临床放射学杂志

作者：李子辰, 王怀臻, 王怡, 宋成泽, 刘伟伟

单位：250013 济南,山东中医药大学第一临床医学院（李子辰、宋成泽）; 250021 济南,山东省肿瘤防治研究院山东省肿瘤医院（王怀臻）; 266042 青岛,康复大学青岛中心医院（王 怡）; 250011 济南,山东中医药大学附属医院放射科（刘伟伟）

关键词：自发性脑出血,血肿扩大,影像组学,计算机体层摄影术

<b>目的</b> 探讨基于CT平扫图像构建的影像组学模型对自发性脑出血（SICH）患者血肿扩大的预测价值。<b>方法</b> 回顾性纳入2016年1月至2025年3月双中心的393例SICH患者。其中,山东中医药大学附属医院281例患者按7&#x02236;3随机划分为训练集（<em>n</em>=197）与内部验证集（<em>n</em>=84）,山东第一医科大学附属千佛山医院112例患者作为独立外部测试集。纳入标准包括符合脑出血的诊断标准、发病6 h内完成首次头颅CT平扫检查,并于72 h内复查CT。排除标准包括继发性脑出血、患者复查CT前接受手术治疗或死亡、发生缺血性脑梗死出血性转化以及图像存在伪影影响观察。采用3Dslicer软件手动完成感兴趣区的分割。基于传统组学的特征提取与筛选、Vit-3D深度学习模型的特征提取及模型构建,通过特征融合与筛选,借助PixelMedAI平台构建多种机器学习分类模型,包括逻辑回归、支持向量机、K邻近算法、随机森林、极端随机树、极致梯度提升以及多层感知机等,并通过五折交叉验证对训练集进行模型参数优化,选择表现最佳的分类模型。<b>结果</b> 基于联合特征的模型在训练集、验证集与测试集中的预测效能均优于其他模型,其在训练集的曲线下面积（AUC）、灵敏度、特异度、准确度分别为0.929、0.923、0.788、0.832,其在验证集的AUC、灵敏度、特异度、准确度分别为0.961、0.929、0.946、0.940,其在测试集的AUC、灵敏度、特异度、准确度分别为0.927、0.810、0.923、0.902,且<em>Delong</em>检验结果显示此模型的AUC与其余5个模型的AUC间的差异均有统计学意义。<b>结论</b> 基于CT平扫的影像组学模型在预测SICH患者早期血肿扩大方面表现良好,尤其以联合临床、常规影像学及影像组学特征构建的基于LightGBM算法的联合模型的预测效能最佳。

来源：2026年第3期

《临床放射学》期刊编辑部

查看临床放射学杂志2026年第3期