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 Objectives To investigate the timeframe prior to symptom onset when cortico-basal ganglia white matter (WM) loss begins in premanifest Huntington’s disease (preHD), and which striatal and thalamic sub-region WM tracts are most vulnerable. Methods We performed fixel-based analysis, which allows resolution of crossing WM fibres at the voxel level, on diffusion tractography derived WM tracts of striatal and thalamic sub-regions in two independent cohorts; TrackON-HD, which included 72 preHD (approx. 11 years before disease onset) and 85 controls imaged at three time points over two years; and the HD young adult study (HD-YAS), which included 54 preHD (approx. 25 years before disease onset) and 53 controls, imaged at one time point. Group differences in fibre density and cross section (FDC) were investigated. Results We found no significant group differences in cortico-basal ganglia sub-region FDC in preHD gene carriers 25 years before onset. In gene carriers 11 years before onset, there were reductions in striatal (limbic and caudal motor) and thalamic (premotor, motor and sensory) FDC at baseline, with no significant change over 2 years. Caudal motor-striatal, pre-motor-thalamic, and primary motor-thalamic FDC at baseline, showed significant correlations with the Unified Huntington’s disease rating scale (UHDRS) total motor score (TMS). Limbic cortico-striatal FDC and apathy were also significantly correlated. Conclusions Our findings suggest that the initiation of disease modifying therapies 25 years before onset could protect these important brain networks from undergoing neurodegeneration and highlight selectively vulnerable sub-regions of the striatum and thalamus that may be important targets for future therapies.

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.

Non-invasive methods, such as neurofeedback training (NFT), could support cognitive symptom management in Huntington’s disease (HD) by targeting brain regions whose function is impaired. The aim of our single-blind, sham-controlled study was to collect rigorous evidence regarding the feasibility of NFT in HD by examining two different methods, activity and connectivity real-time fMRI NFT. Thirty-two HD gene-carriers completed 16 runs of NFT training, using an optimized real-time fMRI protocol. Participants were randomized into four groups, two treatment groups, one receiving neurofeedback derived from the activity of the Supplementary Motor Area (SMA), and another receiving neurofeedback based on the correlation of SMA and left striatum activity (connectivity NFT), and two sham control groups, matched to each of the treatment groups. We examined differences between the groups during NFT training sessions and after training at follow-up sessions. Transfer of training was measured by measuring the participants’ ability to upregulate NFT target levels without feedback (near transfer), as well as by examining change in objective, a-priori defined, behavioural measures of cognitive and psychomotor function (far transfer) before and at 2 months after training. We found that the treatment group had significantly higher NFT target levels during the training sessions compared to the control group. However, we did not find robust evidence of better transfer in the treatment group compared to controls, or a difference between the two NFT methods. We also did not find evidence in support of a relationship between change in cognitive and psychomotor function and NFT learning success. We conclude that although there is evidence that NFT can be used to guide participants to regulate the activity and connectivity of specific regions in the brain, evidence regarding transfer of learning and clinical benefit was not robust. Although the intervention is non-invasive, given the costs and absence of reliable evidence of clinical benefit, we cannot recommend real-time fMRI NFT as a potential intervention in HD.

Cortical layer-specific ultra-high field MRI has the potential to provide anatomically precise biomarkers and mechanistic insights into neurodegenerative disease. Here we compare cortical layer-specificity for a 7T multi-parametric mapping (MPM) 500μm whole brain acquisition to the von Economo and Big Brain post-mortem histology atlases. We also investigate the relationship between 7T MPMs, layer-specific gene expression and Huntington’s disease related genes, using the Allen Human Brain atlas. Finally we link MPM cortical depth measures with white matter connections using high-fidelity diffusion tractography from a 300mT/m Connectom MRI system. We show that R2* across cortical depths is highly correlated with layer-specific cell number, cell staining intensity and gene expression. Furthermore white matter connections were highly correlated with grey matter R1 and R2* across cortical depths. These findings demonstrate the potential of combining 7T MPMs, gene expression and white matter connections to provide an anatomically precise framework for tracking neurodegenerative disease.