Abstract Beyond detecting brain lesions or tumors, comparatively little success has been attained in identifying brain disorders such as Alzheimer’s disease (AD), based on magnetic resonance imaging (MRI). Many machine learning algorithms to detect AD have been trained using limited training data, meaning they often generalize poorly when applied to scans from previously unseen populations. Therefore, we built a practical brain MRI-based AD diagnostic classifier using deep learning/transfer learning on a dataset of unprecedented size and diversity. A retrospective MRI dataset pooled from more than 217 sites/scanners constituted one of the largest brain MRI samples to date (85,721 scans from 50,876 participants) between January 2017 and August 2021. Next, a state-of-the-art deep convolutional neural network, Inception-ResNet-V2, was built as a sex classifier with high generalization capability. The sex classifier achieved 94.9% accuracy and served as a base model in transfer learning for the objective diagnosis of AD. After transfer learning, the model fine-tuned for AD classification achieved 90.9% accuracy in leave-sites-out cross-validation on the Alzheimer’s Disease Neuroimaging Initiative (ADNI, 6,857 samples) dataset and 94.5%/93.6%/91.1% accuracy for direct tests on three unseen independent datasets (AIBL, 669 samples / MIRIAD, 644 samples / OASIS, 1,123 samples). When this AD classifier was tested on brain images from unseen mild cognitive impairment (MCI) patients, MCI patients who converted to AD were 3 times more likely to be predicted as AD than MCI patients who did not convert (65.2% vs 20.6%). Predicted scores from the AD classifier showed significant correlations with illness severity. In sum, the proposed AD classifier offers a medical-grade marker that has potential to be integrated into AD diagnostic practice.

ABSTRACT Concerns regarding reproducibility of resting-state functional magnetic resonance imaging (R-fMRI) findings have been raised. Little is known about how to operationally define R-fMRI reproducibility and to what extent it is affected by multiple comparison correction strategies and sample size. We comprehensively assessed two aspects of reproducibility, test-retest reliability and replicability, on widely used R-fMRI metrics in both between-subject contrasts of sex differences and within-subject comparisons of eyes-open and eyes-closed (EOEC) conditions. We noted permutation test with Threshold-Free Cluster Enhancement (TFCE), a strict multiple comparison correction strategy, reached the best balance between family-wise error rate (under 5%) and test-retest reliability / replicability (e.g., 0.68 for test-retest reliability and 0.25 for replicability of amplitude of low-frequency fluctuations (ALFF) for between-subject sex differences, 0.49 for replicability of ALFF for within-subject EOEC differences). Although R-fMRI indices attained moderate reliabilities, they replicated poorly in distinct datasets (replicability < 0.3 for between-subject sex differences, < 0.5 for within-subject EOEC differences). By randomly drawing different sample sizes from a single site, we found reliability, sensitivity and positive predictive value (PPV) rose as sample size increased. Small sample sizes (e.g., < 80 (40 per group)) not only minimized power (sensitivity < 2%), but also decreased the likelihood that significant results reflect “true” effects (PPV < 0.26) in sex differences. Our findings have implications for how to select multiple comparison correction strategies and highlight the importance of sufficiently large sample sizes in R-fMRI studies to enhance reproducibility.

Resting-state functional MRI (R-fMRI) research has recently entered the era of "big data", however, few studies have provided a rigorous validation of the physiological underpinnings of R-fMRI indices. Although studies have reported that various neuropsychiatric disorders exhibit abnormalities in R-fMRI measures, these "biomarkers" have not been validated in differentiating structural lesions (brain tumors) as a concept proof. We enrolled 60 patients with intracranial tumors located in the unilateral cranial cavity and 60 matched normal controls to test whether R-fMRI indices can differentiate tumors, which represents a prerequisite for adapting such indices as biomarkers for neuropsychiatric disorders. Common R-fMRI indices of tumors and their counterpart control regions, which were defined as the contralateral normal areas (for amplitude of low frequency fluctuations (ALFF), fractional ALFF (fALFF), regional homogeneity (ReHo) and degree centrality (DC)) and ipsilateral regions surrounding the tumors (for voxel-mirrored homotopic connectivity (VMHC)), were comprehensively assessed. According to paired t-tests with a Bonferroni correction, only ALFF (both with and without Z-standardization) and VMHC (Fisher's r-to-z transformed) could successfully differentiate substantial tumors from their counterpart normal regions in patients. And DC was not able to differentiate tumor from normal unless employed Z-standardization. To validate the lower power in the between-subject design than in the within-subject design, each metric was calculated in a matched control group, and two-sample t-tests were used to compare the patient tumors and the normal controls at the same area. Only ALFF (and that with Z-standardization) along with VMHC succeeded in differentiating significant differences between tumors and the sham tumors areas of normal controls. This study tested the premise of R-fMRI biomarkers for differentiating lesions, and brings a new understanding to physical significance of the Z-standardization.

Rumination is a repetitive self-referential thinking style and posited to be an expression of abnormalities in the default mode network (DMN) in major depressive disorder (MDD). Recent evidences indicate DMN is not a unitary network but can be further divided into 3 functionally heterogenous subsystems. However, the subsystem mechanism through which DMN underlie rumination remain unclear. Here, with a modified continuous state-like paradigm, we induced healthy participants to ruminate or imagine objective scenarios (as a distraction control condition) on 3 different MRI scanners. We compared functional connectivities (FC) and inter-subject correlations (ISC) of the DMN and its 3 subsystems between rumination and distraction states. Results yielded a highly reproducible and dissociated pattern. During rumination, within-DMN FC was generally decreased compared to the distraction state. At the subsystem level, we found increased FC between the core and medial temporal lobe (MTL) subsystem and decreased FC between the core and dorsal medial prefrontal cortex (DMPFC) subsystem and within the MTL subsystem. Furthermore, we found decreased ISC within the MTL subsystem. These results suggest a specific and less synchronous activity pattern of DMN during rumination and shed new light on the association between rumination and DMN substrates regarding MDD.

Species are considered to be the basic unit of ecological and evolutionary studies. Since multi-locus genomic data are becoming increasingly available, there has been considerable interests in the use of DNA sequence data to delimit species. In this paper, we show that machine learning can be used for species delimitation. There exists no species delimitation methods that are based on machine learning. Our method treats the species delimitation problem as a classification problem. It is a problem of identifying the category of a new observation on the basis of training data. Extensive simulation is first conducted over a broad range of evolutionary parameters for training purpose. Each pair of known populations are combined to form training samples with a label of "same species" or "different species". We use Support Vector Machine (SVM) to train a classifier using a set of summary statistics computed from training samples as features. The trained classifier can classify a test sample to two outcomes: "same species" or "different species". Given multi-locus genomic data of multiple related organisms or populations, our method (called CLADES) performs species delimitation by first classifying pairs of populations. CLADES then delimits species by maximizing the likelihood of species assignment for multiple populations. CLADES is evaluated through extensive simulation and also tested on real genetic data. We show that CLADES is both accurate and efficient for species delimitation when compared with existing methods. CLADES can be useful especially when existing methods have difficulty in delimitation, e.g. with short species divergence time and gene flow.

Abstract Is the brain at rest during the so-called resting-state? Ongoing experiences in the resting-state vary in unobserved and uncontrolled ways across time, individuals, and populations. However, the role of self-generated thoughts in resting-state fMRI remains largely unexplored. In this study, we collected real-time self-generated thoughts during “resting-state” fMRI scans via the think-aloud method (i.e., think-aloud fMRI), which required participants to report whatever they were currently thinking. We first investigated brain activation patterns during a think-aloud condition and found that significantly activated brain areas included all brain regions required for speech. We then calculated the relationship between divergence in thought content and brain activation during think-aloud and found that divergence in thought content was associated with many brain regions. Finally, we explored the neural representation of self-generated thoughts by performing representational similarity analysis (RSA) at three neural scales: a voxel-wise whole-brain searchlight level; a region-level whole-brain analysis using the Schaefer 400-parcels; at the systems level using the Yeo seven-networks. We found that “resting-state” self-generated thoughts were distributed across a wide range of brain regions, involving all seven Yeo networks. This study highlights the value of considering ongoing experiences during resting-state fMRI, as well as providing preliminary methodological support for think-aloud fMRI.

Stable representation of information in distributed neural connectivity is critical to function effectively in the world. Despite the dynamic nature of the brain's functional architecture, characterizing its temporal stability has been largely neglected. Here we characterized stability of functional architecture for each brain voxel by measuring the concordance of dynamic functional connectivity (DFC) over time, and explored how stability was modified by movie watching. High-order association regions, especially the default mode network, demonstrated high stability during resting state scans, while primary sensory-motor cortices revealed relatively lower stability. During movie watching, stability in the primary visual cortex was decreased, which was associated with larger DFC variation with neighboring regions. By contrast, higher-order regions in the ventral and dorsal visual stream demonstrated increased stability. The distribution of functional stability and its modification describes a profile of the brain's stability property, which may be useful reference for examining distinct mental states and disorders.