Gilean McVean and colleagues report the results of a large-scale clinical genome sequencing project spanning a broad spectrum of disorders. They identify factors influencing successful genetic diagnosis and highlight the challenges of interpreting findings for genetically heterogeneous disorders. To assess factors influencing the success of whole-genome sequencing for mainstream clinical diagnosis, we sequenced 217 individuals from 156 independent cases or families across a broad spectrum of disorders in whom previous screening had identified no pathogenic variants. We quantified the number of candidate variants identified using different strategies for variant calling, filtering, annotation and prioritization. We found that jointly calling variants across samples, filtering against both local and external databases, deploying multiple annotation tools and using familial transmission above biological plausibility contributed to accuracy. Overall, we identified disease-causing variants in 21% of cases, with the proportion increasing to 34% (23/68) for mendelian disorders and 57% (8/14) in family trios. We also discovered 32 potentially clinically actionable variants in 18 genes unrelated to the referral disorder, although only 4 were ultimately considered reportable. Our results demonstrate the value of genome sequencing for routine clinical diagnosis but also highlight many outstanding challenges.

While computed tomography and other imaging techniques are measured in absolute units with physical meaning, magnetic resonance images are expressed in arbitrary units that are difficult to interpret and differ between study visits and subjects. Much work in the image processing literature on intensity normalization has focused on histogram matching and other histogram mapping techniques, with little emphasis on normalizing images to have biologically interpretable units. Furthermore, there are no formalized principles or goals for the crucial comparability of image intensities within and across subjects. To address this, we propose a set of criteria necessary for the normalization of images. We further propose simple and robust biologically motivated normalization techniques for multisequence brain imaging that have the same interpretation across acquisitions and satisfy the proposed criteria. We compare the performance of different normalization methods in thousands of images of patients with Alzheimer's disease, hundreds of patients with multiple sclerosis, and hundreds of healthy subjects obtained in several different studies at dozens of imaging centers.

Abstract Background and Purpose The presence of a paramagnetic rim around a white matter lesion has recently been shown to be a hallmark of a particular pathological type of multiple sclerosis (MS) lesion. Increased prevalence of these paramagnetic rim lesions (PRLs) is associated with a more severe disease course in MS. The identification of these lesions is time-consuming to perform manually. We present a method to automatically detect PRLs on 3T T2*-phase images. Methods T1-weighted, T2-FLAIR, and T2*-phase MRI of the brain were collected at 3T for 19 subjects with MS. The images were then processed with lesion segmentation, lesion center detection, lesion labelling, and lesion-level radiomic feature extraction. A total of 877 lesions were identified, 118 (13%) of which contained a paramagnetic rim. We divided our data into a training set (15 patients, 673 lesions) and a testing set (4 patients, 204 lesions). We fit a random forest classification model on the training set and assessed our ability to classify lesions as PRL on the test set. Results The number of PRLs per subject identified via our automated lesion labelling method was highly correlated with the gold standard count of PRLs per subject, r = 0.91 (95% CI [0.79, 0.97]). The classification algorithm using radiomic features can classify a lesion as PRL or not with an area under the curve of 0.80 (95% CI [0.67, 0.86]). Conclusion This study develops a fully automated technique for the detection of paramagnetic rim lesions using standard T1 and FLAIR sequences and a T2*phase sequence obtained on 3T MR images. Highlights A fully automated method for both the identification and classification of paramagnetic rim lesions is proposed. Radiomic features in conjunction with machine learning algorithms can accurately classify paramagnetic rim lesions. Challenges for classification are largely driven by heterogeneity between lesions, including equivocal rim signatures and lesion location.

Abstract Background and Purpose Chronic active multiple sclerosis (MS) lesions are characterized by a paramagnetic rim at the edge of the lesion and are associated with increased disability in patients. Quantitative susceptibility mapping (QSM) is an MRI technique that is sensitive to chronic active lesions, termed rim+ lesions on the QSM. We present QSMRim-Net, a data imbalance-aware deep neural network that fuses lesion-level radiomic and convolutional image features for automated identification of rim+ lesions on QSM. Methods QSM and T2-weighted-Fluid-Attenuated Inversion Recovery (T2-FLAIR) MRI of the brain were collected at 3T for 172 MS patients. Rim+ lesions were manually annotated by two human experts, followed by consensus from a third expert, for a total of 177 rim+ and 3986 rim negative (rim-) lesions. Our automated rim+ detection algorithm, QSMRim-Net, consists of a two-branch feature extraction network and a synthetic minority oversampling network to classify rim+ lesions. The first network branch is for image feature extraction from the QSM and T2-FLAIR, and the second network branch is a fully connected network for QSM lesion-level radiomic feature extraction. The oversampling network is designed to increase classification performance with imbalanced data. Results On a lesion-level, in a five-fold cross validation framework, the proposed QSMRim-Net detected rim+ lesions with a partial area under the receiver operating characteristic curve (pROC AUC) of 0.760, where clinically relevant false positive rates of less than 0.1 were considered. The method attained an area under the precision recall curve (PR AUC) of 0.704. QSMRim-Net out-performed other state-of-the-art methods applied to the QSM on both pROC AUC and PR AUC. On a subject-level, comparing the predicted rim+ lesion count and the human expert annotated count, QSMRim-Net achieved the lowest mean square error of 0.98 and the highest correlation of 0.89 (95% CI: 0.86, 0.92). Conclusion This study develops a novel automated deep neural network for rim+ MS lesion identification using T2-FLAIR and QSM images.

Abstract Motor recovery following ischemic stroke is contingent on the ability of surviving brain networks to compensate for damaged tissue. In rodent models, sensory and motor cortical representations have been shown to remap onto intact tissue around the lesion site, but remapping to more distal sites (e.g. in the contralesional hemisphere) has also been observed. Resting state functional connectivity (FC) analysis has been employed to study compensatory network adaptations in humans, but mechanisms and time course of motor recovery are not well understood. Here, we examine longitudinal FC in 23 first-episode ischemic pontine stroke patients (34-74 years old; 8 female, 15 male) and utilize a graph matching approach to identify patterns of regional functional connectivity reorganization during recovery. We quantified functional reorganization between several intervals ranging from 1 week to 6 months following stroke, and demonstrated that the areas that undergo functional reorganization most frequently are in cerebellar/subcortical networks. Brain regions with more structural connectome disruption due to the stroke also had more functional remapping over time. Finally, we show that the amount of functional reorganization between time points is correlated with the extent of motor recovery observed between those time points in the early to late subacute phases, and, furthermore, individuals with greater baseline motor impairment demonstrate more extensive early subacute functional reorganization (from one to two weeks post-stroke) and this reorganization correlates with better motor recovery at 6 months. Taken together, these results suggest that our graph matching approach can quantify recovery-relevant, whole-brain functional connectivity network reorganization after stroke.

Abstract Vestibular schwannomas (VS) are the most common tumor of the skull base with available treatment options that carry a risk of iatrogenic injury to the facial nerve, which can significantly impact patients’ quality of life. As facial nerve outcomes remain challenging to prognosticate, we endeavored to utilize machine learning to decipher predictive factors relevant to facial nerve outcomes following microsurgical resection of VS. A database of patient-, tumor- and surgery-specific features was constructed via retrospective chart review of 242 consecutive patients who underwent microsurgical resection of VS over a 7-year study period. This database was then used to train non-linear supervised machine learning classifiers to predict facial nerve preservation, defined as House-Brackmann (HB) I vs. facial nerve injury, defined as HB II–VI, as determined at 6-month outpatient follow-up. A random forest algorithm demonstrated 90.5% accuracy, 90% sensitivity and 90% specificity in facial nerve injury prognostication. A random variable (rv) was generated by randomly sampling a Gaussian distribution and used as a benchmark to compare the predictiveness of other features. This analysis revealed age, body mass index (BMI), case length and the tumor dimension representing tumor growth towards the brainstem as prognosticators of facial nerve injury. When validated via prospective assessment of facial nerve injury risk, this model demonstrated 84% accuracy. Here, we describe the development of a machine learning algorithm to predict the likelihood of facial nerve injury following microsurgical resection of VS. In addition to serving as a clinically applicable tool, this highlights the potential of machine learning to reveal non-linear relationships between variables which may have clinical value in prognostication of outcomes for high-risk surgical procedures.

Abstract Purpose To explore the relationship between the cerebral cortical perivascular space (PVS) and aging in non-active MS subjects by using the multi-echo T2 relaxometry based cerebrospinal fluid fraction (CSFF) map. Methods Multi-echo spiral T2 data from 111 subjects with non-active multiple sclerosis (MS) were retrospectively investigated by fitting the T2 data into a three-compartment model, the three water compartments including myelin water, intra-extracellular water, and cerebrospinal fluid. Segmentation of T1w image was performed to get the region of interest (ROI) in cerebral cortical regions. The white matter lesion segmentation was conducted using a convolutional neural network (CNN) based segmentation tool. The CSFF in the ROIs were correlated with age by controlling the gender, white matter hyperintensity lesion burden, and MS disease duration. Multiple linear models were created for the analysis of aging effect on the CSFF. Results The ROI analysis shows that the CSFF in the cerebral cortical regions (temporal, occipital, parietal, front, hippo, and mtl) are significantly linear increasing with age (p<0.01). The intra-extracellular water fraction (IEWF) in the ROIs are significantly linear decreasing (p<0.01). Conclusion The multi-echo T2 based three-compartment model can be used to quantify the CSFF. The linear increase of CSF water contents in the cerebral cortical regions indicates increased perivascular space load in cortex with aging. The quantification of CSFF may provide a way to understand the glymphatic clearance function in aging and neurodegenerations. Highlights MR T2 relaxometry is a valid method to quantify the cerebrospinal fluid fraction (CSFF) in cerebral cortical regions The CSFF in the cerebral cortical regions are positively correlated with age by controlling the white matter lesion load in non-active MS subjects. Quantification of cerebral CSFF may reflect the perivascular space load in cortex and better interpret the disease progression in neurodegenerative disease, such as MS.

We present a study of multiple sclerosis segmentation algorithms conducted at the international MICCAI 2016 challenge. This challenge was operated using a new open-science computing infrastructure. This allowed for the automatic and independent evaluation of a large range of algorithms in a fair and completely automatic manner. This computing infrastructure was used to evaluate thirteen methods of MS lesions segmentation, exploring a broad range of state-of-the-art algorithms, against a high-quality database of 53 MS cases coming from four centers following a common definition of the acquisition protocol. Each case was annotated manually by an unprecedented number of seven different experts. Results of the challenge highlighted that automatic algorithms, including the recent machine learning methods (random forests, deep learning, ...), are still trailing human expertise on both detection and delineation criteria. In addition, we demonstrate that computing a statistically robust consensus of the algorithms performs closer to human expertise on one score (segmentation) although still trailing on detection scores.

ABSTRACT Background and Purpose Our objective was to apply multi-compartment T2 relaxometry in cognitively normal individuals aged 20-80 years to study the effect of aging on the parenchymal cerebrospinal fluid fraction (CSFF), a measure of the microscopic-scale CSF space. Materials and Methods A total of 66 volunteers (age range, 22-80 years) were enrolled. Voxel-wise maps of short-T2 myelin water fraction (MWF), intermediate-T2 intra/extra-cellular water fraction (IEWF), and long-T2 CSFF were obtained using fast acquisition with spiral trajectory and adiabatic T2prep (FAST-T2) sequence and three-pool non-linear least squares fitting. Multiple linear regression analysis with correction for multiple comparisons was performed to study the association between age and regional MWF, IEWF, and CSFF measurements, adjusting for sex and region of interest (ROI) volume. The cerebral white matter (WM), cerebral cortex, and subcortical deep gray matter (GM) were considered as ROIs. In each model, a quadratic term for age was tested using an ANOVA test. A Spearman’s correlation between the normalized lateral ventricle volume, a measure of organ-level CSF space, and the regional CSFF, a measure of tissue-level CSF space, was computed. Results In the multiple regression analysis, we found a statistically significant quadratic relationship between age and regional CSFF for all three ROIs (all p-values < 0.001). A statistically significant quadratic relationship with age was also found for MWF in the deep GM (p = 0.004) and IEWF in the cortex (p = 0.012). There was a statistically significant linear relationship between age and regional IEWF in the cerebral WM (p = 0.006) and deep GM (p = 0.002). In the univariate correlation analysis, the normalized lateral ventricle volume was found to correlate moderately with the regional CSFF measurement in the cerebral WM (ρ = 0.43, p < 0.001), cortex (ρ = 0.43, p < 0.001), and deep GM (ρ = 0.49, p < 0.001). Conclusion Brain tissue water residing in different water compartments shows complex changing patterns with age. Parenchymal CSFF, a biomarker of microscopic-scale CSF-like water, shows a quadratic increase in both GM and WM, starting approximately at the age of 50.

Individuals with severe, undiagnosed developmental disorders (DDs) are enriched for damaging de novo mutations (DNMs) in developmentally important genes. We exome sequenced 4,293 families with individuals with DDs, and meta-analysed these data with published data on 3,287 individuals with similar disorders. We show that the most significant factors influencing the diagnostic yield of de novo mutations are the sex of the affected individual, the relatedness of their parents and the age of both father and mother. We identified 94 genes enriched for damaging de novo mutation at genome-wide significance (P < 7 x 10-7), including 14 genes for which compelling data for causation was previously lacking. We have characterised the phenotypic diversity among these genetic disorders. We demonstrate that, at current cost differentials, exome sequencing has much greater power than genome sequencing for novel gene discovery in genetically heterogeneous disorders. We estimate that 42% of our cohort carry pathogenic DNMs (single nucleotide variants and indels) in coding sequences, with approximately half operating by a loss-of-function mechanism, and the remainder resulting in altered-function (e.g. activating, dominant negative). We established that most haplo insufficient developmental disorders have already been identified, but that many altered-function disorders remain to be discovered. Extrapolating from the DDD cohort to the general population, we estimate that developmental disorders caused by DNMs have an average birth prevalence of 1 in 213 to 1 in 448 (0.22-0.47% of live births), depending on parental age.