Objective: Patients with depression show blunted amygdala hemodynamic activity to positive stimuli, including autobiographical memories. The authors examined the therapeutic efficacy of real-time functional MRI neurofeedback (rtfMRI-nf) training aimed at increasing the amygdala’s hemodynamic response to positive memories in patients with depression. Method: In a double-blind, placebo-controlled, randomized clinical trial, unmedicated adults with depression (N=36) were randomly assigned to receive two sessions of rtfMRI-nf either from the amygdala (N=19) or from a parietal control region not involved in emotional processing (N=17). Clinical scores and autobiographical memory performance were assessed at baseline and 1 week after the final rtfMRI-nf session. The primary outcome measure was change in score on the Montgomery-Åsberg Depression Rating Scale (MADRS), and the main analytic approach consisted of a linear mixed-model analysis. Results: In participants in the experimental group, the hemodynamic response in the amygdala increased relative to their own baseline and to the control group. Twelve participants in the amygdala rtfMRI-nf group, compared with only two in the control group, had a >50% decrease in MADRS score. Six participants in the experimental group, compared with one in the control group, met conventional criteria for remission at study end, resulting in a number needed to treat of 4. In participants receiving amygdala rtfMRI-nf, the percent of positive specific memories recalled increased relative to baseline and to the control group. Conclusions: rtfMRI-nf training to increase the amygdala hemodynamic response to positive memories significantly decreased depressive symptoms and increased the percent of specific memories recalled on an autobiographical memory test. These data support a role of the amygdala in recovery from depression.

Background Amygdala hemodynamic responses to positive stimuli are attenuated in major depressive disorder (MDD), and normalize with remission. Real-time functional MRI neurofeedback (rtfMRI-nf) offers a non-invasive method to modulate this regional activity. We examined whether depressed participants can use rtfMRI-nf to enhance amygdala responses to positive autobiographical memories, and whether this ability alters symptom severity. Methods Unmedicated MDD subjects were assigned to receive rtfMRI-nf from either left amygdala (LA; experimental group, n = 14) or the horizontal segment of the intraparietal sulcus (HIPS; control group, n = 7) and instructed to contemplate happy autobiographical memories (AMs) to raise the level of a bar representing the hemodynamic signal from the target region to a target level. This 40s Happy condition alternated with 40s blocks of rest and counting backwards. A final Transfer run without neurofeedback information was included. Results Participants in the experimental group upregulated their amygdala responses during positive AM recall. Significant pre-post scan decreases in anxiety ratings and increases in happiness ratings were evident in the experimental versus control group. A whole brain analysis showed that during the transfer run, participants in the experimental group had increased activity compared to the control group in left superior temporal gyrus and temporal polar cortex, and right thalamus. Conclusions Using rtfMRI-nf from the left amygdala during recall of positive AMs, depressed subjects were able to self-regulate their amygdala response, resulting in improved mood. Results from this proof-of-concept study suggest that rtfMRI-nf training with positive AM recall holds potential as a novel therapeutic approach in the treatment of depression.

Neurofeedback has begun to attract the attention and scrutiny of the scientific and medical mainstream. Here, neurofeedback researchers present a consensus-derived checklist that aims to improve the reporting and experimental design standards in the field.

Abstract Real-time fMRI neurofeedback is an increasingly popular neuroimaging technique that allows an individual to gain control over his/her own brain signals, which can lead to improvements in behavior in healthy participants as well as to improvements of clinical symptoms in patient populations. However, a considerably large ratio of participants undergoing neurofeedback training do not learn to control their own brain signals and, consequently, do not benefit from neurofeedback interventions, which limits clinical efficacy of neurofeedback interventions. As neurofeedback success varies between studies and participants, it is important to identify factors that might influence neurofeedback success. Here, for the first time, we employed a big data machine learning approach to investigate the influence of 20 different design-specific (e.g. activity vs. connectivity feedback), region of interest-specific (e.g. cortical vs. subcortical) and subject-specific factors (e.g. age) on neurofeedback performance and improvement in 608 participants from 28 independent experiments. With a classification accuracy of 60% (considerably different from chance level), we identified two factors that significantly influenced neurofeedback performance: Both the inclusion of a pre-training no-feedback run before neurofeedback training and neurofeedback training of patients as compared to healthy participants were associated with better neurofeedback performance. The positive effect of pre-training no-feedback runs on neurofeedback performance might be due to the familiarization of participants with the neurofeedback setup and the mental imagery task before neurofeedback training runs. Better performance of patients as compared to healthy participants might be driven by higher motivation of patients, higher ranges for the regulation of dysfunctional brain signals, or a more extensive piloting of clinical experimental paradigms. Due to the large heterogeneity of our dataset, these findings likely generalize across neurofeedback studies, thus providing guidance for designing more efficient neurofeedback studies specifically for improving clinical neurofeedback-based interventions. To facilitate the development of data-driven recommendations for specific design details and subpopulations the field would benefit from stronger engagement in Open Science and data sharing.

Abstract Objective In the interest of precision medicine, we sought to derive preclinical markers of neural mechanisms associated with treatment response in unipolar depression, separated by treatment type. Methods We conducted separate neuroimaging meta-analyses of neural predictors for response to Cognitive Behavioral Therapy (CBT) and Selective Serotonin Reuptake Inhibitors (SSRIs). We assessed whether reactivity of derived regions predicted clinical change in a preference trial of patients with major depressive disorder (MDD) who received CBT (n = 61) or SSRIs (n = 19). Results The meta-analyses yielded regions within the perigenual (pgACC) and subgenual anterior cingulate cortex (sgACC) associated with SSRI and CBT response, respectively. In our sample, reactivity of the sgACC region was prognostic for response to CBT, but neither cingulate region was prognostic for response to SSRIs using a linguistic task; most prognostic SSRI studies used images. An exploratory analysis revealed a pgACC region for which reactivity to images was prognostic for response to SSRIs. Conclusions Results suggest that neural reactivity of the sgACC and pgACC are associated with CBT and SSRI response for unipolar depression. Further research incorporating methodological considerations is necessary for translation.

Abstract Proponents of personalized medicine have promoted neuroimaging evaluation and treatment of major depressive disorder in three areas of clinical application: clinical prediction, outcome evaluation, and neurofeedback. Whereas psychometric considerations such as test-retest reliability are basic precursors to clinical adoption for most clinical instruments, they are often not considered for neuroimaging assessments. As an example, we consider functional magnetic resonance imaging (fMRI) of depression, a common and particularly well validated mechanistic technology for understanding disorder and guiding treatment. In this article, we review work on test-retest reliability for depression fMRI studies. We find that basic psychometrics have not been regularly attended to in this domain. For instance, no fMRI neurofeedback study has included measures of test-retest reliability despite the implicit assumption that brain signals are stable enough to train. We consider several factors that could be useful to aid clinical translation including 1) attending to how the BOLD response is parameterized, 2) identifying and promoting regions or voxels with stronger psychometric properties 3) accounting for within-individual changes (e.g., in symptomatology) across time and 4) focusing on tasks and clinical populations that are relevant for the intended clinical application. We apply these principles to published prognostic and neurofeedback data sets. The broad implication of this work is that attention to psychometrics is important for clinical adoption of mechanistic assessment, is feasible, and may improve the underlying science.

Major Depressive Disorder (MDD) poses a significant public health challenge due to its high prevalence and the substantial burden it places on individuals and healthcare systems. Real-time functional magnetic resonance imaging neurofeedback (rtfMRI-NF) shows promise as a treatment for this disorder, although its mechanisms of action remain unclear. This study investigated whole-brain response patterns during rtfMRI-NF training to explain interindividual variability in clinical efficacy in MDD. We analyzed data from 95 participants (67 active, 28 control) with MDD from previous rtfMRI-NF studies designed to increase left amygdala activation through positive autobiographical memory recall. Significant symptom reduction was observed in the active group (t=-4.404, d=-0.704, p<0.001) but not in the control group (t=-1.609, d=-0.430, p=0.111). However, left amygdala activation did not account for the variability in clinical efficacy. To elucidate the brain training process underlying the clinical effect, we examined whole-brain activation patterns during two critical phases of the neurofeedback procedure: activation during the self-regulation period, and transient responses to feedback signal presentations. Using a systematic process involving feature selection, manifold extraction, and clustering with cross-validation, we identified two subtypes of regulation activation and three subtypes of brain responses to feedback signals. These subtypes were significantly associated with the clinical effect (regulation subtype: F=8.735, p=0.005; feedback response subtype: F=5.326, p=0.008; subtypes' interaction: F=3.471, p=0.039). Subtypes associated with significant symptom reduction were characterized by selective increases in control regions, including lateral prefrontal areas, and decreases in regions associated with self-referential thinking, such as default mode areas. These findings suggest that large-scale brain activity during training is more critical for clinical efficacy than the level of activation in the neurofeedback target region itself. Tailoring neurofeedback training to incorporate these patterns could significantly enhance its therapeutic efficacy.

Neurofeedback training has been shown to influence behavior in healthy participants as well as to alleviate clinical symptoms in neurological, psychosomatic, and psychiatric patient populations. However, many real-time fMRI neurofeedback studies report large inter-individual differences in learning success. The factors that cause this vast variability between participants remain unknown and their identification could enhance treatment success. Thus, here we employed a meta-analytic approach including data from 24 different neurofeedback studies with a total of 401 participants, including 140 patients, to determine whether levels of activity in target brain regions during pre-training functional localizer or no-feedback runs (i.e., self-regulation in the absence of neurofeedback) could predict neurofeedback learning success. We observed a slightly positive correlation between pre-training activity levels during a functional localizer run and neurofeedback learning success, but we were not able to identify common brain-based success predictors across our diverse cohort of studies. Therefore, advances need to be made in finding robust models and measures of general neurofeedback learning, and in increasing the current study database to allow for investigating further factors that might influence neurofeedback learning.