BD type I or type II) revealed that BDI patients had significantly larger lateral ventricles and smaller hippocampus and amygdala than controls. However, when comparing BDI and BDII patients directly, we did not detect any significant differences in brain volume. This likely represents similar etiology between BD subtype classifications. Exploratory analyses revealed significantly larger thalamic volumes in patients taking lithium compared with patients not taking lithium. We detected no significant differences between BDII patients and controls in the largest such comparison to date. Findings in this study should be interpreted with caution and with careful consideration of the limitations inherent to meta-analyzed neuroimaging comparisons.

Investigators in neuroscience have turned to Big Data to address replication and reliability issues by increasing sample sizes, statistical power, and representativeness of data. These efforts unveil new questions about integrating data arising from distinct sources and instruments. We focus on the most frequently assessed cognitive domain - memory testing - and demonstrate a process for reliable data harmonization across three common measures. We aggregated global raw data from 53 studies totaling N = 10,505 individuals. A mega-analysis was conducted using empirical bayes harmonization to remove site effects, followed by linear models adjusting for common covariates. A continuous item response theory (IRT) model estimated each individual's latent verbal learning ability while accounting for item difficulties. Harmonization significantly reduced inter-site variance while preserving covariate effects, and our conversion tool is freely available online. This demonstrates that large-scale data sharing and harmonization initiatives can address reproducibility and integration challenges across the behavioral sciences.

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.

Chronic cocaine and alcohol use impart significant stress on biological and cognitive systems, resulting in changes consistent with an allostatic load model of neurocognitive impairment. The present study measured potential markers of allostatic load in individuals with comorbid cocaine/alcohol use disorders (CUD/AUD) and control subjects. Measures of brain white matter (WM) integrity, telomere length, and impulsivity/attentional bias were obtained. WM integrity (CUD/AUD only) was indexed by diffusion tensor imaging metrics, including radial diffusivity (RD) and fractional anisotropy (FA). Telomere length was indexed by T/S ratio. Impulsivity and attentional bias to drug cues were measured via eye-tracking, and were also modeled using the Hierarchical Diffusion Drift Model (HDDM). Average whole-brain RD and FA were associated with years of cocaine use (R2 = 0.56 and 0.51, both p < .005) but not years of alcohol use. CUD/AUD subjects showed more anti-saccade errors (p < .01), greater attentional bias scores (p < .001), and higher HDDM drift rates on cocaine-cue trials (Bayesian probability CUD/AUD > control = p > 0.99). Telomere length was shorter in CUD/AUD, but the difference was not statistically significant. Within the CUD/AUD group, exploratory regression using an elastic-net model determined that more years of cocaine use, , older age, larger HDDM drift rate differences and shorter telomere length were all predictive of white matter integrity as measured by RD (model R2 = 0.79). Collectively, the results provide modest support linking CUD/AUD to putative markers of allostatic load.

Background: Major depressive disorder (MDD) is associated with an increased risk of brain atrophy, aging-related diseases, and mortality. We examined potential advanced brain aging in MDD patients, and whether this process is associated with clinical characteristics in a large multi-center international dataset. Methods: We performed a mega-analysis by pooling brain measures derived from T1-weighted MRI scans from 29 samples worldwide. Normative brain aging was estimated by predicting chronological age (10-75 years) from 7 subcortical volumes, 34 cortical thickness and 34 surface area, lateral ventricles and total intracranial volume measures separately in 1,147 male and 1,386 female controls from the ENIGMA MDD working group. The learned model parameters were applied to 1,089 male controls and 1,167 depressed males, and 1,326 female controls and 2,044 depressed females to obtain independent unbiased brain-based age predictions. The difference between predicted brain age and chronological age was calculated to indicate brain predicted age difference (brain-PAD). Findings: On average, MDD patients showed a higher brain-PAD of +0.90 (SE 0.21) years (Cohen's d=0.12, 95% CI 0.06-0.17) compared to controls. Relative to controls, first-episode and currently depressed patients showed higher brain-PAD (+1.2 [0.3] years), and the largest effect was observed in those with late-onset depression (+1.7 [0.7] years). In addition, higher brain-PAD was associated with higher self-reported depressive symptomatology (b=0.05, p=0.004). Interpretation: This highly powered collaborative effort showed subtle patterns of abnormal structural brain aging in MDD. Substantial within-group variance and overlap between groups were observed. Longitudinal studies of MDD and somatic health outcomes are needed to further assess the predictive value of these brain-PAD estimates.