Atrial fibrillation (AF) is associated with an elevated risk of cognitive impairment and dementia. Understanding the cognitive sequelae and brain structural changes associated with AF is vital for addressing ensuing health care needs.

In this study, we aimed to compare imaging-based features of brain function, measured by resting-state fMRI (rsfMRI), with individual characteristics such as age, gender, and total intracranial volume to predict behavioral measures. We developed a machine learning framework based on rsfMRI features in a dataset of 20,000 healthy individuals from the UK Biobank, focusing on temporal complexity and functional connectivity measures. Our analysis across four behavioral phenotypes revealed that both temporal complexity and functional connectivity measures provide comparable predictive performance. However, individual characteristics consistently outperformed rsfMRI features in predictive accuracy, particularly in analyses involving smaller sample sizes. Integrating rsfMRI features with demographic data sometimes enhanced predictive outcomes. The efficacy of different predictive modeling techniques and the choice of brain parcellation atlas were also examined, showing no significant influence on the results. To summarize, while individual characteristics are superior to rsfMRI in predicting behavioral phenotypes, rsfMRI still conveys additional predictive value in the context of machine learning, such as investigating the role of specific brain regions in behavioral phenotypes.

Abstract Changes in spontaneous brain activity at rest provide rich information about behavior and cognition. The mathematical properties of resting-state functional magnetic resonance imaging (rsfMRI) are a depiction of brain function and are frequently used to predict cognitive phenotypes. Individual characteristics such as age, gender, and total intracranial volume (TIV) play an important role in predictive modeling of rsfMRI (for example, as “confounders” in many cases). It is unclear, however, to what extent rsfMRI carries independent information from the individual characteristics that is able to predict cognitive phenotypes. Here, we used predictive modeling to thoroughly examine the predictability of four cognitive phenotypes in 20,000 healthy UK Biobank subjects. We extracted common rsfMRI features of functional brain connectivity (FC) and temporal complexity (TC). We assessed the ability of these features to predict outcomes in the presence and absence of age, gender, and TIV. Additionally, we assessed the predictiveness of age, gender, and TIV only. We find TC and FC features to perform comparably with regard to predicting cognitive phenotypes. As compared to rsfMRI features, individual characteristics provide systematically better predictions with smaller sample sizes and, to some extent, in larger cohorts. It is also consistent across different levels of inherent temporal noise in rsfMRI. Our results suggest that when the objective is to perform cognitive predictions as opposed to understanding the relationship between brain and behavior, individual characteristics are more applicable than rsfMRI features.

The link between metabolic syndrome (MetS) and neurodegenerative as well cerebrovascular conditions holds substantial implications for brain health in at-risk populations. This study elucidates the complex relationship between metabolic syndrome (MetS) and brain health by conducting a comprehensive examination of cardiometabolic risk factors, cortical morphology, and cognitive function in 40,087 individuals. Multivariate, data-driven statistics identified a latent dimension linking more severe MetS to widespread cortical abnormalities and lower cognitive performance, accounting for up to 77% of shared variance in the data. This dimension was replicable across sub-samples. Our results also suggest that MetS-related cortical effects are shaped by the regional cellular composition and macroscopic brain network organization. By leveraging extensive, multi-domain data combined with a dimensional stratification approach, our analysis provides profound insights into the association of MetS and brain health. These findings underscore the necessity for effective risk mitigation strategies aimed at maintaining brain integrity.

Abstract Age-related cortical atrophy, approximated by cortical thickness measurements from magnetic resonance imaging, follows a characteristic pattern over the lifespan. Although its determinants remain unknown, mounting evidence demonstrates correspondence between the connectivity profiles of structural and functional brain networks and cortical atrophy in health and neurological disease. Here, we performed a cross-sectional multimodal neuroimaging analysis of 2633 individuals from a large population-based cohort to characterize the association between age-related differences in cortical thickness and functional as well as structural brain network topology. We identified a widespread pattern of age-related cortical thickness differences including “hotspots” of strong age effects located in brain areas with high centrality (structural network hubs). Regional age-related differences were furthermore strongly correlated within the structurally defined node neighborhood. The overall pattern of thickness differences as well as its change throughout the later lifespan was found to be anchored in the functional network hierarchy as encoded by macroscale functional connectivity gradients. Lastly, the identified difference pattern covaried significantly with cognitive and motor performance. Our findings indicate that connectivity profiles of functional and structural brain networks might act as organizing principles behind age-related cortical thinning as an imaging surrogate of cortical atrophy.