ABSTRACT INTRODUCTION We performed a systematic review and meta-analysis of the Alzheimer’s disease (AD) literature to examine consistency of functional connectivity alterations in AD dementia and mild cognitive impairment (MCI), using resting-state functional magnetic resonance imaging (rsfMRI). METHODS Studies were screened using a standardized procedure. Multiresolution statistics were performed to assess the spatial consistency of findings across studies. RESULTS Thirty-four studies were included (1,363 participants, average 40 per study). Consistent alterations in connectivity were found in the default-mode, salience and limbic networks in patients with AD dementia, MCI, or in both groups. We also identified a bias in the literature towards specific examination of the default-mode network. DISCUSSION Convergent evidence across the literature supports the use of resting-state connectivity as a biomarker of AD. The locations of consistent alterations suggest that metabolically expensive hub regions in the brain might be an early target of AD.

Abstract Functional connectivity (FC) analyses of individuals with autism spectrum disorder (ASD) have established robust alterations of brain connectivity at the group level. Yet, the translation of these imaging findings into robust markers of individual risk is hampered by the extensive heterogeneity among ASD individuals. Here, we report an FC endophenotype that confers a greater than 7-fold risk increase of ASD diagnosis, yet is still identified in an estimated 1 in 200 individuals in the general population. By focusing on a subset of individuals with ASD and highly predictive FC alterations, we achieved a greater than 3-fold increase in risk over previous predictive models. The identified FC risk endophenotype was characterized by underconnectivity of transmodal brain networks and generalized to independent data. Our results demonstrate the ability of a highly targeted prediction model to meaningfully decompose part of the heterogeneity of the autism spectrum. The identified FC signature may help better delineate the multitude of etiological pathways and behavioural symptoms that challenge our understanding of the autism spectrum.

Abstract Clinical trials in Alzheimer’s disease need to enroll patients whose cognition will decline over time, if left untreated, in order to demonstrate the efficacy of an intervention. Machine learning models used to screen for patients at risk of progression to dementia should therefore favor specificity (detecting only progressors) over sensitivity (detecting all progressors), especially when the prevalence of progressors is low. Here, we explore whether such high-risk patients can be identified using cognitive assessments and structural neuroimaging, by training machine learning tools in a high specificity regime. A multimodal signature of Alzheimer’s dementia was first extracted from ADNI1. We then validated the predictive value of this signature on ADNI1 patients with mild cognitive impairment (N=235). The signature was optimized to predict progression to dementia over three years with low sensitivity (55.1%) but high specificity (95.6%), resulting in only moderate accuracy (69.3%) but high positive predictive value (80.4%, adjusted for a “typical” 33% prevalence rate of true progressors). These results were replicated in ADNI2 (N=235), with 87.8% adjusted positive predictive value (96.7% specificity, 47.3% sensitivity, 85.1% accuracy). We found that cognitive measures alone could identify high-risk individuals, with structural measurements providing a slight improvement. The signature had comparable receiver operating characteristics to standard machine learning tools, yet a marked improvement in positive predictive value was achieved over the literature by selecting a high specificity operating point. The multimodal signature can be readily applied for the enrichment of clinical trials.

We present group brain parcellations for clusters generated from resting-state functional magnetic resonance images for 99 cognitively normal elderly persons and 129 patients with mild cognitive impairment, pooled from four independent datasets. The brain parcellations have been registered to both symmetric and asymmetric MNI brain templates and generated using a method called bootstrap analysis of stable clusters (BASC, Bellec et al., 2010). Eight resolutions of clusters were selected using a data-driven method called MSTEPS (Bellec, 2013). We present two variants of these parcellations. One variant contains bihemisphereic parcels (4, 6, 12, 22, 33, 65, 111, and 208 total parcels across eight resolutions). The second variant contains spatially connected regions of interest (ROIs) that span only one hemisphere (10, 17, 30, 51, 77, 199, and 322 total ROIs across eight resolutions). We also present maps illustrating functional connectivity differences between patients and controls for four regions of interest (superior medial frontal cortex, dorsomedial prefrontal cortex, striatum, middle temporal lobe). The brain parcels and associated statistical maps have been publicly released as 3D volumes, available in .mnc and .nii file formats on figshare (http://dx.doi.org/10.6084/m9.figshare.1480461) and on Neurovault (http://neurovault.org/collections/1003/). This dataset was generated as part of the following study: Tam A, Dansereau C, Badhwar A, Orban P, Belleville S, Chertkow H, Dagher A, Hanganu A, Monchi O, Rosa-Neto P, Shmuel A, Wang S, Breitner J, Bellec P for the Alzheimer's Disease Neuroimaging Initiative (2015) Common Effects of Amnestic Mild Cognitive Impairment on Resting-State Connectivity Across Four Independent Studies. Front. Aging Neurosci. 7:242. doi: 10.3389/fnagi.2015.00242Finally, the code used to generate this dataset is available on Github (https://github.com/SIMEXP/mcinet).

Our objective was to assess the generalizability, across sites and cognitive contexts, of schizophrenia classification based on functional brain connectivity. We tested different training-test scenarios combining fMRI data from 191 schizophrenia patients and 191 matched healthy controls obtained at 6 scanning sites and under different task conditions. Diagnosis classification accuracy generalized well to a novel site and cognitive context provided data from multiple sites were used for classifier training. By contrast, lower classification accuracy was achieved when data from a single distinct site was used for training. These findings indicate that it is beneficial to use multisite data to train fMRI-based classifiers intended for large-scale use in the clinical realm.

The heterogeneity of brain degeneration has not been investigated yet for functional brain network connectivity, a promising biomarker of Alzheimer's disease. We coupled cluster analysis with resting-state functional magnetic resonance imaging to discover connectivity subtypes in healthy older adults and patients with cognitive disorders related to Alzheimer's disease, noting associations between subtypes and cognitive symptoms in the default-mode, limbic and salience networks. In an independent asymptomatic cohort with a family history of Alzheimer's dementia, the connectivity subtypes had good test-retest reliability across all tested networks. We found that a limbic subtype was overrepresented in these individuals, which was previously associated with symptoms. Other limbic subtypes showed associations with cerebrospinal fluid Aβ-42 levels and ApoE4 genotype. Our results demonstrate the existence of reliable subtypes of functional brain networks in older adults and support future investigations in limbic connectivity subtypes as early biomarkers of Alzheimer's degeneration.

Resting-state functional connectivity (RSFC) studies have highlighted how visual experience influences the brain s functional architecture. Reduced RSFC coupling between occipital (visual) and temporal (auditory) regions has been reliably observed in early blind individuals (EB) at rest. In contrast, task-dependent activation studies have repeatedly demonstrated enhanced co-activation and connectivity of occipital and temporal regions during auditory processing in EB. To investigate this apparent discrepancy, the functional coupling between temporal and occipital networks at rest was directly compared to that of an auditory task in both EB and sighted controls (SC). Functional brain clusters shared across groups and cognitive states (rest and auditory task) were defined. In EBs, we observed higher occipito-temporal correlations in activity during the task than at rest. The reverse pattern was observed in SC. We also observed higher temporal variability of occipito-temporal RSFC in EB suggesting that occipital regions in this population may play a role of multiple demand system. Our study reveals how the connectivity profile of sighted and early blind people is differentially influenced by their cognitive state, bridging the gap between previous task-dependent and RSFC studies. Our results also highlight how inferring group-differences in functional brain architecture solely based on resting-state acquisition has to be considered with caution.

Resting-state functional connectivity is a promising biomarker for Alzheimer’s disease. However, previous resting-state functional magnetic resonance imaging studies in Alzheimer’s disease and mild cognitive impairment (MCI) have shown limited reproducibility as they have had small sample sizes and substantial variation in study protocol. We sought to identify functional brain networks and connections that could consistently discriminate normal aging from MCI despite variations in scanner manufacturer, imaging protocol, and diagnostic procedure. We therefore pooled four independent datasets, including 112 healthy controls and 143 patients with MCI, systematically testing multiple brain connections for consistent differences. The largest effects associated with MCI involved the ventromedial and dorsomedial prefrontal cortex, striatum, and middle temporal lobe. Compared with controls, patients with MCI exhibited significantly decreased connectivity within the frontal lobe, between frontal and temporal areas, and between regions of the cortico-striatal-thalamic loop. Despite the heterogeneity of methods among the four datasets, we identified robust MCI-related connectivity changes with small to medium effect sizes and sample size estimates recommending a minimum of 150 to 400 total subjects to achieve adequate statistical power. If our findings can be replicated and associated with other established biomarkers of Alzheimer’s disease (e.g. amyloid and tau quantification), then these functional connections may be promising candidate biomarkers for Alzheimer’s disease.

Previous positron emission tomography (PET) studies have quantified filamentous tau pathology using regions-of-interest (ROIs) based on observations of the topographical distribution of neurofibrillary tangles in post-mortem tissue. However, such approaches may not take full advantage of information contained in neuroimaging data. The present study employs an unsupervised data-driven method to identify spatial patterns of tau-PET distribution, and to compare these patterns to previously published "pathology-driven" ROIs. Tau-PET patterns were identified from a discovery sample comprised of 123 normal controls and patients with mild cognitive impairment or Alzheimer's disease (AD) dementia from the Swedish BioFINDER cohort, who underwent [18F]AV1451 PET scanning. Associations with cognition were tested in a separate sample of 90 individuals from ADNI. BioFINDER [18F]AV1451 images were entered into a robust voxelwise stable clustering algorithm, which resulted in five clusters. Mean [18F]AV1451 uptake in the data-driven clusters, and in 35 previously published pathology-driven ROIs, was extracted from ADNI [18F]AV1451 scans. We performed linear models comparing [18F]AV1451 signal across all 40 ROIs to tests of global cognition and episodic memory, adjusting for age, sex and education. Two data-driven ROIs consistently demonstrated the strongest or near-strongest effect sizes across all cognitive tests. Inputting all regions plus demographics into a feature selection routine resulted in selection of two ROIs (one data-driven, one pathology-driven) and education, which together explained 28% of the variance of a global cognitive composite score. Our findings suggest that [18F]AV1451-PET data naturally clusters into spatial patterns that are biologically meaningful and that may offer advantages as clinical tools.