Summary

Background

 The discovery of disease-associated loci through genome-wide association studies (GWAS) is the leading genetic approach to the identification of novel biological pathways underlying diseases in humans. Until recently, GWAS in ischaemic stroke have been limited by small sample sizes and have yielded few loci associated with ischaemic stroke. We did a large-scale GWAS to identify additional susceptibility genes for stroke and its subtypes. 

Methods

 To identify genetic loci associated with ischaemic stroke, we did a two-stage GWAS. In the first stage, we included 16 851 cases with state-of-the-art phenotyping data and 32 473 stroke-free controls. Cases were aged 16 to 104 years, recruited between 1989 and 2012, and subtypes of ischaemic stroke were recorded by centrally trained and certified investigators who used the web-based protocol, Causative Classification of Stroke (CCS). We constructed case-control strata by identifying samples that were genotyped on nearly identical arrays and were of similar genetic ancestral background. We cleaned and imputed data by use of dense imputation reference panels generated from whole-genome sequence data. We did genome-wide testing to identify stroke-associated loci within each stratum for each available phenotype, and we combined summary-level results using inverse variance-weighted fixed-effects meta-analysis. In the second stage, we did in-silico lookups of 1372 single nucleotide polymorphisms identified from the first stage GWAS in 20 941 cases and 364 736 unique stroke-free controls. The ischaemic stroke subtypes of these cases had previously been established with the Trial of Org 10 172 in Acute Stroke Treatment (TOAST) classification system, in accordance with local standards. Results from the two stages were then jointly analysed in a final meta-analysis. 

Findings

 We identified a novel locus (G allele at rs12122341) at 1p13.2 near TSPAN2 that was associated with large artery atherosclerosis-related stroke (first stage odds ratio [OR] 1·21, 95% CI 1·13–1·30, p=4·50 × 10⁻⁸; joint OR 1·19, 1·12–1·26, p=1·30 × 10⁻⁹). Our results also supported robust associations with ischaemic stroke for four other loci that have been reported in previous studies, including PITX2 (first stage OR 1·39, 1·29–1·49, p=3·26 × 10⁻¹⁹; joint OR 1·37, 1·30–1·45, p=2·79 × 10⁻³²) and ZFHX3 (first stage OR 1·19, 1·11–1·27, p=2·93 × 10⁻⁷; joint OR 1·17, 1·11–1·23, p=2·29 × 10⁻¹⁰) for cardioembolic stroke, and HDAC9 (first stage OR 1·29, 1·18–1·42, p=3·50 × 10⁻⁸; joint OR 1·24, 1·15–1·33, p=4·52 × 10⁻⁹) for large artery atherosclerosis stroke. The 12q24 locus near ALDH2, which has previously been associated with all ischaemic stroke but not with any specific subtype, exceeded genome-wide significance in the meta-analysis of small artery stroke (first stage OR 1·20, 1·12–1·28, p=6·82 × 10⁻⁸; joint OR 1·17, 1·11–1·23, p=2·92 × 10⁻⁹). Other loci associated with stroke in previous studies, including NINJ2, were not confirmed. 

Interpretation

 Our results suggest that all ischaemic stroke-related loci previously implicated by GWAS are subtype specific. We identified a novel gene associated with large artery atherosclerosis stroke susceptibility. Follow-up studies will be necessary to establish whether the locus near TSPAN2 can be a target for a novel therapeutic approach to stroke prevention. In view of the subtype-specificity of the associations detected, the rich phenotyping data available in the Stroke Genetics Network (SiGN) are likely to be crucial for further genetic discoveries related to ischaemic stroke. 

Funding

 US National Institute of Neurological Disorders and Stroke, National Institutes of Health.

Abstract Acute ischemic stroke affects men and women differently in many ways. In particular, women are oftentimes reported to experience a higher acute stroke severity than men. Here, we derived a low-dimensional representation of anatomical stroke lesions and designed a sex-aware Bayesian hierarchical modelling framework for a large-scale, well phenotyped stroke cohort. This framework was tailored to carefully estimate possible sex differences in lesion patterns explaining acute stroke severity (NIHSS) in 1,058 patients (39% female). Anatomical regions known to subserve motor and language functions emerged as relevant regions for both men and women. Female patients, however, presented a more widespread pattern of stroke severity-relevant lesions than male patients. Furthermore, particularly lesions in the posterior circulation of the left hemisphere underlay a higher stroke severity exclusively in women. These sex-sensitive lesion pattern effects could be discovered and subsequently robustly replicated in two large independent, multisite lesion datasets. The constellation of findings has several important conceptual and clinical implications: 1) suggesting sex-specific functional cerebral asymmetries, and 2) motivating a sex-stratified approach to management of acute ischemic stroke. To go beyond sex-averaged stroke research, future studies should explicitly test whether acute therapies administered on the basis of sex-specific cutoff volumes of salvageable tissue will lead to improved outcomes in women after acute ischemic stroke.

Atrial fibrillation is a prevalent arrhythmia associated with a five-fold increased risk of ischemic stroke, and specifically the cardioembolic stroke subtype. Genome-wide association studies of these traits have yielded overlapping risk loci, but genome-wide investigation of genetic susceptibility shared between stroke and atrial fibrillation is lacking. Comparing the genetic architectures of the two diseases could inform whether cardioembolic strokes are driven by inherited atrial fibrillation susceptibility, and may help elucidate ischemic stroke mechanisms. Here, we analyze genome-wide genotyping data and estimate SNP-based heritability in atrial fibrillation and cardioembolic stroke to be nearly identical (20.0% and 19.5%, respectively). Further, we find that the traits are genetically correlated (r=0.77 for SNPs with p < 4.4 x 10-4 in a previous atrial fibrillation meta-analysis). Clinical studies are warranted to assess whether genetic susceptibility to atrial fibrillation can be leveraged to improve the diagnosis and care of ischemic stroke patients.

Purpose: White matter hyperintensity (WMH) is a common phenotype across a variety of neurological diseases, particularly prevalent in stroke patients; however, vascular territory dependent variation in WMH burden has not yet been identified. Here, we sought to investigate the spatial specificity of WMH burden in patients with acute ischemic stroke (AIS). Materials and Methods: We created a novel age-appropriate high-resolution brain template and anatomically delineated the cerebral vascular territories. We used WMH masks derived from the clinical T2 FLAIR MRI scans and spatial normalization of the template to discriminate between WMH volume within each subject's anterior cerebral artery (ACA), middle cerebral artery (MCA), and posterior cerebral artery (PCA) territories. Linear regression modeling including age, sex, common vascular risk factors, and TOAST stroke subtypes was used to assess for spatial specificity of WMH volume (WMHv) in a cohort of 882 AIS patients. Results: Mean age of this cohort was 65.23+/-14.79 years, 61.7% were male, 63.6% were hypertensive, 35.8% never smoked. Mean WMHv was 11.58c +/-13.49 cc. There were significant differences in territory-specific, relative to global, WMH burden. In contrast to PCA territory, age (0.018+/-0.002, p<0.001) and small-vessel stroke subtype (0.212+/-0.098, p<0.001) were associated with relative increase of WMH burden within the anterior (ACA and MCA) territories, whereas male sex (-0.275+/-0.067, p<0.001) was associated with a relative decrease in WMHv. Conclusions: Our data establish the spatial specificity of WMH distribution in relation to vascular territory and risk factor exposure in AIS patients and offer new insights into the underlying pathology.

Objective: To determine whether the rich-club organization, essential for information transport in the human connectome, is an important biomarker of functional outcome after acute ischemic stroke (AIS). Methods: Consecutive AIS patients (N=344) with acute brain magnetic resonance imaging (MRI) (<48 hours) were eligible for this study. Each patient underwent a clinical MRI protocol, which included diffusion weighted imaging (DWI). All DWIs were registered to a template on which rich-club regions have been defined. Using manual outlines of stroke lesions, we automatically counted the number of affected rich-club regions and assessed its effect on the National Institute of Health Stroke Scale (NIHSS) and modified Rankin Scale (mRS; obtained at 90 days post-stroke) scores through ordinal regression. Results: Of 344 patients (median age 65, inter-quartile range 54-76 years) with a median DWI lesion volume (DWIv) of 3cc, 64% were male. We established that an increase in number of rich-club regions affected by a stroke increases the odds of poor stroke outcome, measured by NIHSS (OR: 1.77, 95%CI 1.41-2.21) and mRS (OR: 1.38, 95%CI 1.11-1.73). Additionally, we demonstrated that the OR exceeds traditional markers, such as DWIv (OR(NIHSS) 1.08, 95%CI 1.06-1.11; OR(mRS) 1.05, 95%CI 1.03-1.07) and age (OR(NIHSS) 1.03, 95%CI 1.01-1.05; OR(mRS) 1.05, 95%CI 1.03-1.07). Conclusion: In this proof-of-concept study, the number of rich-club nodes affected by a stroke lesion presents a translational biomarker of stroke outcome, which can be readily assessed using standard clinical AIS imaging protocols and considered in functional outcome prediction models beyond traditional factors.

White matter hyperintensity (WMH) burden is a critically important cerebrovascular phenotype linked to prediction of diagnosis and prognosis of diseases, such as acute ischemic stroke (AIS). However, current approaches to its quantification on clinical MRI often rely on time intensive manual delineation of the disease on T2 fluid attenuated inverse recovery (FLAIR), which hinders high-throughput analyses such as genetic discovery. In this work, we present a fully automated pipeline for quantification of WMH in clinical large-scale studies of AIS. The pipeline incorporates automated brain extraction, intensity normalization and WMH segmentation using spatial priors. We first propose a brain extraction algorithm based on a fully convolutional deep learning architecture, specifically designed for clinical FLAIR images. We demonstrate that our method for brain extraction outperforms two commonly used and publicly available methods on clinical quality images in a set of 144 subject scans across 12 acquisition centers, based on dice coefficient (median 0.95; inter-quartile range 0.94-0.95) and Pearson correlation of total brain volume (r=0.90). Subsequently, we apply it to the large-scale clinical multi-site MRI-GENIE study (N=2783) and identify a decrease in total brain volume of -2.4cc/year. Additionally, we show that the resulting total brain volumes can successfully be used for quality control of image preprocessing. Finally, we obtain WMH volumes by building on an existing automatic WMH segmentation algorithm that delineates and distinguishes between different cerebrovascular pathologies. The learning method mimics expert knowledge of the spatial distribution of the WMH burden using a convolutional auto-encoder. This enables successful computation of WMH volumes of 2,533 clinical AIS patients. We utilize these results to demonstrate the increase of WMH burden with age (0.950 cc/year) and show that single site estimates can be biased by the number of subjects recruited.

Abstract Introduction Neuroimaging measurements of brain structural integrity are thought to be surrogates for brain health, but precise assessments require dedicated advanced image acquisitions. By means of describing the texture of conventional images beyond what meets the naked eye, radiomic analyses hold potential for evaluating brain health. We sought to: 1) evaluate this novel approach to assess brain structural integrity by predicting white matter hyperintensities burdens (WMH) and 2) uncover associations between predictive radiomic features and patients’ clinical phenotypes. Methods Our analyses were based on a multi-site cohort of 4,163 acute ischemic strokes (AIS) patients with T2-FLAIR MR images and corresponding deep-learning-generated total brain and WMH segmentation. Radiomic features were extracted from normal-appearing brain tissue (brain mask–WMH mask). Radiomics-based prediction of personalized WMH burden was done using ElasticNet linear regression. We built a radiomic signature of WMH with the most stable selected features predictive of WMH burden and then related this signature to clinical variables (age, sex, hypertension (HTN), atrial fibrillation (AF), diabetes mellitus (DM), coronary artery disease (CAD), and history of smoking) using canonical correlation analysis. Results Radiomic features were highly predictive of WMH burden (R 2 =0.855±0.011). Seven pairs of canonical variates (CV) significantly correlated the radiomics signature of WMH and clinical traits with respective canonical correlations of 0.81, 0.65, 0.42, 0.24, 0.20, 0.15, and 0.15 (FDR-corrected p-values CV1-6 <.001, p-value CV7 =.012). The clinical CV1 was mainly influenced by age, CV2 by sex, CV3 by history of smoking and DM, CV4 by HTN, CV5 by AF and DM, CV6 by CAD, and CV7 by CAD and DM. Conclusion Radiomics extracted from T2-FLAIR images of AIS patients capture microstructural damage of the cerebral parenchyma and correlate with clinical phenotypes. Further research could evaluate radiomics to predict the progression of WMH. Research in context Evidence before this study We did a systematic review on PubMed until December 1, 2020, for original articles and reviews in which radiomics were used to characterize stroke or cerebrovascular diseases. Radiomic analyses cover a broad ensemble of high-throughput quantification methods applicable to digitalized medical images that extract high-dimensional data by describing a given region of interest by its size, shape, histogram, and relationship between voxels. We used the search terms “radiomics” or “texture analysis”, and “stroke”, “cerebrovascular disease”, “small vessel disease”, or “white matter hyperintensities”. Our research identified 24 studies, 18 studying radiomics of stroke lesions and 6 studying cerebrovascular diseases. All the latter six studies were based on MRI (T1-FLAIR, dynamic contrast-enhanced imaging, T1 & T2-FLAIR, T2-FLAIR post-contrast, T2-FLAIR, and T2-TSE images). Four studies were describing small vessel disease, and two were predicting longitudinal progression of WMH. The average sample size was small with 96 patients included (maximum: 204). One study on 141 patients identified 7 T1-FLAIR radiomic features correlated with cardiovascular risk factors (age and hyperlipidemia) using univariate correlations. All studies were monocentric and performed on a single MRI scanner. Added value of this study To date and to the best of our knowledge, this is the largest radiomics study performed on cerebrovascular disease or any topic, and one of the very few to include a great diversity of participating sites with diverse clinical MRI scanners. This study is the first one to establish a radiomic signature of WMH and to interpret its relationship with common cardiovascular risk factors. Our findings add to the body of evidence that damage caused by small vessel disease extend beyond the visible white matter hyperintensities, but the added value resides in the detection of that subvisible damage on routinely acquired T2-FLAIR imaging. It also suggests that cardiovascular phenotypes might manifest in distinct textural patterns detectable on conventional clinical-grade T2-FLAIR images. Implications of all the available evidence Assessing brain structural integrity has implications for treatment selection, follow-up, prognosis, and recovery prediction in stroke patients but also other neurological disease populations. Measuring cerebral parenchymal structural integrity usually requires advanced imaging such as diffusion tensor imaging or functional MRI. Translation of those neuroimaging biomarkers remains uncommon in clinical practice mainly because of their time-consuming and costly acquisition. Our study provides a potential novel solution to assess brains’ structural integrity applicable to standard, routinely acquired T2-FLAIR imaging. Future research could, for instance, benchmark this radiomics approach against diffusion or functional MRI metrics in the prediction of cognitive or functional outcomes after stroke.

Background: Prediction of functional outcome after stroke based on initial presentation remains an open challenge, suggesting that an important aspect is missing from these prediction models. There exists the notion of a protective mechanism called brain reserve, which may be utilized to understand variations in disease outcome. In this work we expand the concept of brain reserve (effective reserve) to improve prediction models of functional outcome after acute ischemic stroke (AIS). Methods: Consecutive AIS patients with acute brain MRI (<48 hours) were eligible for this study. White matter hyperintensity and acute infarct volume were determined on T2 fluid attenuated inversion recovery and diffusion weighted images, respectively. Modified Rankin Scale scores (mRS) were obtained at 90 days post-stroke. Effective reserve (eR) was defined as a latent variable using structural equation modeling by including age, systolic blood pressure, and intracranial volume measurements. Results: Of 453 AIS patients (mean age 66.6±14.7 years), 36% were male and 311 hypertensive. There was inverse association between eR and 90-day mRS (path coefficient -0.18±0.01, p<0.01). As compared to a model without eR, correlation between predicted mRS and observed mRS improved in the eR-based model (Spearman's ρ; 0.29±0.18 versus 0.15±0.17, p<0.001). Furthermore, hypertensive patients exhibited lower eR (p<10-6). Conclusion: Using eR in prediction models of stroke outcome is feasible and leads to better model performance. Furthermore, higher eR is associated with more favorable functional post-stoke outcome and might correspond to an overall better vascular health.

Background: The ability to model long-term functional outcomes after acute ischemic stroke (AIS) represents a major clinical challenge. One approach to potentially improve prediction modeling involves the analysis of connectomics. The field of connectomics represents the brain's connectivity as a graph, whose topological properties have helped uncover underlying mechanisms of brain function in health and disease. Specifically, we assessed the impact of stroke lesions on rich club (RC) organization, a high capacity backbone system of brain function. Methods: In a hospital-based cohort of 41 AIS patients, we investigated the effect of acute infarcts on the brain's pre-stroke RC backbone and post-stroke functional connectomes with respect to post-stroke outcome. Functional connectomes were created utilizing three anatomical atlases and characteristic path-length (L) was calculated for each connectome. The number of RC regions (NRC) affected were manually determined using each patient's diffusion weighted image (DWI). We investigated differences in L with respect to outcome (modified Rankin Scale score (mRS); 90-days; poor: mRS>2) and the National Institutes of Health Stroke Scale (NIHSS; early: 2-5 days; late: 90-day follow-up). Furthermore, we assessed the effect of including NRC and L in 'outcome' models, using linear regression and assessing the explained variance (R2). Results: Of 41 patients (mean age (range): 70 (45-89) years), 61% were male. There were differences in L between patients with good and poor outcome (mRS). Including NRC in the backward selection models of outcome, R2 increased between 1.3- and 2.6-fold beyond that of traditional markers (age and acute lesion volume) for NIHSS and mRS. Conclusion: In this proof-of-concept study, we showed that information on network topology can be leveraged to improve modeling of post-stroke functional outcome. Future studies are warranted to validate this approach in larger prospective studies of outcome prediction in stroke.