Abstract

 Background: The goal of this study was to examine the neuronal circuitry underlying dissociative responses to traumatic script-driven imagery in sexual-abuse-related posttraumatic stress disorder (PTSD). Pilot studies in our laboratory have shown that PTSD patients had very different responses to traumatic script-driven imagery. Approximately 70% of patients relived their traumatic experience and showed an increase in heart rate while recalling the traumatic memory (Lanius et al 2001). The other 30% of patients had a dissociative response with no concomitant increase in heart rate. This article focuses on the latter group. Methods: The neuronal circuitry underlying dissociative responses in PTSD was studied using the traumatic script-driven symptom provocation paradigm adapted to functional magnetic resonance imaging (fMRI) at a 4 Tesla field strength in 7 subjects with sexual-abuse-related PTSD and 10 control subjects. Results: Compared with control subjects, PTSD patients in a dissociative state showed more activation in the superior and middle temporal gyri (BA 38), the inferior frontal gyrus (BA 47), the occipital lobe (BA 19), the parietal lobe (BA 7), the medial frontal gyrus (BA 10), the medial cortex (BA 9), and the anterior cingulate gyrus (BA 24 and 32). Conclusions: These findings suggest that prefrontal and limbic structures underlie dissociative responses in PTSD. Differences observed clinically, psychophysiologically, and neurobiologically between patients who respond to traumatic script-driven imagery with dissociative versus nondissociative responses may suggest different neuronal mechanisms underlying these two distinct reactions.

The neuronal circuitry underlying posttraumatic stress disorder (PTSD) was studied in traumatized subjects with and without PTSD.Traumatized subjects with (N=9) and without (N=9) PTSD were studied by using the script-driven symptom provocation paradigm adapted to functional magnetic resonance imaging at a 4-T field strength.PTSD subjects showed significantly less activation of the thalamus, the anterior cingulate gyrus (Brodmann's area 32), and the medial frontal gyrus (Brodmann's area 10/11) than did the comparison subjects.The findings suggest anterior cingulate, frontal, and thalamic involvement in the neuronal circuitry underlying PTSD.

OBJECTIVE: This in vivo 1H magnetic resonance spectroscopy study examined levels of glutamate, glutamine, and N-acetylaspartate in patients experiencing their first episode of schizophrenia. METHOD: Localized in vivo 1H spectra were acquired at 4.0 T from the left anterior cingulate and thalamus of 21 never-treated patients with schizophrenia and 21 comparable healthy volunteers. RESULTS: The level of glutamine was significantly higher in the left anterior cingulate cortex and thalamus of the patients with schizophrenia than in the healthy subjects. No differences were found between groups in the levels of other metabolites in the anterior cingulate or thalamus. CONCLUSIONS: Higher than normal glutamine levels in the left anterior cingulate and thalamus provide in vivo evidence of greater than normal glutamatergic activity proposed by glutamatergic models of schizophrenia. In contrast to other studies in chronically ill patients, no differences were seen in the levels of N-acetylaspartate in either location, suggesting that the findings in patients with chronic schizophrenia may be related to the effect of medication or the progression of the illness.

A growing number of studies have examined alterations in white matter organization in people with posttraumatic stress disorder (PTSD) using diffusion MRI (dMRI), but the results have been mixed, which may be partially due to relatively small sample sizes among studies. Altered structural connectivity may be both a neurobiological vulnerability for, and a result of, PTSD. In an effort to find reliable effects, we present a multi-cohort analysis of dMRI metrics across 3,049 individuals from 28 cohorts currently participating in the PGC-ENIGMA PTSD working group (a joint partnership between the Psychiatric Genomics Consortium and the Enhancing NeuroImaging Genetics through Meta-Analysis consortium). Comparing regional white matter metrics across the full brain in 1,446 individuals with PTSD and 1,603 controls (2152 males/897 females) between ages 18-83, 92% of whom were trauma-exposed, we report associations between PTSD and disrupted white matter organization measured by lower fractional anisotropy (FA) in the tapetum region of the corpus callosum (Cohens d=-0.12, p=0.0021). The tapetum connects the left and right hippocampus, structures for which structure and function have been consistently implicated in PTSD. Results remained significant/similar after accounting for the effects of multiple potentially confounding variables: childhood trauma exposure, comorbid depression, history of traumatic brain injury, current alcohol abuse or dependence, and current use of psychotropic medications. Our results show that PTSD may be associated with alterations in the broader hippocampal network.

PTSD and depression commonly co-occur and have been associated with smaller hippocampal volumes compared to healthy and trauma-exposed controls. However, the hippocampus is heterogeneous, with subregions that may be uniquely affected in individuals with PTSD and depression. We used random effects regressions and a harmonized neuroimaging protocol based on FreeSurfer (v6.0) to identify sub-structural hippocampal markers of current PTSD (C-PTSD), depression, and the interaction of these conditions across 31 cohorts worldwide (N=3,115; Mage=38.9, SD=13.9 years). Secondary analyses tested these associations by sex and after modeling the simultaneous effects of remitted PTSD, childhood trauma, mild traumatic brain injury, and alcohol use disorder on hippocampal subfields. A significant negative main effect of depression (n=800, vs. no depression, n=1456) was observed in the hippocampal tail (beta=-0.13) and CA1 (beta=-0.09) after adjusting for covariates and multiple testing (FDR-adjusted p-values (q)=0.028). A main effect of C-PTSD (n=1042, vs. control, n=1359) was not significant, but an interaction between C-PTSD and depression was significant in the CA1 (beta=-0.24, q=0.044). Pairwise comparisons revealed significantly smaller CA1 volumes in individuals with C-PTSD+Depression than controls (beta=-0.12, q=0.012), C-PTSD-only (beta=-0.17, q=0.001), and Depression-only (beta=-0.18, q=0.023). Follow-up analyses revealed sex effects in the hippocampal tail of depressed females, and an interaction effect of C-PTSD and depression in the fimbria of males. Collectively our results suggest that depression is a stronger predictor of hippocampal volumetry than PTSD, particularly in the CA1, and provide compelling evidence of distinct and more pronounced hippocampal phenotypes in comorbid PTSD and depression compared to either condition alone.

Abstract Background Current clinical assessments of Posttraumatic stress disorder (PTSD) rely solely on subjective symptoms and experiences reported by the patient, rather than objective biomarkers of the illness. Recent advances in data-driven computational approaches have been helpful in devising tools to objectively diagnose psychiatric disorders. Here we aimed to classify individuals with PTSD versus controls using heterogeneous brain datasets from the ENIGMA-PGC PTSD Working group. Methods We analyzed brain MRI data from 3,527 structural-MRI; 2,502 resting state-fMRI; and 1,953 diffusion-MRI. First, we identified the brain features that best distinguish individuals with PTSD from controls (TEHC and HC) using traditional machine learning methods. Second, we assessed the utility of the denoising variational autoencoder (DVAE) and evaluated its classification performance. Third, we assessed the generalizability and reproducibility of both models using leave-one-site-out cross-validation procedure for each modality. Results We found lower performance in classifying PTSD vs. controls with data from over 20 sites (60% test AUC for s-MRI, 59% for rs-fMRI and 56% for d-MRI), as compared to other studies run on single-site data. The performance increased when classifying PTSD from HC without trauma history across all three modalities (75% AUC). The classification performance remained intact when applying the DVAE framework, which reduced the number of features. Finally, we found that the DVAE framework achieved better generalization to unseen datasets compared with the traditional machine learning frameworks, albeit performance was slightly above chance. Conclusion Our findings highlight the promise offered by machine learning methods for the diagnosis of patients with PTSD. The utility of brain biomarkers across three MRI modalities and the contribution of DVAE models for improving generalizability offers new insights into neural mechanisms involved in PTSD. Significance ⍰ Classifying PTSD from trauma-unexposed healthy controls (HC) using three imaging modalities performed well (∼75% AUC), but performance suffered markedly when classifying PTSD from trauma-exposed healthy controls (TEHC) using three imaging modalities (∼60% AUC). ⍰ Using deep learning for feature reduction (denoising variational auto-encoder; DVAE) dramatically reduced the number of features with no concomitant performance degradation. ⍰ Utilizing denoising variational autoencoder (DVAE) models improves generalizability across heterogeneous multi-site data compared with the traditional machine learning frameworks