基于影像基因组学的颅内动脉瘤风险分层：一项探索性研究揭示AWE与血液转录组学的协同价值

本研究针对颅内动脉瘤(IA)现有风险分层工具特异性不足的临床挑战，创新性地结合动脉瘤壁强化(AWE)影像特征与血液转录组学数据，通过16例样本的初步分析发现12个差异放射组学特征和97个差异表达基因(DEGs)，证实多模态联合模型较单一指标能更有效区分高风险IA，为精准医疗提供了新型生物标志物组合策略。

　　

在神经血管疾病领域，颅内动脉瘤(IA)犹如潜伏的"脑内定时炸弹"，其破裂导致的蛛网膜下腔出血死亡率高达50%。传统以瘤体大小作为风险判断标准的方法面临严峻挑战——近半数破裂动脉瘤直径不足5mm。更棘手的是，当前最具前景的影像标志物动脉瘤壁增强(AWE)虽敏感性优异，却存在特异性仅14.4%的明显短板，这导致大量稳定型动脉瘤被过度干预。如何突破单模态生物标志物的局限，成为临床决策亟待解决的痛点。

美国纽约州立大学布法罗分校(University at Buffalo, State University of New York)的Sricharan S. Veeturi团队在《Neuroradiology》发表的研究中，开创性地将放射组学与基因组学联姻，提出"放射基因组学"解决方案。这项研究基于16例IA患者的血管壁MRI和全血RNA测序数据，通过双重风险分层标准（症状学状态和PHASES评分），首次证实多模态特征组合可显著提升风险预测效能，为IA精准管理提供了新型决策框架。

研究团队运用三大关键技术：3T MRI获取高分辨率血管壁影像并提取293个放射组学特征；Illumina平台进行全血RNA测序及生物信息学分析；采用主成分分析(PCA)和层次聚类评估不同特征集的分类效能。特别值得注意的是，所有样本均来自Gates Vascular Institute的标准化采集流程，确保数据可比性。

【放射组学特征揭示壁结构异质性】

通过对比症状性与无症状IA，研究发现12个显著差异的放射组学特征，其中后对比MRI的灰度依赖矩阵(GLDM)小依赖强调特征降低，而前后对比差异的灰度区域大小矩阵(GLSZM)非均匀性升高，提示高风险IA壁存在更显著的纹理异质性。PHASES分层分析则发现6个特征差异，高风险组表现出更明显的簇突出度降低和GLRLM非均匀性升高。

【血液转录组解码分子机制】

转录组分析发现症状性IA中97个差异表达基因(DEGs)，上调基因富集于II型干扰素反应和巨噬细胞经典激活通路。PHASES高风险组则检出38个DEGs，涉及中性粒细胞胞外陷阱(NETs)信号和S100家族通路。值得注意的是，胶原基因COL17A1和防御素家族成员在两种分层标准中重复出现，暗示其在IA不稳定中的核心作用。

【多模态协同提升预测效能】

PCA分析显示，联合放射组学和基因组学特征时，组间质心距离达15.22（症状性分层）和7.51（PHASES分层），显著优于单一模态。更引人注目的是，研究发现7个放射组学特征与38个DEGs存在显著相关性，如MYO18B基因表达与最大信号强度差呈正相关(r=0.709)，为影像-分子关联提供了直接证据。

这项研究的重要意义在于：首次证实放射基因组学策略可突破当前IA风险分层的"特异性瓶颈"，通过整合局部壁结构特征与系统分子信号，构建更可靠的风险预测模型。发现的LMCD1等关键基因与AWE特征的相关性，为理解IA进展的分子机制提供了新视角。虽然受限于样本量，但研究建立的标准化分析流程（从影像分割到RNA-seq分析）为后续多中心验证奠定了基础，其方法论价值不亚于科学发现本身。未来扩大样本验证后，这种无创、多维度的评估策略有望改写临床指南，实现从"被动治疗"到"精准预防"的范式转变。