目的脑出血（intracranial hemorrhage,ICH）是指非外伤性的脑实质内出血,是对人类生命和生活能力危害性最大的一种卒中。本次研究旨在建立一个基于非增强计算机断层扫描（non-contrast computer tomography,NCCT）的血肿加血肿周围组织的联合模型,与传统的单一血肿模型进行比较,探讨血肿周围组织对预测脑出血患者功能预后的重要性,并进行脑出血预后相关危险因素分析。材料与方法1.病例收集我们收集了自2019年1月至2020年5月就诊于大连医科大学附属第二医院的自发性脑出血患者。根据改良Rankin评分（m RS）量表评判脑出血患者发病后3个月时的功能状态。纳入标准:入院时经临床及影像学检查证实为原发性脑出血患者;年龄大于18岁;出现症状的24h内接受了基线非增强CT扫描并于获取基线CT的48h内获得随访CT;影像学检查结果及临床资料齐全。排除标准:患者在基线或随访CT前接受了手术或介入治疗;外伤、肿瘤及动脉瘤等导致的继发性脑出血;孤立性脑室出血或蛛网膜下腔出血;颅内多发血肿;图像伪影较大;发病后3个月内失访患者。2.临床资料分析回顾性收集每名患者的首次及随访NCCT图像及其临床资料,包括年龄、性别、高血压病史、发病距基线NCCT时间、血肿位置、是否合并脑室出血、基线NCCT血肿体积及是否发生血肿扩大。血肿体积使用3D Slicer软件进行测量,脑室血肿不计入血肿总体积内。3.图像分割收集ICH患者首次就诊时的CT图像并导入3D Slicer软件,由一名具有2年诊断经验的影像科医师采用半自动分割算法逐层勾画血肿感兴趣区（region of interest,ROI）生成血肿VOI模型。血肿勾画完成后我们使用“margin”算法,使血肿在三维空间向外扩展1cm得到血肿加血肿周围组织联合模型。为了评价观察者间的可重复性,我们进行了组间相关系数（interclass correlation coefficient,ICC）检验。我们从此批次患者中随机选择出20名患者的图像由一名富有7年工作经验的影像科医师进行重新勾画,然后计算两名影像科医师的组间一致性,当ICC＞0.75时表明一致性较好。4.特征选择和模型建立我们基于3D Slicer软件分别从血肿本身和血肿加血肿周围组织的ROI图像中提取出影像组学特征,我们去除了ICC≤0.75的特征值,将特征值文件导入医准-达尔文智能平台,经过降维处理后筛选出预测性能最优的特征值。我们比较了四种机器学习分类器对分类模型的预测效能,选择预测性能最优的算法建立预测模型,用曲线下面积（area under the curve,AUC）评估放射组学模型的预测性能。结果1.临床基线资料在本次研究中,我们共纳入118名脑出血患者,其中预后良好组58例,预后不良组60例。年龄、性别、高血压、血肿位置及是否合并脑室出血在两组间差异均无统计学意义,但是预后不良组的脑出血患者具有较大的基线血肿体积,并且发病距基线NCCT的时间明显缩短,差异具有统计学意义。我们依据随访CT图像将118名脑出血患者分为血肿扩大组38例及血肿未扩大组80例,在血肿扩大组中,患者预后不良及死亡的发生率明显增加,差异具有统计学意义。2.特征值筛选结果本次研究在排除了ICC≤0.75的特征值后,分别保留了血肿模型和血肿加血肿周围组织联合模型的1130个影像组学特征,经过最优特征筛选、根据模型选择及迭代筛选特征三种降维方式处理后每个模型保留了8个目标特征。我们选择了预测性能最优的逻辑回归算法建立预测模型,模型的稳定性通过五折交叉验证进行检验。3.预测模型性能评估单一血肿模型:平均AUC值0.83,标准差0.07;准确性0.80,敏感性0.81,特异性0.78,阳性预测值0.76,阴性预测值0.83,F1值0.79,约登指数0.59。血肿与血肿周围组织联合模型:其预测效能及模型的稳定性明显优于单一血肿模型,平均AUC值0.88,标准差0.05;准确性85%,敏感性84%,特异性85%,阳性预测值84%,阴性预测值85%,F1值0.84,约登指数0.69。结论基于NCCT的血肿和血肿周围组织的联合模型较单一血肿模型可以更准确地预测脑出血患者的功能预后,血肿周围组织可能为临床提供了更多预后相关的信息,并有望作为一个有价值的靶点提高ICH患者预后的预测效能。