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 Background The subgenual anterior cingulate cortex (sgACC) plays a central role in the pathophysiology of major depressive disorder (MDD), and its functional interactive profile with the left dorsal lateral prefrontal cortex (DLPFC) is associated with transcranial magnetic stimulation (TMS) treatment outcomes. Nevertheless, previous research on sgACC functional connectivity (FC) in MDD has yielded inconsistent results, partly due to small sample sizes and limited statistical power. Furthermore, calculating sgACC-FC to target TMS on an individual level is challenging because of the low signal-to-noise ratio and the poor replicability of individualized functional brain images. Methods Leveraging a large multi-site cross-sectional sample (1660 MDD patients vs. 1341 healthy controls) from Phase II of the Depression Imaging REsearch ConsorTium (DIRECT), we systematically delineated case-control difference maps of sgACC-FC. Then, in a sample of 25 individuals with treatment-resistant depression who had received repetitive TMS (rTMS) treatment, we examined the relationship between case-control differences in FCs between sgACC and their specific TMS targets and treatment outcomes. Next, we tested whether the position of the group mean FC-based target (previously determined in healthy participants) differed in MDD patients. Finally, we developed a dual regression (DR) based approach to integrate group-level statistical maps with individual-level spontaneous brain activity to evaluate individualized TMS target localization in MDD. We tested this approach in a sample of 16 individuals who had received rTMS. Results We found enhanced sgACC-DLPFC FC in MDD patients. The magnitude of case-control differences in FC between sgACC and TMS targets was related to clinical improvement. We found different peak sgACC anticorrelation locations in mean FC maps of MDD patients and HCs. More effective TMS targets were closer to individualized DR-based loci than to group-level targets. Conclusion In summary, we reliably delineated MDD-related abnormalities of sgACC-FC profiles in a large independently ascertained sample and demonstrated the potential impact of such case-control differences on FC-guided localization of TMS targets. The proposed individualized approach for TMS targeting has the potential to improve TMS treatment outcome and warrants prospective clinical trials.

Major Depressive Disorder (MDD) is common and disabling, but its neuropathophysiology remains unclear. Most studies of functional brain networks in MDD have had limited statistical power and data analysis approaches have varied widely. The REST-meta-MDD Project of resting-state fMRI (R-fMRI) addresses these issues. Twenty-five research groups in China established the REST-meta-MDD Consortium by contributing R-fMRI data from 1,300 patients with MDD and 1,128 normal controls (NCs). Data were preprocessed locally with a standardized protocol prior to aggregated group analyses. We focused on functional connectivity (FC) within the default mode network (DMN), frequently reported to be increased in MDD. Instead, we found decreased DMN FC when we compared 848 patients with MDD to 794 NCs from 17 sites after data exclusion. We found FC reduction only in recurrent MDD, not in first-episode drug-naive MDD. Decreased DMN FC was associated with medication usage but not with MDD duration. DMN FC was also positively related to symptom severity but only in recurrent MDD. Exploratory analyses also revealed alterations in FC of visual, sensory-motor and dorsal attention networks in MDD. We confirmed the key role of DMN in MDD but found reduced rather than increased FC within the DMN. Future studies should test whether decreased DMN FC mediates response to treatment. Finally, all resting-state fMRI indices of data contributed by the REST-meta-MDD consortium are being shared publicly via the R-fMRI Maps Project.