脑出血（Intracerebral Hemorrhage,ICH）是一种高死亡率和致残率的全球性疾病。患者在急性期内容易发生再次出血或快速死亡。若能快速识别出患者在24小时后的血肿扩增风险,尽早对患者进行临床干预,可以有效改善患者的预后,降低病死率。目前,计算机断层扫描（Computed Tomography,CT）被广泛用于脑出血的早期检测,具有耗时短、成本低等优点。但是单次CT检查提供的信息有限,仅基于CT图像诊断容易出现漏诊的情况。在临床上,医生常结合影像特征和血肿体积两项来预测患者是否会发生血肿扩增。此外,血肿扩增还与患者的血压等临床指标紧密相关,但是如何结合信息量迥异的影像和临床数据从而提高预测准确性是研究的难点。因此,本文设计了一种双模态高维融合的早期血肿扩增预测模型,使预测更为准确、高效。目前血肿扩增的预测方法主要有两种:基于CT征象的传统方法和基于机器学习（Machine Learning,ML）的半自动方法。前者通过回顾性分析找出能够独立预测的特殊CT征象,依靠专业医师对CT图像进行识别。后者则是使用支持向量机从CT征象和临床信息等数据中抽取出若干特征进行分类,虽然结合临床信息后提高了准确性,但是仍然存在征象识别困难以及血肿体积测量繁琐等问题。本文利用深度学习（Deep Learning,DL）的方法对图像和非图像数据进行分析,提出双模态融合的全自动血肿扩增预测模型。首先,本文改进了传统的卷积神经网络（Convolutional Neural Network,CNN）,以实现对不同维度的双模态数据均衡融合。具体而言:在视觉特征提取子网络中引入轻量化的注意力机制,深度挖掘高维视觉特征。结合临床信息与血肿扩增间的相关性,构建低维临床信息的高维拟合子网络。并设计了权重均衡的双模态融合模块,整合两个子网络输出的高维特征,从多数据角度分析病情,实现了基于单次CT检查的准确预测。实验表明,视觉特征与临床信息的高维融合模型能够显著降低血肿扩增的漏诊率。而后,本文依据贝叶斯深度学习的理论,引入了基于蒙特卡洛（Monte Carlo,MC）采样的不确定性估计,以此作为对点预测的补充解释,从而提高决策的可靠性。由于预测过程中存在不可避免的图像噪声和模型参数偶然性等影响,模型对于模糊的脑出血样本往往预测过高的错误概率值,通过量化不确定性可以筛选出错误样本。实验结果验证了不确定性与分类准确性间的相关性,且模型的准确率从79.4%提升到了83.9%。综上所述,本文在单次CT检查的基础上,高效地整合了患者的临床特征,构建了基于双模态融合的血肿扩增预测模型,模型主要包括视觉高维特征提取模块、临床信息上采样模块和预测结果筛选模块。模型实现了血肿扩增的全自动快速预测,减轻了医生的负担,提供了诊断结果的可靠性,提高了预测的准确度和敏感度。对脑出血患者的早期治疗以及预后诊断都具有重大的意义。