摘要目的:探讨基于CT平扫的影像组学特征构建的深度学习(DLR)模型对自发性脑出血(sICH)早期血肿扩大(HE)的预测价值.方法:回顾性分析2015年1月—2022年12月在本院就诊的350例sICH患者的临床及影像学资料.所有患者发病6h内接受首次头颅CT平扫,并根据24 h内复查CT图像上血肿体积是否超过基线CT图像上的33％或6 mL,将患者分为HE组(136例)和非HE组(214例).随机将患者以8∶2的比例分为训练组(n=280)和验证组(n=70).对临床和影像学资料进行组间差异检验,筛选出有统计学意义的临床和影像特征.沿血肿边缘逐层手动勾画感兴趣区(ROI),并融合得到血肿的三维容积感兴趣区(VOI);然后,借助软件沿勾画ROI边缘自动外扩2 mm,得到血肿周围组织ROI.利用One-key AI软件分别提取血肿周围组织的影像组学特征和深度学习特征(基于ResNet-50卷积神经网络),联合这两类特征并进行特征筛选,得到混合特征集.基于临床-影像特征、混合特征及前两类特征联合,利用逻辑回归(LR)、朴素贝叶斯(NB)、K最近邻(KNN)、自适应增强(AdaBoost)和多层感知器(MLP)这五种分类器共构建了 15个机器学习模型,采用ROC曲线下面积(AUC)评价各模型的诊断效能,确定最优模型作为输出模型,应用决策曲线分析(DCA)评价最佳模型的临床效益.结果:在临床和常规影像征象中,血清D-二聚体水平、血肿形态、漩涡征、混合征和卫星征在HE组与非HE组之间的差异有统计学意义(P＜0.05).自血肿周围组织共提取得到29个混合特征(15个影像组学特征和14个深度学习特征).在训练组或验证组中,基于联合特征构建的5种机器学习预测模型的效能均高于临床-影像特征和混合特征构建的模型,尤其以训练组中KNN分类器构建的联合模型的预测效能最高(AUC=0.947,95％CI:0.924～0.970),作为本研究的最佳输出模型.DCA显示阈值在0.025～0.980时KNN联合模型获得的临床效益较高.结论:基于CT平扫的血肿周围组织DLR模型可以有效预测sICH早期HE,尤其以联合临床、影像及组学特征构建的KNN分类器模型的预测效能最佳.