This study aimed to investigate, through functional MRI (fMRI), the neuronal substrates associated with the consolidation process of two motor skills: motor sequence learning (MSL) and motor adaptation (MA). Four groups of young healthy individuals were assigned to either ( i ) a night/sleep condition, in which they were scanned while practicing a finger sequence learning task or an eight-target adaptation pointing task in the evening (test) and were scanned again 12 h later in the morning (retest) or ( ii ) a day/awake condition, in which they were scanned on the MSL or the MA tasks in the morning and were rescanned 12 h later in the evening. As expected and consistent with the behavioral results, the functional data revealed increased test–retest changes of activity in the striatum for the night/sleep group compared with the day/awake group in the MSL task. By contrast, the results of the MA task did not show any difference in test–retest activity between the night/sleep and day/awake groups. When the two MA task groups were combined, however, increased test–retest activity was found in lobule VI of the cerebellar cortex. Together, these findings highlight the presence of both functional and structural dissociations reflecting the off-line consolidation processes of MSL and MA. They suggest that MSL consolidation is sleep dependent and reflected by a differential increase of neural activity within the corticostriatal system, whereas MA consolidation necessitates either a period of daytime or sleep and is associated with increased neuronal activity within the corticocerebellar system.

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 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.

Abstract There is a growing interest in using machine learning (ML) models to perform automatic diagnosis of psychiatric conditions; however, generalising the prediction of ML models to completely independent data can lead to sharp decrease in performance. Patients with different psychiatric diagnoses have traditionally been studied independently, yet there is a growing recognition of neuroimaging signatures shared across them as well as rare genetic copy number variants (CNVs). In this work, we assess the potential of multi-task learning (MTL) to improve accuracy by characterising multiple related conditions with a single model, making use of information shared across diagnostic categories and exposing the model to a larger and more diverse dataset. As a proof of concept, we first established the efficacy of MTL in a context where there is clearly information shared across tasks: the same target (age or sex) is predicted at different sites of data collection in a large functional magnetic resonance imaging (fMRI) dataset compiled from multiple studies. MTL generally led to substantial gains relative to independent prediction at each site. Performing scaling experiments on the UK Biobank, we observed that performance was highly dependent on sample size: for large sample sizes (N > 6000) sex prediction was better using MTL across three sites (N = K per site) than prediction at a single site (N = 3K), but for small samples (N < 500) MTL was actually detrimental for age prediction. We then used established machine-learning methods to benchmark the diagnostic accuracy of each of the 7 CNVs (N = 19–103) and 4 psychiatric conditions (N = 44–472) independently, replicating the accuracy previously reported in the literature on psychiatric conditions. We observed that MTL hurt performance when applied across the full set of diagnoses, and complementary analyses failed to identify pairs of conditions which would benefit from MTL. Taken together, our results show that if a successful multi-task diagnostic model of psychiatric conditions were to be developed with resting-state fMRI, it would likely require datasets with thousands of patients across different diagnoses.

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).

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.

16p11.2 and 22q11.2 Copy Number Variants (CNVs) confer high risk for Autism Spectrum Disorder (ASD), schizophrenia (SZ), and Attention-Deficit-Hyperactivity-Disorder (ADHD), but their impact on functional connectivity (FC) networks remains unclear. We analyzed resting-state functional magnetic resonance imaging data from 101 CNV carriers, 755 individuals with idiopathic ASD, SZ, or ADHD and 1,072 controls. We used CNV FC-signatures to identify major dimensions contributing to complex idiopathic conditions. CNVs had large mirror effects on FC at the global and regional level, and their effect-sizes were twice as large as those of idiopathic conditions. Thalamus, somatomotor, and posterior insula regions played a critical role in dysconnectivity shared across deletions, duplications, idiopathic ASD, SZ but not ADHD. Individuals with higher similarity to deletion FC-signatures exhibited worse behavioral and cognitive symptoms. These seemingly distinct neuropsychiatric mutations showed similar gene co-expression patterns and converged on FC dimensions, that may represent mechanistic building blocks shared across idiopathic conditions.

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.

Studies using resting-state functional magnetic resonance imaging (rsfMRI) are increasingly collecting data at multiple sites in order to speed up recruitment or increase sample size. The main objective of this study was to assess the long-term consistency of rsfMRI connectivity maps derived at multiple sites and vendors using the Canadian Dementia Imaging Protocol (CDIP, [www.cdip-pcid.ca][1]). Nine to ten minutes of functional BOLD images were acquired from an adult cognitively healthy volunteer scanned repeatedly at 13 Canadian sites on three scanner makes (General Electric, Philips and Siemens) over the course of 2.5 years. The consistency (spatial Pearson’s correlation) of rsfMRI connectivity maps for seven canonical networks ranged from about 0.4-0.8 (intra-site) to 0.3-0.8 (inter-vendor), with a negligible effect of time. We noted systematic differences in data quality across vendors, which may also explain some of these results. We also pooled the long-term longitudinal data with a single-site, short-term (1 month) data sample acquired on 26 subjects (10 scans per subject), called HNU1. Using randomly selected pairs of scans from each subject, we quantified the ability of a data-driven unsupervised cluster analysis to match two scans of the same subjects. In this “fingerprinting” experiment, we found that scans from the Canadian subject (Csub) could be matched with high accuracy intra-site (>95% for some networks), but that the accuracy decreased substantially for scans drawn from different sites and vendors, while still remaining in the range of accuracies observed in HNU1. Overall, our results demonstrate good multivariate stability of rsfMRI measures over several years, but substantial impact of scanning site and vendors. How detrimental these effects are will depend on the application, yet improving methods for harmonizing multisite analysis is an important area for future work.HIGHLIGHTS ![Figure][2] Graphical Abstract [1]: https://www.cdip-pcid.ca [2]: pending:yes

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.