Abstract Brain age is a widely used index for quantifying individuals’ brain health as deviation from a normative brain aging trajectory. Higher than expected brain age is thought partially to reflect above-average rate of brain aging. We explicitly tested this assumption in two large datasets and found no association between cross-sectional brain age and steeper brain decline measured longitudinally. Rather, brain age in adulthood was associated with early-life influences indexed by birth weight and polygenic scores. The results call for nuanced interpretations of cross-sectional indices of the aging brain and question their validity as markers of ongoing within-person changes of the aging brain. Longitudinal imaging data should be preferred whenever the goal is to understand individual change trajectories of brain and cognition in aging.

Abstract Introduction Brain age, the estimation of a person’s age from magnetic resonance imaging (MRI) parameters, has been used as a general indicator of health. The marker requires however further validation for application in clinical contexts. Here, we show how brain age predictions perform for for the same individual at various time points and validate our findings with age-matched healthy controls. Methods We used densly sampled T1-weighted MRI data from four individuals (from two datasets) to observe how brain age corresponds to age and is influenced by acquision and quality parameters. For validation, we used two cross-sectional datasets. Brain age was predicted by a pre-trained deep learning model. Results We find small within-subject correlations between age and brain age. We also find evidence for the influence of field strength on brain age which replicated in the cross-sectional validation data, and inconclusive effects of scan quality. Conclusion The absence of maturation effects for the age range in the presented sample, brain age model-bias (including training age distribution and field strength) and model error are potential reasons for small relationships between age and brain age in longitudinal data. Future brain age models should account for differences in field strength and intra-individual differences.

Throughout adulthood and ageing our brains undergo structural loss in an average pattern resembling faster atrophy in Alzheimer's disease (AD). Using a longitudinal adult lifespan sample (aged 30-89; 2–7 timepoints) and four polygenic scores for AD, we show that change in AD-sensitive brain features correlates with genetic AD-risk and memory decline in healthy adults. We first show genetic risk links with more brain loss than expected for age in early Braak regions, and find this extends beyond APOE genotype. Next, we run machine learning on AD-control data from the Alzheimer's Disease Neuroimaging Initiative using brain change trajectories conditioned on age, to identify AD-sensitive features and model their change in healthy adults. Genetic AD-risk linked with multivariate change across many AD-sensitive features, and we show most individuals over age ~50 are on an accelerated trajectory of brain loss in AD-sensitive regions. Finally, high genetic risk adults with elevated brain change showed more memory decline through adulthood, compared to high genetic risk adults with less brain change. Our findings suggest quantitative AD risk factors are detectable in healthy individuals, via a shared pattern of ageing- and AD-related neurodegeneration that occurs along a continuum and tracks memory decline through adulthood. This study shows that among healthy adults tracked across their lives, brain atrophy rates correlate with genetic risk for Alzheimer's and memory decline, and that degeneration in Alzheimer's-vulnerable brain regions is a continuous phenomenon.

Across healthy adult life our brains undergo gradual structural change in a pattern of atrophy that resembles accelerated brain changes in Alzheimer9s disease (AD). Here, using four polygenic risk scores for AD (PRS-AD) in a longitudinal adult lifespan sample aged 30 to 89 years (2-7 timepoints), we show that healthy individuals who lose brain volume faster than expected for their age, have a higher genetic AD risk. We first demonstrate PRS-AD associations with change in early Braak regions, namely hippocampus, entorhinal cortex, and amygdala, and find evidence these extend beyond that predicted by APOE genotype. Next, following the hypothesis that brain changes in ageing and AD are largely shared, we performed machine learning classification on brain change trajectories conditional on age in longitudinal AD patient-control data, to obtain a list of AD-accelerated features and model change in these in adult lifespan data. We found PRS-AD was associated with a multivariate marker of accelerated change in many of these features in healthy adults, and that most individuals above ~50 years of age are on an accelerated change trajectory in AD-accelerated brain regions. Finally, high PRS-AD individuals also high on a multivariate marker of change showed more adult lifespan memory decline, compared to high PRS-AD individuals with less brain change. Our results support a dimensional account linking normal brain ageing with AD, suggesting AD risk genes speed up the shared pattern of ageing- and AD-related neurodegeneration that starts early, occurs along a continuum, and tracks memory change in healthy adults.

The cerebellum has been linked to motor coordination, cognitive and affective processing, in addition to a wide range of clinical illnesses. To enable robust quantification of individual cerebellar anatomy relative to population norms, we mapped the normative development and aging of the cerebellum across the lifespan using brain scans of > 54k participants. We estimated normative models at voxel-wise spatial precision, enabling integration with cerebellar atlases. Applying the normative models in independent samples revealed substantial heterogeneity within five clinical illnesses: autism spectrum disorder, mild cognitive impairment, Alzheimer′s disease, bipolar disorder, and schizophrenia. Notably, individuals with autism spectrum disorder and mild cognitive impairment exhibited increased numbers of both positive and negative extreme deviations in cerebellar anatomy, while schizophrenia and Alzheimer′s disease predominantly showed negative deviations. Finally, extreme deviations were associated with cognitive scores. Our results provide a voxel-wise mapping of cerebellar anatomy across the human lifespan and clinical illnesses, demonstrating cerebellum9s nuanced role in shaping human neurodiversity across the lifespan and in different clinical illnesses.

There is a broad interest in deploying deep learning-based classification algorithms to identify individuals with Alzheimer's disease (AD) from healthy controls (HC) based on neuroimaging data, such as T1-weighted Magnetic Resonance Imaging (MRI). The goal of the current study is to investigate whether modern, flexible architectures such as EfficientNet provide any performance boost over more standard architectures.

Abstract Linking the developing brain with individual differences in clinical and demographic traits is challenging due to the substantial interindividual heterogeneity of brain anatomy and organization. Here we employ a novel approach that parses individual differences in both cortical thickness and common genetic variants, and assess their effects on a wide set of childhood traits. The approach uses a linear mixed model framework to obtain the unique effects of each type of similarity, as well as their covariance, with the assumption that similarity in cortical thickness may in part be driven by similarity in genetic variants. We employ this approach in a sample of 7760 unrelated children in the ABCD cohort baseline sample (mean age 9.9, 46.8% female). In general, significant associations between cortical thickness similarity and traits were limited to anthropometrics such as height (r 2 = 0.11, SE = 0.01), weight (r 2 = 0.12, SE = 0.01), and birth weight (r 2 = 0.19, SE = 0.01), as well as markers of socioeconomic status such as local area deprivation (r 2 = 0.06, SE = 0.01). Analyses of the contribution from common genetic variants to traits revealed contributions across included outcomes, albeit somewhat lower than previous reports, possibly due to the young age of the sample. No significant covariance of the effects of genetic and cortical thickness similarity was found. The present findings highlight the connection between anthropometrics as well as socioeconomic factors and the developing brain, which appear to be independent from individual differences in common genetic variants in this population-based sample. The approach provides a promising framework for analyses of neuroimaging genetics cohorts, which can be further expanded by including imaging derived phenotypes beyond cortical thickness.