Marijuana (MJ) remains the most widely abused illicit substance in the United States, and in recent years, a decline in perceived risk of MJ use has been accompanied by a simultaneous increase in rates of use among adolescents.In the current study, we hypothesized that chronic MJ smokers would perform cognitive tasks, specifically those that require executive function more poorly than control subjects, and that individuals who started smoking MJ regularly prior to age 16 (early onset) would have more difficulty than those who started after age 16 (late onset).Thirty-four chronic, heavy MJ smokers separated into early and late onset groups and 28 non-MJ smoking controls completed a battery of neurocognitive measures.As hypothesized, MJ smokers performed more poorly than controls on several measures of executive function.Age of onset analyses revealed that these between-group differences were largely attributed to the early onset group, who were also shown to smoke twice as often and nearly three times as much MJ per week relative to the late onset smokers.Age of onset, frequency and magnitude of MJ use were all shown to impact cognitive performance.Findings suggest that earlier MJ onset is related to poorer cognitive function and increased frequency and magnitude of MJ use relative to later MJ onset.Exposure to MJ during a period of neurodevelopmental vulnerability, such as adolescence, may result in altered brain development and enduring neuropsychological changes.

Abstract Introduction Cortical thickness (CT) and surface area (SA) are established biomarkers of brain pathology in posttraumatic stress disorder (PTSD). Structural covariance networks (SCN) constructed from CT and SA may represent developmental associations, or unique interactions between brain regions, possibly influenced by a common causal antecedent. The ENIGMA-PGC PTSD Working Group aggregated PTSD and control subjects’ data from 29 cohorts in five countries (n=3439). Methods Using Destrieux Atlas, we built SCNs and compared centrality measures between PTSD subjects and controls. Centrality is a graph theory measure derived using SCN. Results Notable nodes with higher CT-based centrality in PTSD compared to controls were left fusiform gyrus, left superior temporal gyrus, and right inferior temporal gyrus. We found sex-based centrality differences in bilateral frontal lobe regions, left anterior cingulate, left superior occipital cortex and right ventromedial prefrontal cortex (vmPFC). Comorbid PTSD and MDD showed higher CT-based centrality in the right anterior cingulate gyrus, right parahippocampal gyrus and lower SA-based centrality in left insular gyrus. Conclusion Unlike previous studies with smaller sample sizes (≤318), our study found differences in centrality measures using a sample size of 3439 subjects. This is the first cross-sectional study to examine SCN interactions with age, sex, and comorbid MDD. Although limited to group level inferences, centrality measures offer insights into a node’s relationship to the entire functional connectome unlike approaches like seed-based connectivity or independent component analysis. Nodes having higher centrality have greater structural or functional connections, lending them invaluable for translational treatments like neuromodulation.

Large multi-site studies that pool magnetic resonance imaging (MRI) data across research sites or studies, or that utilize shared data from imaging repositories, present exceptional opportunities to advance neuroscience and enhance reproducibility of neuroimaging research. However, both scanner and site variability are confounds that hinder pooling data collected across different sites or across different operating systems on the same scanner, even when all acquisition protocols are harmonized. These confounds degrade statistical analyses and can lead to spurious findings. Unfortunately, methods to address this problem are scant. In this study, we propose a novel denoising approach for multi-site multimodal MRI data that implements a data-driven linked independent component analysis (LICA) to efficiently identify scanner/site-related effects for removal. Removing these effects results in denoised data that can then be combined across sites/studies to improve modality-specific statistical processing. We use data from six different studies collected on the same scanner across major hardware (gradient and head coil) and software upgrades to demonstrate our LICA-based denoising approach. The proposed method is superior compared to the existing methods we tested and has great potential for large-scale multi-site studies to produce combined data free from study/site confounds.

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