Investigators in neuroscience have turned to Big Data to address replication and reliability issues by increasing sample sizes, statistical power, and representativeness of data. These efforts unveil new questions about integrating data arising from distinct sources and instruments. We focus on the most frequently assessed cognitive domain - memory testing - and demonstrate a process for reliable data harmonization across three common measures. We aggregated global raw data from 53 studies totaling N = 10,505 individuals. A mega-analysis was conducted using empirical bayes harmonization to remove site effects, followed by linear models adjusting for common covariates. A continuous item response theory (IRT) model estimated each individual's latent verbal learning ability while accounting for item difficulties. Harmonization significantly reduced inter-site variance while preserving covariate effects, and our conversion tool is freely available online. This demonstrates that large-scale data sharing and harmonization initiatives can address reproducibility and integration challenges across the behavioral sciences.

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.

Objective The long-term consequences of traumatic brain injury (TBI) on brain structure remain uncertain. In light of current evidence that even a single significant brain injury event increases the risk of dementia, brain-age estimation could provide a novel and efficient indexing of the long-term consequences of TBI. Brain-age procedures use predictive modeling to calculate brain-age scores for an individual using MRI data. Complicated mild, moderate and severe TBI (cmsTBI) is associated with a higher predicted (brain) age difference (PAD), but the progression of PAD over time remains unclear. Here we sought to examine whether PAD increases as a function of time since injury (TSI). Methods As part of the ENIGMA Adult Moderate and Severe (AMS)-TBI working group, we examine the largest TBI sample to date (n=343), along with controls, for a total sample size of 540, to reproduce and extend prior findings in the study of TBI brain age. T1w-MRI data were aggregated across 7 cohorts and brain age was established using a similar brain age algorithm to prior work in TBI. Results Findings show that PAD widens with longer TSI, and there was evidence for differences between sexes in PAD, with men showing more advanced brain age. We did not find evidence supporting a link between PAD and cognitive performance. Interpretation This work provides evidence that changes in brain structure after msTBI are dynamic, with an initial period of change, followed by relative stability, eventually leading to further changes in the decades after a single msTBI.

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

Abstract Annually, approximately 3 million children around the world experience traumatic brain injuries (TBIs), of which up to 20% are characterized as moderate to severe (msTBI) and/or have abnormal imaging findings. Affected children are vulnerable to long-term cognitive and behavioral dysfunction, as injury can disrupt or alter ongoing brain maturation. Post-injury outcomes are highly variable, and there is only limited understanding of how inter-individual differences in outcomes arise. Small sample sizes have also complicated efforts to better understand factors influencing the impact of TBI on the developing brain. White matter (WM) disruption is a critical aspect of TBI neuropathology and diffusion MRI (dMRI) is particularly sensitive to microstructural abnormalities. Here we present the results of a coordinated analysis of dMRI data across ten cohorts from three countries. We had three primary aims: (1) to characterize the nature and extent of WM disruption across key post-injury intervals (acute/subacute - within 2 months, post-acute - 2-6 months, chronic - 6+ months); (2) evaluate the impact of age and sex on WM in the context of injury; and (3) to examine associations between WM and neurobehavioral outcomes. Based on data from 507 children and adolescents (244 with complicated mild to severe TBI and 263 control children), we report widespread WM disruption across all post-injury intervals. As expected, injury severity was a significant contributor to the pattern and extent of WM degradation, but explained less variance in dMRI measures with increasing time since injury, supporting other research indicating that other factors contribute increasingly to outcomes over time. The corpus callosum appears to be particularly vulnerable to injury, an effect that persists years post-TBI. We also report sex differences in the effect of TBI on the uncinate fasciculus (UNC), a structure with a key role in emotion regulation. Females with a TBI had significantly lower fractional anisotropy (FA) in the UNC than those with no TBI, and this phenomenon was further associated with more frequent parent-reported behavioral problems as measured by the Child Behavior Checklist (CBCL). These effects were not detected in males. With future harmonization of imaging and neurocognitive data, more complex modeling of factors influencing outcomes will be possible and help to identify clinically-meaningful patient subtypes.