文献速递神经心血管CT

颅内动脉钙化CT密度的人群队列研究

CT-derived density of intracranial arteriosclerosis: a population-based cohort study.
PubMed 文献 · Eur Radiol · 2026-01-15

本研究基于鹿特丹研究2464名社区人群的非增强CT,测量颅内动脉钙化(IAC)密度及其与体积的关系。结果显示前循环钙化密度高于后循环,密度与体积仅中度相关(ρ 0.67),高血压、降脂药使用和吸烟是密度的主要决定因素。

要点

  • 颅内动脉钙化前循环(ICAC)密度普遍高于后循环(VBAC),80.1%的ICAC患者存在>400 HU成分,而VBAC仅32.0%。
  • 钙化密度可为区分内膜型(中位210 HU)与中膜型(中位294 HU)ICAC提供客观依据,尤其在视觉评分模糊时。
  • IAC密度与体积仅中度相关(ρ 0.67),提示密度是反映钙化成熟度的独立维度,不能仅以体积替代。

核心结论

  • 颅内动脉钙化密度在前循环与后循环之间存在显著差异,前循环钙化密度更高。
  • IAC密度与体积仅中度相关(Spearman ρ 0.67,95% CI 0.65–0.70),提示密度是相对独立的测量维度。
  • 高血压(调整后OR 1.59,95% CI 1.28–1.90)、降脂药物使用(OR 1.55,95% CI 1.26–1.91)和吸烟(OR 1.33,95% CI 1.10–1.61)是IAC密度的主要决定因素。

研究设计与样本

  • 基于人群的前瞻性观察性队列研究,嵌入鹿特丹研究框架,纳入2464名社区老年居民(平均年龄69.7岁,女性51.9%)。
  • 采用16层(n=773)或64层(n=1691)西门子MDCT行非增强颅内动脉成像,在2003–2006年随访期间完成。
  • IAC密度通过自研Python脚本自动计算,对HU≥130的体素求平均HU值获得;参考方法学经临床验证,观察者间ICC为0.99。
  • 分析采用多变量有序logistic回归评估决定因素,用线性回归评估连续密度变化,缺失数据(5.1%)通过mice算法多重插补处理。

关键影像表现/征象

  • IAC总患病率82.8%,中位密度232 HU(IQR 189–287),中位体积67 mm³(IQR 22–189)。
  • 80.1%的ICAC受累参与者存在>400 HU的高密度成分,而VBAC受累者中仅32.0%存在>400 HU成分。
  • 内膜型ICAC中位密度210 HU(IQR 179–264),中膜型中位密度294 HU(IQR 230–351),模糊型255 HU(IQR 198–310)。

诊断标准与关键数值

  • IAC定义:CT上颅内动脉区域内HU≥130的体素判定为钙化;平均密度为所有钙化体素HU值之和除以体素数。
  • 高血压定义为收缩压≥140 mmHg、舒张压≥90 mmHg或使用降压药物。
  • 密度与体积相关性:IAC平均密度与体积的Spearman ρ 0.67(95% CI 0.65–0.70),p<0.01。
  • 多变量有序logistic回归显示高血压(OR 1.59,95% CI 1.28–1.90)、降脂药使用(OR 1.55,95% CI 1.26–1.91)、吸烟(OR 1.33,95% CI 1.10–1.61)与更高IAC密度独立相关。

临床应用与阅片要点

  • 阅片报告颅内动脉钙化时可参考密度维度:前循环钙化密度普遍高于后循环,后循环出现>400 HU成分相对少见。
  • 当ICAC形态学分型困难(Kockelkoren评分5–8模糊范围内)时,密度可为区分内膜型与中膜型提供量化参考。
  • 内膜型钙化以较低密度为主,中膜型以较高密度为主,密度信息可能辅助钙化亚型的判断。
  • IAC密度与体积关联中等,不能互相替代,评估动脉硬化负担时两者反映的信息有差异。

局限性

  • 密度测量方法在延伸应用中未直接验证,仅在颈动脉分叉钙化样本中报告了方法一致性。
  • 参照标准为视觉评分方法,其区分ICAC亚型的重测信度ICC为0.64–0.82,存在中等水平的观察者变异。
全文中译13 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2026 Jan 15;36(6):4862–72. doi: 10.1007/s00330-025-12180-1

引言

颅内动脉钙化(IAC)是颅内动脉硬化在CT影像上的定义性特征[1],已被公认是卒中[2–4]和痴呆[5]的危险因素。迄今为止,研究主要集中在探索IAC的患病率和体积的原因及后果[1]。来自冠状动脉钙化(CAC)领域研究的见解表明,钙化密度可能在钙化体积之外提供额外的信息价值,因为较高的密度反映更稳定的动脉粥样硬化性疾病[6, 7]。然而,由于文献中存在若干特定的知识空白,尚不清楚这种关联是否也适用于IAC。

首先,目前关于IAC密度的文献十分稀少,且仅限于使用对比增强成像的患者研究中的描述,而对比增强成像无法检测低密度钙化[8]。其次,IAC密度的决定因素尚不清楚,因此无法明确心血管危险因素是否影响钙化密度。最后,密度是一个被忽视的、与IAC定义性特征具有潜在相关性的主题,即IAC存在两种截然不同的钙化形态模式:内弹性膜钙化(中膜亚型)与内膜层钙化(内膜亚型)。中膜亚型的钙化累及颅内动脉的广泛节段,而内膜钙化通常与局限性动脉粥样硬化性疾病相关。这两种亚型在决定因素和对脑血管健康的影响方面存在显著差异。中膜钙化与糖尿病、血管疾病[2, 9]以及白质高信号[10]、痴呆[5]的发生率增高、静脉溶栓后功能预后较差[11]和缺血性卒中血管内治疗后功能预后较好[12]相关。相比之下,内膜钙化与吸烟、高血压[2, 9]以及CT影像上较好的侧支循环状态[13]相关。密度是否也在这些不同亚型之间存在差异尚不清楚,但鉴于它们决定因素的不同,这似乎是合理的,且可能有助于更准确地区分这两种亚型。为了确定钙化密度在颅内动脉硬化中是否发挥与冠状动脉钙化中相似的作用,首先需要对其大小、分布和决定因素进行全面调查。因此,我们在一般人群中描述了IAC的密度及其决定因素。

材料与方法

研究背景

本研究嵌入鹿特丹研究(Rotterdam Study)中,这是一项针对荷兰老年人群的、基于人群的前瞻性观察性队列研究[14]。鹿特丹研究于1990年启动,纳入7983名参与者,并于2000年扩展,新增3011名参与者,所有参与者参加时年龄均≥55岁。

研究人群与图像采集

2003年至2006年间在研究中心参加随访的参与者被邀请接受颅内动脉的非增强MDCT成像,该检查是一项测量全身动脉钙化的CT成像方案的一部分[15]。共有2524名参与者接受了扫描。然而,由于图像伪影遮挡了颅内动脉的视野,60例检查无法判读。因此,最终共有2464名参与者可用于分析(图1)。非增强MDCT成像使用16层(n = 773)或64层(n = 1691)MDCT扫描仪(Somatom Sensation 16或64,西门子)。成像视野和参数设置为评估颅内动脉进行了优化[16]。有关成像参数的详细信息已在别处描述[17]。

图1 描述研究人群筛选过程的流程图。ICAC,颅内颈动脉钙化;VBAC,椎基底动脉钙化;N,剩余总数;n,排除数 查看原图 ↗

人口学及心血管决定因素的评估

在研究入组时,所有参与者都被邀请到研究中心进行血液采样和体格检查。血压测量在休息5分钟后于坐位下使用随机零点血压计在右上臂进行。我们将高血压定义为收缩压≥140 mmHg、舒张压≥90 mmHg或使用降压药物。糖尿病定义为血清非空腹血糖≥11.1 mmol/L、空腹血糖≥7.0 mmol/L或使用降糖药物。冠心病(CHD)和脑血管意外(CVA)(包括卒中和短暂性脑缺血发作(TIA))病史数据按以下方式收集。进入鹿特丹研究后进行一次基线家庭访谈,由训练有素的非医学访谈者向参与者施以标准化问卷,以获取其病史、健康状况(症状史,如(偏)瘫、胸部不适、呼吸困难等)、当前用药名称及其适应证以及吸烟习惯等信息。这些信息与从全国医疗登记系统(Landelijke Medische Registratie,2014年1月1日起由荷兰乌得勒支卫生部管理的Landelijke Basisregistratie Ziekenhuiszorg取代)获得的现患疾病状态信息进行交叉核对。除该登记系统外,研究数据库还自动与参与者全科医生诊所的病历相链接,其全科医生作为获取进一步专科医疗的门户管理者以及每位个人医疗信息的协调者。从这些全科医生诊所获取每位参与者的临床信息,并在经过对医疗文件进行人工筛查的细致过程后,与上述来源(访谈、全国医疗登记系统、全科医生数据库)结合使用,以获得每位参与者基线健康状况的完整概览[18, 19]。任何在成像日期之前发生的冠状动脉血运重建、心肌梗死或CVA均归类为现患疾病。

颅内动脉硬化的测量

颅内动脉钙化(IAC)的评估采用了一套成熟的方法学框架,该框架常用于颅内动脉硬化研究[8,9,20–22],并已在临床上得到验证[23,24],且经过评估具有良好的评定者间信度。基于两位观察者对50例CT检查的评分,该方法的组内相关系数为0.99[25];另一项研究也发现观察者间差异的变异系数为0.07[26]。该方法的详细描述见补充材料A。

作为对该框架的扩展,平均动脉钙化密度的评估使用了一个定制的、基于Python的脚本(可从https://gitlab.com/radiology/aim/carotid-artery-image-analysis/kalk获取),如前所述[8]。对于每条动脉,通过将感兴趣区内HU≥130的体素HU值相加,再除以这些体素的数量,自动计算平均密度。随后,通过将每条动脉的平均HU值相加并除以发生动脉钙化的动脉数量,得出平均IAC、ICAC和VBAC密度。

由于基于CT的密度被认为可反映动脉钙化的成熟度[27],我们将HU阈值分别改为200、300、400、600、800和1000 HU后重复了体积和密度测量,以评估动脉钙化可能的不同阶段。通过该方法识别的不同密度成分的示例见图2。这使我们能够对动脉钙化中测得的最高密度成分进行分类。

图2 右侧颅内颈动脉钙化的轴位层面示例。A显示感兴趣区的中部。B显示同一层面的手动勾画,而相应的HU密度递增的成分在C中以逐渐加深的红色阴影显示。 查看原图 ↗

统计分析

研究人群的基线特征以均数和标准差(SD)表示正态分布的连续变量,以中位数和四分位距(IQR)表示偏态分布的连续变量,以频数和百分比表示分类变量。5.1%的参与者存在协变量数据缺失,最常见的原因是2.6%的参与者缺少吸烟行为信息。使用mice算法对缺失数据进行填补,采用五次迭代和五次填补。

我们首先展示颈内动脉钙化(IAC)最高密度类别的分布,共分为七组(130–200、200–300、300–400、400–600、600–800、800–1000和>1000)。通过按IAC类型分层的条形图进行可视化,每个条形代表颈内动脉钙化(ICAC)参与者和椎基底动脉钙化(VBAC)参与者中测得的最高密度类别的百分比构成。随后,我们在动脉水平上检验了该分布在ICAC亚型之间的差异。在该分析中,每个条形代表所有颈内动脉中测得的最高密度类别的百分比,按中膜钙化或内膜钙化亚型分层。由于我们注意到ICAC亚型之间最高密度类别的分布存在相当大的差异,我们研究了密度是否有助于区分ICAC亚型。为此,我们根据完整形态学亚型评分[20]对受ICAC影响的动脉进行分层,引入“模糊”类别(评分为5至8分),代表观察者在选择潜在亚型时可能存在较大分歧的ICAC,并创建箱线图展示各层平均密度的分布。采用配对双侧Wilcoxon检验比较各层之间的这些分布。

接下来,我们估计了IAC体积与IAC平均密度之间的Spearman相关系数,以评估这两个指标之间是否存在单调关联,并使用散点图展示该关联。由于这些IAC连续测量值均呈右偏分布,我们在进行任何统计分析之前对其进行了自然对数变换以确保正态分布。随后,在患有IAC的参与者中,我们使用多变量有序回归模型评估IAC密度的决定因素,以所见的最高密度类别为因变量,纳入的变量包括年龄、性别、扫描仪类型(16层与64层)、吸烟行为(以从不吸烟为参照)、肥胖、高血压、糖尿病、血清非高密度脂蛋白胆固醇(HDL)、降脂药物使用、 prevalent冠心病(CHD)和脑血管意外(CVA)。

对于敏感性分析,我们首先在患有IAC但无任何prevalent冠心病或脑血管意外、且未使用降脂药物的参与者中评估IAC密度的决定因素。最后,我们在患有IAC的参与者中将这些IAC密度的决定因素与IAC体积进行比较,使用线性回归模型对自然对数变换后的连续测量值进行分析,采用与有序回归模型相同的调整策略。呈现基于插补数据集的回归分析汇总结果。分析在R(版本4.2.2)中完成,使用的软件包包括RVAideMemoire(0.9.83.7)、MASS(7.3.58.3)、mice(3.16.0)和ggpubr(0.5.0)。

结果

参与者特征

2464名参与者在影像检查时的特征总结于表1。参与者平均年龄为69.7(SD 6.8)岁,51.9%为女性。IAC的患病率为82.8%,主要由ICAC的高患病率驱动。IAC的中位体积为67(IQR 22–189)mm³,IAC的中位密度为232(IQR 189–287)HU。

表1 研究人群的基线特征 查看原表 ↗

颅内动脉硬化密度的分布

在2040例可检测到IAC的患者中测量的最高密度类别的分布如图3的两个面板所示。在图3A中,显示了按前循环或后循环分层的百分比分布。ICAC的最高密度类别百分比分布呈增加趋势,而VBAC则呈下降趋势。类似地,ICAC亚型的百分比分布趋势见图3B。ICAC的内膜亚型主要表现出较低的最大密度,而中膜亚型则观察到较高的最大密度。

受内膜钙化影响的动脉密度中位数为210 HU(IQR 179–264),中膜钙化为294(230–351)HU,亚型不明确的动脉为255(198–310)HU。这些范围及比较检验结果如图4所示,该图突出了各亚型之间密度的显著差异。具体而言,与内膜钙化相比,中膜钙化表现出更高的密度。

图3 在有IAC的参与者中检测到的最大密度分布。每个条形表示每个密度类别占总患病率的百分比。在A中,这些百分比按IAC亚型分别显示。在B中,百分比反映了在所有受ICAC影响的动脉中发现的最大密度类别,并按中膜或内膜亚型分别分层。IAC,颅内动脉钙化;ICAC,颅内颈动脉钙化;VBAC,椎基底动脉钙化;n,数量 查看原图 ↗
图4 按ICAC亚型分层的箱线图,描绘了每个ICAC亚型的密度分布。这些箱线图描绘了3383条经视觉确认存在ICAC的动脉的平均密度,按Kockelkoren评分类别分层,评分<5反映内膜型,5–8反映不明确型,>8反映中膜型。ICAC,颅内颈动脉钙化;CT,计算机断层扫描。p值指双侧t检验的结果 查看原图 ↗

颅内动脉硬化密度与体积之间的相关性

IAC的平均密度与IAC体积之间存在中等程度的相关性,Spearman ρ为0.67(95%置信区间(CI)0.65–0.70;图5),p < 0.01。

图5 散点图及Spearman ρ,描绘IAC密度与体积之间的相关性。ln,自然对数;HU,亨氏单位;CI,置信区间 查看原图 ↗

颅内动脉硬化密度的决定因素

对存在IAC的参与者中测量的最大密度进行的多变量有序逻辑回归分析结果见表2。年龄较大、使用降脂药物、具有除肥胖以外的心血管危险因素、或有血管疾病史的参与者,在影像上显示出更高的IAC密度。在排除680例有CHD或CVA病史或使用降脂药物的参与者后,这些发现仍然相似,尽管糖尿病与更高密度之间的关联不再具有统计学显著性(表3)。

在序数逻辑回归分析中观察到的大多数效应在平均IAC密度连续增加的线性回归分析中相似。唯一的差异见于有脑血管意外(CVA)病史者,其与密度增加不再显示统计学显著相关(表4)。这些结果在IAC体积的分析中大体相似,但较高的血清非高密度脂蛋白胆固醇和吸烟与IAC体积增加不再显示统计学显著相关。相反,CVA病史与IAC体积增加确实显示统计学显著相关。

表2 颅内动脉钙化参与者(n = 2040)多变量序数逻辑回归分析结果 查看原表 ↗
表3 颅内动脉钙化且无冠心病、脑血管意外病史或未使用任何降脂药物的参与者(n = 1360)多变量序数逻辑回归分析结果 查看原表 ↗
表4 对数转换的IAC体积和平均密度每标准差增加的多变量线性回归分析结果,限于有IAC的参与者(n = 2040) 查看原表 ↗

讨论

在这项基于人群的老年人队列研究中,我们报告了颅内动脉硬化的特定密度模式。此外,IAC密度与IAC体积仅呈中度相关,提示这两个IAC量化指标之间存在一定差异。另外,观察到密度和体积的危险因素存在特定差异。高血压、曾经吸烟和血清非高密度脂蛋白胆固醇升高与密度增加独立相关,而后两者与体积无关。最后,我们证明密度可作为识别ICAC亚型的另一个区分因素,可能在确切亚型不明确的模糊病例中有助于更准确地确定ICAC亚型。

关于颅内动脉钙化(IAC)密度的既往估计很少,唯一一项基于非增强CT图像的估计来自一项针对急性缺血性卒中患者的回顾性横断面研究[28]。该研究仅报告了按症状侧分层的最大的IAC密度,这使得与本研究发现进行直接比较变得复杂。另一项报告IAC密度估计的研究使用近期缺血性卒中和TIA患者的CT血管造影图像来识别IAC并确定其平均密度[8]。增强图像需要设置更高的HU阈值来区分动脉钙化与管腔内对比剂,这再次使与本研究发现进行比较变得复杂,因为这排除了对较低密度钙化的评估。然而,该研究也观察到类似的模式,即颅内颈动脉钙化(ICAC)密度高于椎基底动脉钙化(VBAC)密度。我们针对这一特定模式提出三种可能的解释。首先,椎基底动脉在长度、管径和迂曲程度方面与颅内颈动脉存在形态计量学差异,且解剖变异更大[29]。其次,本研究先前的发表文章提示,虽然VBAC与ICAC具有相似的病理生理机制,但与ICAC相比,其可能在生命较晚期才开始发生发展[15,30]。第三,大约70%的脑血管血流来源于颅内颈动脉,因此与椎基底动脉相比,这些动脉承受更高的脉压[31]。已知所有这些因素都会影响动脉硬化的发展,并可能解释所观察到的ICAC与VBAC之间钙化密度的差异[32]。

既往关于钙化密度的一般性研究很少,且几乎完全聚焦于冠状动脉钙化(CAC)。Framingham心脏研究此前发现,CAC密度与CAC体积的相关程度,与我们设计具有可比性的研究中IAC密度与IAC体积的相关程度相似,报告的Spearman ρ为0.75[33]。MESA研究此前报告CAC密度与CAC体积之间的相关性较低,Spearman ρ为0.56,提示密度是与体积不同的一个实体,这对基于同时纳入两个实体的Agatston评分的临床评分规则具有意义[7]。我们结果中0.67的中等相关性与“密度是独立于体积的一个实体,可能具有不同的临床特征和后果”这一观点一致。

鉴于本研究中IAC密度与体积之间仅为中等程度的相关性,我们探讨了这两个指标决定因素之间的潜在差异。本研究中IAC密度的几乎所有决定因素与IAC体积的决定因素相比均表现出相似的效应。观察到较高的非HDL胆固醇和吸烟促使更高的钙化密度,但不促使更高的体积。相反,卒中(CVA)病史被发现促使更高的钙化体积,但不促使更高的密度。所有这些发现大多与已知的CAC决定因素一致,表明IAC体积与密度之间的关联类似于CAC体积与密度之间的关联[34]。

最后,我们评估了两种ICAC亚型之间的密度差异。目前用于区分这些亚型的视觉评分系统显示中等可靠性(组内相关系数0.64–0.82 [20]),表明该系统仍有改进空间。该系统在评分接近≥7阈值的临界病例中可能尤其困难,具体在5至8分范围内,这一范围涵盖了我们所识别的大多数ICAC。在这些情况下,密度是一个易于量化且客观的指标,我们的研究结果表明,在单纯视觉评分不足的情况下,密度可以改善亚型分类,特别是在这一模糊的评分范围内。这种改进的区分能力对研究和临床实践均具有重要意义。在基于人群的研究中,更准确的亚型识别可减少错误分类偏倚,并能够更精确地估计亚型特异性的脑血管疾病风险。这尤其会加强颅内动脉粥样硬化性疾病的研究,因为在该疾病中,较差的卒中治疗结局更多地与内膜钙化而非中膜钙化相关[28]。对于放射科医生而言,将密度纳入常规评估可能有助于在CT图像上更清晰地诊断颅内动脉硬化的类型,特别是在临界病例中。随后,临床医生在评估每位患者的个体风险概况以及传达这一风险评估的能力方面得到增强。然而,这些意义并非我们研究的主题,因为我们仅专注于确定颅内动脉硬化的病因,因此我们决定不在本研究中纳入结局数据。未来的工作应将组织病理学样本与CT成像相结合,以确认密度在这一背景下的作用,这进而将为后续研究铺平道路,这些研究可探讨这种改进的区分是否也能带来更好的风险管理策略,如亚型特异性治疗或筛查流程,以及这是否能改善患者结局。

优势与局限性

本研究的优势包括其基于人群的设计,该设计在量化IAC指标时最大限度地减少了选择偏倚,从而相较于基于患者的研究具有优势。此外,我们采用了先前经过验证且可靠的方法来测量ICAC和VBAC,我们对IAC密度的评估作为该方法的延伸建立在这一基础之上。虽然我们未直接验证这一扩展方法,但我们团队最近的一份报告显示,在100名参与者的随机样本中,平均密度与颈动脉分叉钙化体积评估之间存在高度一致性,这强调了我们的动脉硬化密度测量的可靠性[35]。

若干局限性需要进一步讨论。虽然成像视野和扫描仪设置经过优化以便能够对颅内动脉钙化(IAC)进行评估,但图像采集仅使用了两种CT系统,我们不知道这些发现对其他厂商的CT系统以及提供更高分辨率成像的现代CT系统的可推广性如何。此外,本研究使用的非增强CT图像层厚为3毫米,这可能会系统性地造成偏倚,使层与层之间较小的钙化被遗漏。这可能导致错分偏倚,尤其是在早期动脉硬化疾病中,可能导致IAC体积和密度被高估。尽管如此,与层厚更薄的增强CT相比,非增强CT允许使用更低的最小HU阈值来检测IAC,使我们能够额外评估密度较低的钙化。然而,即使是非增强CT也需要130 HU的底限阈值来定义IAC,密度低于130 HU的微钙化将会被该方法遗漏,进一步限制了我们的发现对早期钙化的可推广性。另一个局限性涉及本研究对不同种族背景人群的可推广性。本研究几乎完全在白人人群中开展。鉴于已知冠状动脉钙化(CAC)负荷在不同种族之间存在显著差异,尤其是亚裔和西班牙裔人群的钙化负荷高于白人人群[7],IAC密度可能也存在同样的变异性。由于心血管决定因素的差异,如高血压、糖尿病、血脂异常和心血管疾病发病率升高,以及与动脉硬化进展相关的遗传和生活方式差异[36],IAC密度在其他种族中可能尤其不同。此外,本研究应用的CT技术在发展中国家可能不易获得,进一步限制了我们发现的可推广性。最后,在89名参与者中,ICAC亚型是在一条无法测量ICAC体积的动脉中进行视觉评分的。这些参与者被排除在我们关于ICAC密度在区分ICAC亚型中作用的分析之外,这可能导致对该作用的估计更为保守。

据我们所知,本研究首次描述了心血管危险因素与IAC密度之间的关联。因此,本研究为进一步的纵向研究铺平了道路,以确定IAC密度是否在脑血管意外(CVA)的风险分层中发挥作用,类似于其在CAC和心肌梗死中的作用。此类研究在为脑血管疾病的一级和二级预防策略提供信息方面具有巨大潜力。

总之,我们在老年人中识别了不同血管床之间钙化密度的独特模式以及颅内动脉硬化的不同类型。虽然密度与体积仅呈中度相关,但钙化密度的决定因素与钙化体积的决定因素相似,值得注意的差异在于非HDL胆固醇和吸烟对增加IAC密度有影响,但对体积无影响。这些结果提示IAC密度和体积背后存在略有不同的病理生理机制,两者各自为预防策略提供了特定靶点。

补充信息

电子补充材料

引用

  1. Berghout, Camarasa, Leening, et al. CT-derived density of intracranial arteriosclerosis: a population-based cohort study. Eur Radiol. 2026. PMID: 41537780. doi:10.1007/s00330-025-12180-1
  2. 全文:PMC13212371(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13212371/

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。