Abstract Combining data collected from multiple study sites is becoming common and is advantageous to researchers to increase the generalizability and replicability of scientific discoveries. However, at the same time, unwanted inter-scanner biases are commonly observed across neuroimaging data collected from multiple study sites or scanners, rendering difficulties in integrating such data to obtain reliable findings. While several methods for handling such unwanted variations have been proposed, most of them use univariate approaches that could be too simple to capture all sources of scanner-specific variations. To address these challenges, we propose a novel multivariate harmonization method, called RELIEF ( RE moval of L atent I nter-scanner E ffects through F actorization) for estimating and removing both explicit and latent scanner effects. Our method is the first approach to introduce the simultaneous dimension reduction and factorization of interlinked matrices to a data harmonization context, which provides a new direction in methodological research for correcting inter-scanner biases. Analyzing diffusion tensor imaging (DTI) data from the Social Processes Initiative in Neurobiology of the Schizophrenia (SPINS) study and conducting extensive simulation studies, we show that RELIEF outperforms existing harmonization methods in mitigating inter-scanner biases and retaining biological associations of interest to increase statistical power. RELIEF is publicly available as an R package.

Transcranial magnetic stimulation (TMS) treatment response is influenced by individual variability in brain structure and function. Sophisticated, user-friendly approaches, incorporating both established functional magnetic resonance imaging (fMRI) and TMS simulation tools, to identify TMS targets are needed.

Background: Individuals with schizophrenia spectrum disorders (SSD) often demonstrate cognitive impairments, associated with poor functional outcomes. While neurobiological heterogeneity has posed challenges when examining social cognition in SSD, it provides a unique opportunity to explore brain-behavior relationships. We examined the relationship between behavioral data and individual variability of functional connectivity at rest and during an emotional-processing task. Methods: Neuroimaging and behavioral data were analyzed for 193 individuals with SSD and 155 controls (total n = 348). Individual variability was quantified through mean correlational distance (MCD) of functional connectivity between participants; MCD was defined as a global "variability score". Hierarchical regressions were performed on variability scores derived from resting state and Empathic Accuracy (EA) task functional connectivity data to determine potential predictors (e.g., age, sex, neurocognitive and social cognitive scores) of individual variability. Results: SSD showed greater MCD during rest (p = 0.00013) and task (p = 0.022). In the hierarchical regression, diagnosis remained significant when social cognition was included during rest (p = 0.008), but not during task (p = 0.50); social cognition was significant during both rest and task (both p = 0.01). Conclusions: Diagnostic differences were more prevalent during unconstrained resting scans, whereas the task pushed participants into a more common pattern which better emphasized transdiagnostic differences in cognitive abilities. Focusing on variability may provide new opportunities for interventions targeting specific cognitive impairments to improve functional outcomes.

In neuroimaging studies, combining data collected from multiple study sites or scanners is becoming common to increase the reproducibility of scientific discoveries. At the same time, unwanted variations arise by using different scanners (inter-scanner biases), which need to be corrected before downstream analyses to facilitate replicable research and prevent spurious findings. While statistical harmonization methods such as ComBat have become popular in mitigating inter-scanner biases in neuroimaging, recent methodological advances have shown that harmonizing heterogeneous covariances results in higher data quality. In vertex-level cortical thickness data, heterogeneity in spatial autocorrelation is a critical factor that affects covariance heterogeneity. Our work proposes a new statistical harmonization method called SAN (Spatial Autocorrelation Normalization) that preserves homogeneous covariance vertex-level cortical thickness data across different scanners. We use an explicit Gaussian process to characterize scanner-invariant and scanner-specific variations to reconstruct spatially homogeneous data across scanners. SAN is computationally feasible, and it easily allows the integration of existing harmonization methods. We demonstrate the utility of the proposed method using cortical thickness data from the Social Processes Initiative in the Neurobiology of the Schizophrenia(s) (SPINS) study. SAN is publicly available as an R package.

Abstract Functional impairments contribute to poor quality of life in schizophrenia spectrum disorders (SSD). We sought to (Objective I ) define the main functional phenotypes in SSD, then (Objective II ) identify key biopsychosocial correlates, emphasizing interpretable data-driven methods. Objective I was tested on independent samples: Dataset I ( N = 282) and Dataset II ( N = 317), with SSD participants who underwent assessment of multiple functioning areas. Participants were clustered based on functioning. Objective II was evaluated in Dataset I by identifying key features for classifying functional phenotype clusters from among 65 sociodemographic, psychological, clinical, cognitive, and brain volume measures. Findings were replicated across latent discriminant analyses (LDA) and one-vs.-rest binomial regularized regressions to identify key predictors. We identified three clusters of participants in each dataset, demonstrating replicable functional phenotypes: Cluster 1 —poor functioning across domains; Cluster 2 —impaired Role Functioning , but partially preserved Independent and Social Functioning ; Cluster 3 —good functioning across domains. Key correlates were Avolition, anhedonia, left hippocampal volume , and measures of emotional intelligence and subjective social experience. Avolition appeared more closely tied to role functioning , and anhedonia to independent and social functioning . Thus, we found three replicable functional phenotypes with evidence that recovery may not be uniform across domains. Avolition and anhedonia were both critical but played different roles for different functional domains. It may be important to identify critical functional areas for individual patients and target interventions accordingly.

Abstract Fractional amplitude of low-frequency fluctuation (fALFF) is a validated measure of resting-state spontaneous brain activity. Previous fALFF findings in autism and schizophrenia spectrum disorders (ASDs and SSDs) have been highly heterogeneous. We aimed to use fALFF in a large sample of typically developing control (TDC), ASD and SSD participants to explore group differences and relationships with inter-individual variability of fALFF maps and social cognition. fALFF from 495 participants (185 TDC, 68 ASD, and 242 SSD) was computed using functional magnetic resonance imaging as signal power within two frequency bands (i.e., slow-4 and slow-5), normalized by the power in the remaining frequency spectrum. Permutation analysis of linear models was employed to investigate the relationship of fALFF with diagnostic groups, higher-level social cognition, and lower-level social cognition. Each participant’s average distance of fALFF map to all others was defined as a variability score, with higher scores indicating less typical maps. Lower fALFF in the visual and higher fALFF in the frontal regions were found in both SSD and ASD participants compared with TDCs. Limited differences were observed between ASD and SSD participants in the cuneus regions only. Associations between slow-4 fALFF and higher-level social cognitive scores across the whole sample were observed in the lateral occipitotemporal and temporoparietal junction. Individual variability within the ASD and SSD groups was also significantly higher compared with TDC. Similar patterns of fALFF and individual variability in ASD and SSD suggest some common neurobiological deficits across these related heterogeneous conditions.