Abstract Technological and methodological innovations are equipping researchers with unprecedented capabilities for detecting and characterizing pathologic processes in the developing human brain. As a result, ambitions to achieve clinically useful tools to assist in the diagnosis and management of mental health and learning disorders are gaining momentum. To this end, it is critical to accrue large-scale multimodal datasets that capture a broad range of commonly encountered clinical psychopathology. The Child Mind Institute has launched the Healthy Brain Network (HBN), an ongoing initiative focused on creating and sharing a biobank of data from 10,000 New York area participants (ages 5–21). The HBN Biobank houses data about psychiatric, behavioral, cognitive, and lifestyle phenotypes, as well as multimodal brain imaging (resting and naturalistic viewing fMRI, diffusion MRI, morphometric MRI), electroencephalography, eye-tracking, voice and video recordings, genetics and actigraphy. Here, we present the rationale, design and implementation of HBN protocols. We describe the first data release ( n =664) and the potential of the biobank to advance related areas (e.g., biophysical modeling, voice analysis).

Selective Mutism (SM) is an anxiety disorder often diagnosed in early childhood and characterized by persistent failure to speak in certain social situations but not others. Diagnosing SM and monitoring treatment response can be quite complex, due in part to changing definitions of and scarcity of research about the disorder. Subjective self-reports and parent/teacher interviews can complicate SM diagnosis and therapy, given that similar speech problems of etiologically heterogeneous origin can be attributed to SM. The present perspective discusses the potential for passive audio capture to help overcome psychiatry's current lack of objective and quantifiable assessments in the context of SM. We present evidence from two pilot studies indicating the feasibility of using a digital wearable device to quantify child vocalization features affected by SM. We also highlight limitations in the design and implementation of this preliminary work that can help guide future efforts.

Background: The Healthy Brain Network is an openly shared pediatric psychiatric biobank with a target of 10,000 participants between the ages of 5 and 21, inclusively. In adding ecological actimetry to the Healthy Brain Network, we intend to use appropriate, accurate, reliable tools. Currently a wide range of personal activity trackers are commercially available, providing a wide variety of sensor configurations. For many of these devices, accelerometry provides the basis of measuring both physical activity and sleep with comparable derivative measures. Results: In order to include an ecological biotracker in the Healthy Brain Network protocol, we first evaluated the specifications of a variety of actimeters available for purchase. We then acquired physical instances of 5 of these devices (ActiGraph wGT3X-BT, Empatica Embrace, Empatica E4, GENEActiv Original, and Wavelet Wristband) and wore each of them in our daily lives, annotating our activities and evaluating the reasonableness of the data from each device and the logistical affordances of each device. Conclusions: We decided that the ActiGraph wGT3X-BT is the most appropriate device for inclusion in the Healthy Brain Network. However, none of the devices we evaluated was clearly superior or inferior to the rest; rather, each device seems to have use cases in which that device excels beyond the others.

Objective: The present study sought to examine the relationships between processing speed (PS), mental health disorders, and learning disorders. Prior work has tended to explore relationships between PS deficits and individual diagnoses (i.e., anxiety, autism, ADHD, depressive) in isolation of one another, often relying on relatively modest sample sizes. In contrast, the present work simultaneously investigated associations between PS deficits and these diagnoses, along with specific learning disabilities (i.e., reading, math), in a large-scale, transdiagnostic, community self-referred sample. Method: A total of 843 children, ages 8-16 were included from the Healthy Brain Network (HBN) Biobank. Given the presence of four PS tasks in HBN, principal component analysis (PCA) was employed to create a composite measure that represented the shared variance of the four PS tasks, referred to as PC1. Intraclass correlation coefficient (ICC) between the four PS measures, as well as PC1, were calculated to assess reliability. We then used multiple linear regression models to assess specific relationships between PS deficits and psychiatric diagnoses. Results. ICCs were moderate between WISC-V tasks (0.663), and relatively modest between NIH Toolbox Pattern Comparison and other PS scales (0.14-0.27). Regression analyses revealed specific significant relationships between PS and reading and math disabilities, ADHD-inattentive type (ADHD-I), and ADHD-combined type (ADHD-C). Secondary analyses accounting for inattention dimensionally diminished associations with ADHD-C, but not ADHD-I or specific learning disability subtypes. The present study did not find a significant relationship with Autism Spectrum Disorder after accounting for inattentive symptoms. Consistent with prior work, demographic variables, including sex, socioeconomic status, and motor control exhibited independent relationships with PC1 as well. Discussion. This study provided a comprehensive examination of PS, mental health disorders, and learning disabilities through a transdiagnostic approach. Implications for understanding how PS interacts with a highly heterogeneous childhood sample, as well as the need for increased focus on detection of affected populations are discussed.

Non-human primate neuroimaging is a rapidly growing area of research that promises to transform and scale translational and cross-species comparative neuroscience. Unfortunately, the technological and methodological advances of the past two decades have outpaced the accrual of data, which is particularly challenging given the relatively few centers that have the necessary facilities and capabilities. The PRIMate Data Exchange (PRIME-DE) addresses this challenge by aggregating independently acquired non-human primate magnetic resonance imaging (MRI) datasets and openly sharing them via the International Neuroimaging Data-sharing Initiative (INDI). Here, we present the rationale, design and procedures for the PRIME-DE consortium, as well as the initial release, consisting of 13 independent data collections aggregated across 11 sites (total = 98 macaque monkeys). We also outline the unique pitfalls and challenges that should be considered in the analysis of the non-human primate MRI datasets, including providing automated quality assessment of the contributed datasets.

Stroke is the leading cause of adult disability worldwide, with up to two-thirds of individuals experiencing long-term disabilities. Large-scale neuroimaging studies have shown promise in identifying robust biomarkers (e.g., measures of brain structure) of long-term stroke recovery following rehabilitation. However, analyzing large rehabilitation-related datasets is problematic due to barriers in accurate stroke lesion segmentation. Manually-traced lesions are currently the gold standard for lesion segmentation on T1-weighted MRIs, but are labor intensive and require anatomical expertise. While algorithms have been developed to automate this process, the results often lack accuracy. Newer algorithms that employ machine-learning techniques are promising, yet these require large training datasets to optimize performance. Here we present ATLAS (Anatomical Tracings of Lesions After Stroke), an open-source dataset of 304 T1-weighted MRIs with manually segmented lesions and metadata. This large, diverse dataset can be used to train and test lesion segmentation algorithms and provides a standardized dataset for comparing the performance of different segmentation methods. We hope ATLAS release 1.1 will be a useful resource to assess and improve the accuracy of current lesion segmentation methods.

Data sharing is increasingly recommended as a means of accelerating science by facilitating collaboration, transparency, and reproducibility. While few oppose data sharing philosophically, a range of barriers deter most researchers from implementing it in practice (e.g., workforce and infrastructural demands, sociocultural and privacy concerns, lack of standardization). To justify the significant effort required for sharing data (e.g., organization, curation, distribution), funding agencies, institutions, and investigators need clear evidence of benefit. Here, using the International Neuroimaging Data-sharing Initiative, we present a brain imaging case study that provides direct evidence of the impact of open sharing on data use and resulting publications over a seven-year period (2010-2017). We dispel the myth that scientific findings using shared data cannot be published in high-impact journals and demonstrate rapid growth in the publication of such journal articles, scholarly theses, and conference proceedings. In contrast to commonly used 'pay to play' models, we demonstrate that openly shared data can increase the scale (i.e., sample size) of scientific studies conducted by data contributors, and can recruit scientists from a broader range of disciplines. These findings suggest the transformative power of data sharing for accelerating science and underscore the need for the scientific ecosystem to embrace the challenge of implementing data sharing universally.

Technological and methodological innovations are equipping researchers with unprecedented capabilities for detecting and characterizing pathologic processes in the developing human brain. As a result, ambitions to achieve clinically useful tools to assist in the diagnosis and management of mental health and learning disorders are gaining momentum. To this end, it is critical to accrue large-scale multimodal datasets that capture a broad range of commonly encountered clinical psychopathology. The Child Mind Institute has launched the Healthy Brain Network (HBN), an ongoing initiative focused on creating and sharing a biobank of data from 10,000 New York area participants (ages 5-21). The HBN Biobank houses data about psychiatric, behavioral, cognitive, and lifestyle phenotypes, as well as multimodal brain imaging (resting and naturalistic viewing fMRI, diffusion MRI, morphometric MRI), electroencephalography, eye-tracking, voice and video recordings, genetics, and actigraphy. Here, we present the rationale, design and implementation of HBN protocols. We describe the first data release (n = 664) and the potential of the biobank to advance related areas (e.g., biophysical modeling, voice analysis).