临床放射学杂志

作者：过永, 张晓金, 张林杰, 徐家军, 朱先锋, 董明松, 张虎

单位：241000 芜湖市第二人民医院放射科

关键词：体层摄影术,X线计算机,机器学习,原发性脑出血,血肿进展,SHAP

基金：本研究系安徽省芜湖市皖南医学院校科研项目(编号:WK2023JXYY131)

<b>目的</b> 探讨基于临床与CT影像特征的可解释性多种机器学习(ML)算法、并构建选择最优输出模型预测原发性脑出血(PICH)早期血肿进展的价值。<b>方法</b> 回顾性分析芜湖市第二人民医院260例PICH患者的临床、实验室检查、CT影像学资料,根据初始血肿体积和复查血肿体积的差值,分为进展组和稳定组。将所有患者按6∶4随机分为训练组(n=156)与验证组(n=104)。通过单因素与多因素Logistic回归分析筛选预测PICH早期血肿进展的独立危险因素。利用逻辑回归(LR)、K最近邻(KNN)、决策树(DT)、朴素贝叶斯(NB)、支持向量机(SVM)、随机森林(RF)6种不同ML算法分别构建预测模型,使用受试者工作特征曲线(ROC)曲线下面积(AUC)评估其性能。通过比较不同ML算法的性能,选出最佳模型,并利用Shapley加法解释方法(SHAP)值对该模型进行可视化,解释各个特征对预测结果的贡献。<b>结果</b> 单因素与多因素Logistic回归分析显示形态评分、混合征、低密度征和糖尿病是预测PICH早期血肿扩大的独立危险因素。训练组ML模型的AUC为0.760~0.892;验证组ML模型的AUC为0.732~0.843。其中,RF模型在验证组中显示出最高的预测性能,其AUC值达到0.843,为最优输出模型,SHAP显示混合征是PICH早期血肿进展最重要的危险因素。<b>结论</b> 结合临床与CT影像学特征的可解释性ML模型,可为PICH患者早期血肿进展提供更精确的评估。特别是RF模型在验证组中AUC值最大,显示出其在提升临床决策中具有较高价值。

来源：2025年第5期

《临床放射学》期刊编辑部

查看临床放射学杂志2025年第5期