颅内动脉瘤风险分层的放射基因组学评估:一项先导研究
这项先导研究纳入16个颅内动脉瘤,结合动脉瘤壁强化(AWE)的影像组学特征与全血RNA测序的差异表达基因,分别以症状状态和PHASES评分定义高风险。结果显示差异表达基因及放射基因组学特征在高、低风险组间的分离优于单独影像组学特征,且部分影像组学特征与基因表达显著相关。
要点
- 症状性动脉瘤在增强后MRI上表现为较低的GLDM小依赖强调和GLSZM小区域强调,以及较高的GLSZM区域不均匀性、区域百分比和NGTDM复杂度。
- PHASES≥6的高风险动脉瘤在增强前后差异影像组学上表现为较低的簇突出度和较高的GLRLM、GLSZM不均匀性。
- 主成分分析与聚类分析中,差异表达基因及放射基因组学特征的组间分离优于单独影像组学特征(症状状态:轮廓系数0.364和0.356 vs. 0.172;PHASES:0.259和0.246 vs. 0.120)。
核心结论
- 放射基因组学方法可能有助于改善颅内动脉瘤的风险分层,差异表达基因及放射基因组学特征在高、低风险组间的分离优于单独影像组学特征。
研究设计与样本
- 先导研究,纳入16个颅内动脉瘤(3例症状性 vs. 13例无症状;PHASES≥6者4例 vs. PHASES<6者12例),采用3T MRI(Ingenia Elition 3.0 X,Philips)行时间飞跃法、增强前3D T1及注射钆布醇(0.1 mL/kg)后5分钟增强3D T1扫描,并以全血RNA测序获取差异表达基因。
关键影像表现/征象
- 症状性动脉瘤在增强后MRI上具有较低的GLDM小依赖强调和GLSZM小区域强调,在增强前后差异影像组学上具有较高的GLSZM区域不均匀性、GLSZM区域百分比和NGTDM复杂度。
- PHASES≥6的高风险动脉瘤在增强前后差异影像组学上具有较低的簇突出度和较高的GLRLM、GLSZM不均匀性。
- 症状状态分析中,增强前后最大信号强度差与MYO18B基因正相关(PCC=0.709,p=0.002)、与LMCD1基因正相关(PCC=0.560,p=0.019),增强后GLDM小依赖强调与LMCD1负相关(PCC=−0.643,p=0.007)。
诊断标准与关键数值
- 症状状态:采血时出现严重头痛或视物模糊且在就诊两周内者归为症状性。
- PHASES评分≥6定义为高风险动脉瘤。
- 症状状态分析中,12个影像组学特征和97个基因在高、低风险组间显著不同(影像组学特征p值<0.05;差异表达基因fold-change>2、p值<0.01)。
- PHASES分析中,6个影像组学特征和38个差异表达基因显著不同。
临床应用与阅片要点
- 症状状态主成分分析中,单独影像组学特征、单独差异表达基因及放射基因组学特征的类中心距离分别为3.29、14.85和15.22,轮廓系数分别为0.172、0.364和0.356。
- PHASES分析主成分分析中,单独影像组学特征、单独差异表达基因及放射基因组学特征的类中心距离分别为1.51、7.34和7.51,轮廓系数分别为0.120、0.259和0.246。
- 症状状态分析中7个独特影像组学特征与38个差异表达基因相关,PHASES分析中3个独特影像组学特征与5个独特差异表达基因相关。
局限性
- 本研究为先导研究,样本量小(16个颅内动脉瘤),影像组学特征采用非参数Mann-Whitney U检验并以Benjamini Hochberg校正计算q值。
全文中译13 节 · 点击展开
引言
颅内动脉瘤(IAs)是脑部膨出物,一旦破裂具有高死亡率和致残率[1, 2]。准确及时的风险分层对IA的管理至关重要[3]。目前基于大小的IA风险评估并不理想,因为所有破裂IA中有50%小于5mm[4]。为此,动脉瘤壁强化(AWE)已成为识别高风险IA的潜在影像生物标志物[5, 6]。事实上,研究表明,表现为AWE的IA具有更高程度的局部壁炎症、血管滋养管的存在及新生血管形成,这些均提示IA的不稳定性和破裂风险[7–9]。然而,纵向研究表明,尽管AWE在识别生长性IA方面具有高敏感性,但其特异性较低[10]。Larson等人最近的一项荟萃分析显示,AWE的阴性预测值为96%,但阳性预测值仅为14.4%11。因此,将AWE与不同模态的生物标志物相结合有助于提高其在风险分层中的性能。
“影像基因组学”是一种通过结合影像组学和基因组学来提高生物标志物诊断性能的潜在方法[12]。影像基因组学的核心理念是将能够提供分子层面信息的基因组学与反映疾病局部病理生物学表现的基于影像的影像组学相融合[13]。近期研究已将影像基因组学流程应用于疾病预后和风险分层,尤其是在肿瘤学研究中。例如,Chaddad等人的一项研究报道,使用影像基因组学方法预测IDH1野生型胶质母细胞瘤患者结局时具有更高的性能[14]。同样,Zeng等人的另一项研究使用影像基因组学预测透明细胞肾细胞癌的总生存期,他们观察到多组学模型的预测性能较传统影像组学模型有所提高[15]。这些研究强调了与单模态分析相比,使用联合多模态方法进行临床风险分层的实用性。
在本研究中,我们旨在探索影像基因组学在一个小型IA队列风险分层中的潜在效用。为此,我们将使用先前开发的AWE定量流程获得的影像组学特征与通过全血RNA测序获得的转录组学数据相结合。使用两种不同的风险指标来定义高风险IA。然后,我们评估了单独影像组学、单独基因组学及其联合在识别高风险IA中的性能。
方法
患者人群和动脉瘤特征
本研究经布法罗大学人体研究机构审查委员会批准(STUDY030474433)。如先前所述[16],于2021年至2023年间从在Gates血管研究所(纽约州布法罗)接受血管造影成像的患者中采集血样和血管壁MRI扫描。分析仅纳入尺寸大于2 mm且具有增强前和增强后成像的囊状颅内动脉瘤(IA)。我们进一步排除了夹层IA、梭形IA、存在采集伪影的IA以及位于颈内动脉(ICA)海绵窦段的IA[17]。对于有多发IA的患者,仅纳入电子健康记录中记录的症状性IA进行进一步分析。人口统计学和合并症信息从患者病历中获得。IA根据以下标准分为高风险或低风险动脉瘤:(1)基于采血时患者的症状,(2)基于PHASES评分。就诊后两周内出现严重头痛或视力模糊的患者被归类为症状性患者[18]。此外,我们计算了每个IA的PHASES作为次要风险指标,PHASES ≥ 6的IA被归类为高风险IA[19]。所有IA的尺寸和尺寸比使用先前所述的内部MATLAB代码计算[20]。
图像采集与影像组学
患者特异性血管壁成像按先前所述方法进行[21]。简言之,使用3 T MRI扫描仪(Ingenia Elition 3.0 X,Philips healthcare)在给予钆对比剂(钆布醇,0.1 mL/kg)五分钟后采集飞行时间、增强前3D T1和增强后3D T1扫描。随后将匿名化DICOM文件导入3D Slicer以生成IA壁的3D分割[6]。使用pyradiomics软件包从增强前T1和增强后T1的动脉瘤壁中提取影像组学特征,方法如先前所述[6, 22]。用于特征提取的参数文件已在GitHub上公开(pyRadiomics_Aneurysm-extraction)。提取的影像组学特征包括基于形状的特征、一阶特征和纹理特征[23]。此外,还计算了增强前和增强后MRI一阶特征之间的差值作为特征使用。每个病例共提取293个影像组学特征。
RNA测序与分析
为进行测序,使用 Illumina TruSeq 链特异性总 RNA 金标试剂盒(Illumina,圣迭戈,加利福尼亚州)制备 RNA 文库。所有样本在 Illumina NovaSeq6000 或 HiSeq2500 系统(Illumina)上分两批进行 RNAseq。样本使用 Bcl2Fastq 进行去 Multiplex。由 NovaSeq6000 生成的每周期碱基识别文件使用 bclfastq 版本 2.20.0.422 以默认参数转换为预读取 FASTQ 文件。测序质量使用 FastQC v.0.11.5 进行审核。潜在污染使用 FastQ Screen v.0.11.1 检测。基因组比对使用 HISAT2 v.2.1.0 以默认参数进行。参考基因组和基因注释集使用美国国家生物技术信息中心(NCBI)参考 GRCh38。序列比对使用 samtools v.1.3 压缩并排序为二进制比对图文件。基因组特征的比对读数使用 Subread featureCounts v.1.6.2 以参数‘-s’2、‘-g’gene_id、‘-t’exon、‘-Q’60 进行计数;使用‘-a’指定的注释文件为来自 Illumina iGenomes 的 NCBI GRCh38 参考。本研究的整个流程如图 1 所示。
影像基因组学分析
对于影像特征,我们进行单变量分析,使用症状状态和 PHASES 评分来识别高风险和低风险 IAs 之间显著不同的 RFs。由于样本量较小,RFs 使用非参数 Mann-Whitney U 检验进行检验。为考虑多重检验,我们使用 Benjamini Hochberg 校正进行错误发现率(FDR)校正以计算修正 p 值(q 值)。此外,为量化效应量,我们计算了所有 RFs 的带偏倚校正的 Hedge‘s G。所有统计分析均使用 python 中的 SciPy 包进行 [24]。
对于基因表达特征,我们使用R对RNA测序数据进行差异表达分析。我们将数据集过滤为在至少50%的样本中表达>0的转录本以及对应于蛋白编码基因的转录本。该缩减后的数据集与edgeR包一起用于识别症状性和无症状性颅内动脉瘤(IAs)之间的差异表达基因(DEGs)。使用广义线性模型检验差异表达。p值<0.01且倍数变化>2的基因被认为具有显著性。对于所选基因,我们计算了Benjamini Hochberg校正后的q值,并使用Hedge‘s G计算了效应量。该过程在PHASES分析中重复进行。我们进一步使用gProfiler检查了症状性和PHASES分析中下调和上调DEGs相关的生物学过程和分子功能,考虑p值<0.05的那些。我们还使用Ingenuity Pathway Analysis(IPA)软件研究了DEGs的生物学意义。|z-score|≥1的通路被认为具有显著性。|z-score|≥2的上游调控因子被预测为受抑制/激活。IPA还用于基于DEGs的基因相互作用构建网络。p-score≥21的网络被认为具有显著性。
我们评估了所有显著不同的RF与两种风险指标的DEGs归一化基因表达水平之间的共线性,消除了所有具有高相关性(Pearson相关系数>0.9)的特征。为了可视化这些特征如何区分高风险和低风险IA病例,我们分别仅使用最终的非共线性显著不同RF集、仅DEGs以及两者的组合进行了主成分分析(PCA)和层次聚类分析。为了量化使用所有三种信息模式的PCA的有效性,我们计算了簇间距离以及轮廓分数[25]。我们首先通过去除每个特征的均值并使用单位标准差对所有RF和DEGs进行归一化,然后使用SciKit Learn包[26]计算主成分和每个成分的解释方差。然后我们使用Broad Institute的在线工具Morpheus(https://software.broadinstitute.org/morpheus)对RF和DEGs进行层次聚类。我们对所有特征进行了z-score归一化,并使用1-PCC作为层次聚类的度量。最后,我们使用Pearson相关系数和Wald检验评估了两种风险指标中显著不同的RF与DEGs之间的潜在相关性。
结果
患者人群和动脉瘤特征
我们的队列由16例颅内动脉瘤(IAs)患者组成,其中3例有症状,4例PHASES评分≥6,我们将其视为高风险。通过对患者信息和动脉瘤特征进行单变量分析(连续特征采用Mann-Whitney检验,二项特征采用卡方检验),我们观察到有症状的患者更年轻、IAs更小,且IAs多位于后循环或前交通动脉(AComm),尽管这些差异均无统计学意义。相反,我们观察到根据PHASES评分定义为高风险的患者年龄更大,IAs更大且位于大脑中动脉和后循环(补充表1)。高风险组的IAs还具有统计学显著更高的纵横比(p = 0.039)。
高风险与低风险动脉瘤之间的影像组学分析
共有12个影像组学特征(RFs)在有症状与无症状IAs之间具有显著差异(补充表2),Hedge's G效应量范围为0.820至1.657。其中,4个来源于增强后MRI,8个来源于增强前与增强后MRI之间的差值。我们观察到,有症状的IAs在增强后MRI中具有较低的灰度依赖矩阵(GLDM)小依赖强调和灰度尺寸区域矩阵(GLSZM)小区域强调。此外,它们在增强前与增强后MRI之间的差值中具有较高的GLSZM尺寸区域非均匀性、GLSZM区域百分比和邻域灰度差矩阵(NGTDM)复杂度。
在基于PHASES的风险评估中,我们观察到有6个显著不同的影像组学特征,均基于增强前与增强后MRI之间的差值,Hedge's G效应量范围为0.33至1.56。高风险IAs的特征在于增强后与增强前影像组学差值中较低的聚类突出度,以及较高的灰度游程矩阵(GLRLM)和GLSZM非均匀性(补充表3)。所检查的两种分类(症状状态和PHASES)之间没有共同的显著RFs,因为两种风险指标之间没有共同病例。
高风险与低风险动脉瘤之间的差异表达分析
我们首先检查了有症状与无症状IAs的差异表达。在去除低表达基因并限定为蛋白编码基因后,我们获得了13,348个基因的数据集。我们鉴定出97个符合差异表达标准的基因(p值< 0.01,倍数变化> 2)。其中,57个基因在有症状组中表达降低,40个基因表达升高(补充表4)。没有本体论与表达降低的基因相关,但表达升高的基因反映了对II型干扰素、细胞因子、肽以及其他生物体防御反应的响应。在我们使用IPA的分析中,巨噬细胞经典激活信号通路是唯一预测激活的通路。有10个显著的上游调控因子,其中3个被抑制。多个激活的上游调控因子为细胞因子,即TNF、IFNA2和IFNB1。此外,基于与DEG集的连接构建了6个显著网络。如图2A所示,排名第一的网络反映了以TGF-beta、胶原蛋白和MMP为中心的信号传导。
在PHASES分析中,我们从一个包含13,177个蛋白编码基因的基因集开始。在这里我们识别出38个差异表达基因(DEGs),其中17个在高风险组中表达较低,21个表达升高(补充表5)。其中一个基因MYO16在此处和症状性分析中均被识别出。下调基因与氧载体活性相关。在高风险组中表达升高的基因所关联的生物学过程包括体液免疫应答、细胞杀伤以及器官或组织特异性免疫应答。基于这些DEGs,IPA识别出多个预测被激活的通路,包括中性粒细胞胞外诱捕网信号传导、中性粒细胞脱颗粒以及S100家族信号传导。没有显著的上游调控因子与该组差异表达基因相关联。最后,有2个显著网络。最显著的网络具有心血管疾病、细胞死亡与存活以及结缔组织疾病的关联功能。如图2B所示,该网络中存在许多防御素,以及胶原蛋白和促炎细胞因子。
主成分与聚类分析
共有7个放射组学特征(RFs)和91个DEGs用于症状性与无症状性颅内动脉瘤(IAs)的PCA分析。我们观察到,仅使用RFs、仅使用DEGs以及放射基因组学特征均具有良好的分离效果,如图3A所示。我们观察到,仅使用RFs时症状性与无症状性聚类质心之间的距离较低(3.29),而使用DEGs(14.85)和放射基因组学特征(15.22)进行PCA时距离较大。同样,我们还观察到,与仅使用RFs的PCA相比,DEGs和放射基因组学的轮廓分数更高(分别为0.364和0.356 vs. 0.172)。通过聚类分析,我们观察到仅使用RFs时2个症状性IAs被聚在一起,而仅使用DEGs时所有症状性IAs均相互靠近,如图3B所示。
在基于PHASES的风险评估中,我们使用3个RFs和36个DEGs进行PCA分析。仅使用RFs时高风险与低风险IAs之间的分离程度为中等;然而,使用DEGs和放射基因组学特征时分离显著改善,如图4A所示。我们观察到,仅使用RFs时高风险与低风险聚类质心之间的距离较低(1.51),而使用DEGs(7.34)和放射基因组学特征(7.51)时距离较大。与仅使用RFs的PCA相比,DEGs和放射基因组学的轮廓分数更高(分别为0.259和0.246 vs. 0.120)。通过聚类分析,我们观察到仅使用RFs和仅使用DEGs时高风险IAs均被分离(图4B)。
影像组学特征与DEGs之间的相关性
通过使用症状状态对显著不同的影像组学特征(RFs)和DEGs进行相关性分析,我们观察到有7个独特的RFs与38个DEGs存在相关性。OTOF、MYO18B和LMCD1具有最多的相关基因。值得注意的是,我们观察到最大信号强度的差异与MYO18B基因(PCC = 0.709,p = 0.002)和LMCD1基因(PCC = 0.560,p = 0.019)呈正相关。我们还观察到,增强后MRI的GLDM小依赖强调与LMCD1呈负相关(PCC=−0.643,p = 0.007),如图5所示。RFs与基因之间所有相关性的完整列表见补充表6。同样,通过基于PHASES评估对显著不同的RFs和DEGs进行相关性分析,揭示了3个独特RFs与5个独特DEGs之间的显著相关性。值得注意的是,我们观察到增强后与增强前MRI差异中的GLCM聚类突出与CSDC2基因之间存在强正相关(PCC = 0.707,p = 0.002)。所有相关因素的完整列表见补充表7。
讨论
动脉瘤壁强化和差异基因表达分析已分别被证明是颅内动脉瘤(IAs)稳健风险分层的工具。在这项初步研究中,我们结合了从这两种模态获得的特征,并研究了其对IAs风险分层的影响。我们观察到,共有18个独特影像组学特征和128个独特基因在髙危和低危IAs之间存在显著差异。我们还观察到,DEGs在PCA中具有最高的变异度和簇间距离,并在层次聚类中分组良好。最后,我们还观察到有46个基因与10个影像组学特征相关。据我们所知,这是首次评估联合影像基因组学方法用于IAs风险分层的研究。
在对射频(RFs)的单变量分析中,我们观察到在增强后MRI中,症状性颅内动脉瘤(IAs)具有较低的GLSZM小区域强调值和较高的GLDM小依赖强调值。较低的GLSZM小区域强调值和较高的GLDM小依赖强调值提示较大尺寸的区域和粗糙的纹理,因此这些趋势可能表明由于炎症和血管滋养管导致的管壁组织成分的局部异质性。同样,当通过基于PHASES的风险分层探索影像组学差异时,我们观察到高风险IAs具有较高的GLRLM非均匀性,这反映了增强后MRI中较高的异质性。此外,GLSZM小区域低灰度强调值的较小差异表明增强后MRI具有较低的低灰度区域。这些可能是由于组织的局灶性强化所致,这可能导致增强后MRI与增强前MRI相比出现小块高信号强度区域。
具体检查在症状性分析中选择的差异表达基因,我们注意到几个参与关键生物学过程的基因,包括免疫应答、细胞信号传导和细胞分化。ADAMDEC1是一种来自解整合素金属蛋白酶家族的分泌蛋白,与免疫应答、细胞黏附的负调控和蛋白水解相关。EDN3编码内皮素家族成员,是一种血管活性肽,影响与IA发病机制相关的一系列生物学功能,如白细胞趋化、细胞增殖和平滑肌收缩。最后,IL31RA编码属于I型细胞因子受体家族的蛋白,参与免疫系统过程,包括细胞因子介导的信号传导、巨噬细胞和单核细胞分化,以及凋亡和增殖过程的调控。使用IPA,我们识别出干扰素信号传导和巨噬细胞经典激活信号通路的富集,后者促进巨噬细胞驱动的炎症和免疫应答。IPA还发现TNF信号传导——炎症和免疫应答中另一条关键通路——与这些基因相关,提示这些过程在高风险IAs中的活跃程度。
聚焦于在低PHASES评分和高PHASES评分的颅内动脉瘤(IAs)之间被鉴定为差异表达的基因,我们再次发现了与IA发病机制中关键过程相关的基因,如免疫反应、细胞外基质(ECM)组织和伤口愈合。CAMP编码一种对趋化性、免疫介质诱导和炎症反应调节至关重要的蛋白质,尤其是在慢性炎症中。此外,它在防御反应、中性粒细胞活化以及血管生成和细胞增殖的正向调节中发挥积极作用。防御素是一类抗菌和细胞毒性肽家族,在中性粒细胞颗粒中含量丰富,参与免疫反应和趋化性。COL17A1和COL5A3均为细胞外基质的关键结构成分,有助于细胞-基质黏附和ECM组织。最后,FN1编码纤连蛋白,这是另一种关键的ECM成分,支持血管生成、细胞-基质黏附以及细胞迁移和趋化性的调节。我们通过IPA用完整DEG集鉴定出的关键主题包括中性粒细胞脱颗粒和细胞外诱捕网(NETs),这些已与IA破裂相关联[27]。我们还注意到该基因集反映了结构活性(由胶原蛋白和FN1所证实)和炎症(通过细胞因子和NFkB信号传导所见)。
从相关性分析中,我们观察到MYO18B与增强扫描前后最大强度的差异显著相关。MYO18B是一个与细胞黏附和迁移相关的基因,在我们的分析中在有症状的IAs中表达较高。较高的程度可能导致内皮功能破坏,从而允许对比剂颗粒选择性转运进入IA壁,进而导致更大的强化,这通过增强前后MRI最大强度的差异来测量。我们还观察到LMCD1基因与增强前后MRI最大强度的差异呈正相关(该差异量化强化),与增强后MRI的GLDM小依赖强调呈负相关(该指标量化纹理异质性)。LMCD1基因与凝血酶诱导的IL-33表达和迁移相关,后者反过来在内皮功能障碍中发挥作用[28]。较高程度的内皮功能障碍可能导致对比剂颗粒在IA壁中的均匀增殖和沉积,从而导致壁的异质性强化。最后,通过基于PHASES的DEGs和RFs,我们观察到CSDC2与Diff. cluster prominence呈正相关。CSDC2是一种蛋白结合基因,与组蛋白H3.3等mRNA的3‘ UTR结合,这可能影响炎症状态,导致由GLCM cluster prominence量化的更高异质性AWE。
对新发现的颅内动脉瘤(IAs)进行准确的风险评估对于及时管理和干预至关重要。多项研究表明,动脉瘤壁强化(AWE)可用于IAs的准确风险评估,并可获得对局部壁病理生物学的病理生物学见解[8, 29]。最近,Sagues等人证明,将AWE加入现有临床和形态学特征可改善IAs的风险分层[30]。然而,一个主要缺点是缺乏特异性,许多低风险IAs由于存在AWE也被标记为高风险[11]。IAs的补充风险评估工具包括基于血液的生物标志物,其使用血液RNA测序的转录组学进行IAs风险分层。我们课题组过去的研究已证明使用循环血液的转录组学模型在识别颅内动脉瘤方面的潜力[31–34]。我们还鉴定了与IA风险相关的转录本,这些风险由多种临床指标评估,即IA大小、PHASES以及预测的动脉瘤轨迹或PAT评分,并用于构建预测模型[16, 35]。在我们之前使用PHASES对IA风险的分析中,我们在从IA个体收集的68份样本队列中鉴定了76个差异表达基因(q值<0.05,倍数变化>2),其中26份被认为高风险。基于这些转录本的线性判别分析(LDA)模型达到了88%的测试准确率。此外,包括COL17A1和防御素家族成员在内的多个转录本在原始研究和本研究中均被鉴定。在本研究中,我们证明两种模式的协同组合可以帮助更好地进行风险分层。这确实可以用作快速风险分层的临床工具[36]。未来基于大型数据集的多中心研究可以使用本文提出的方法开发稳健的IA风险分层流程。
本研究存在多种局限性。主要局限性是样本量小且不平衡。识别接受过AWE和全血RNA测序的患者具有挑战性。我们继续招募患者并与其他中心合作,以便未来可以在更大的队列中重复研究以验证我们在此的发现。其次,在基于PHASES评分的错误发现率校正后,没有任何DEGs具有显著差异。因此,在这个小型初步探索中,我们基于未校正的p值选择特征。所提示的潜在相关性和机制通路也受本研究分析的小样本量限制,未来需要具有更稳健数据集的研究以获得更好的信心。第三,所呈现的相关性纯粹基于相关系数,这些相关性的因果性质需要在更大样本量的更全面组织病理学研究中进行严格验证。最后,症状状态和PHASES可能不反映真实破裂风险,而是作为该终点的替代指标。
结论
在本研究中,我们使用了一套已有的流程来评估动脉瘤壁强化(AWE),并采用基因组学分析来描述高危与低危颅内动脉瘤之间的差异。我们观察到,结合基因组学和基于MRI的影像组学数据的放射基因组学方法,有助于改善颅内动脉瘤(IAs)的风险分层。我们还观察到基因组学与影像组学特征之间存在高度相关性。尽管本研究的病例数量有限,但这些发现证明了放射基因组学在改善IAs风险分层方面的潜在应用价值。
电子补充材料
以下是电子补充材料的链接。
补充材料1
引用
- Veeturi SS, Poppenberg KE, Pinter NK, et al. Evaluation of radiogenomics for risk stratification of intracranial aneurysms: a pilot study. Neuroradiology. 2025. PMID: 40663164. doi:10.1007/s00234-025-03702-1
- 全文:PMC12546524(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12546524/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。