摘要目的 探讨基于平扫CT(NCCT)多维度影像组学特征模型对传统影像学特征阴性的自发性脑出血(sICH)患者早期血肿扩大(HE)的预测价值.方法 回顾性连续纳入2019 年1 月至2022 年12 月扬州大学附属江都人民医院神经内科无HE传统影像学特征的sICH住院患者185 例,发病6h以内行首次头部NCCT检查,并于24h内行头部NCCT复查,根据是否发生HE将所有入选患者分为血肿扩大组(59 例)和血肿未扩大组(126 例).应用"One-key AI"科研平台提取血肿内、血肿外影像组学特征,并融合成血肿内外影像组学特征,应用最小绝对收缩和选择算子(LASSO)回归方法进行特征筛选,应用支持向量机(SVM)分类器构建预测模型,同时构建临床参数和列线图模型(前4 种模型的融合).将所有患者按7∶3 的比例分为训练集(130 例)和验证集(55 例).使用受试者工作特征曲线的曲线下面积(AUC)评估各模型的预测性能,使用Delong检验比较各模型的AUC值,使用决策曲线分析(DCA)评估模型的有效性.结果 血肿内、血肿外各筛选出1834 个特征参数,通过LASSO回归方法筛选出血肿内感兴趣区域17 个、血肿外感兴趣区域21 个和血肿内外感兴趣区域29 个特征参数.构建的SVM模型为临床参数以及血肿内、血肿外、血肿内外影像组学特征及列线图模型.受试者工作特征曲线分析结果显示,临床参数模型及血肿内、血肿外、血肿内外影像组学特征模型以及列线图模型在训练集中的AUC分别为0.742(95%CI:0.648～0.835)、0.941(95%CI:0.903～0.978)、0.955(95%CI:0.915～0.996)、0.964(95%CI:0.938～0.990)和0.985(95%CI:0.971～0.999),在验证集中的AUC分别为0.696(95%CI:0.596～0.798)、0.837(95%CI:0.765～0.909)、0.872(95%CI:0.805～0.939)、0.908(95%CI:0.851～0.940)和0.912(95%CI:0.859～0.964).Delong检验结果显示,血肿内影像组学特征模型、血肿外影像组学特征模型、血肿内外影像组学特征模型和列线图模型AUC在训练集和验证集中均显著高于临床模型,差异均有统计学意义(训练集Z值分别为2.325、2.899、3.028、3.324,验证集Z值分别为1.998、2.044、2.898、2.965,均P＜0.05),而在训练集和验证集中,血肿内影像组学特征模型、血肿外影像组学特征模型、血肿内外影像组学特征模型、列线图模型两两之间的AUC比较,差异均无统计学意义(均P＞0.05).DCA结果表明,血肿内、血肿外及血肿内外影像组学特征模型较临床参数模型可提供更大的益处.结论 基于NCCT的多维度影像组学特征模型对预测HE传统影像学阴性的sICH患者早期HE具有一定的价值.