目的:本研究旨在基于CT影像组学建立模型预测脑出血患者预后情况并对模型进行验证。方法:回顾性获取贵州医科大学附属医院于2019年10月至2021年10月期间289例确诊为自发性脑出血患者（intracerebral hemorrhage,ICH）的影像学和临床资料。根据患者在出院时改良的Rankins评估（m RS）结果作为结局,m RS≤3为预后良好（n=202）,m RS＞3为预后不良（n=87）,从而将患者进行分组,并以7:3比将患者随机地分为训练集与验证集。训练集病例可以用来建立预测模型,而验证集病例可以用来证明检验模型的有效性,收集遵义医科大学附属医院同时期163例自发性脑出血患者进行外部验证。收集了患者入院时的首次头颅CT,勾画图像并获取感兴趣区（Regionofinterest,ROI）,利用获取的ROI进行特征提取,采用最小绝对收敛和选择算子（Lesat absolute shrinkage and seletion operator,LASSO）回归法进行降维处理,采用5倍交叉验证方法调试出最优参数并结合逻辑回归（Logistic regression,LR）、朴素贝叶斯算法（Naive Bayesian Classification,NB）、XGBoost算法、随机森林（Random forest,RF）、Ada Boost算法5种机器算法建立预测模型,比较所有模型得准确性。根据筛选出得特征并依照其系数计算得到影像组学标签（Radscore）,再结合ICH患者短期预后的独立预测因子,通过训练队列的多变量Logistic回归分析方法构建影像+临床的综合预测模型并绘制列线图将其可视化,评价分析各种模型的准确度、阳性预测值（Positive predictive value,PPV）、阴性预测值（Negative predictive value,NPV）、敏感性、特异性和F1评分,最终建立临床影像组学列线图,并在内部和外部队列中进行了验证。结果:模型开发数据集及外部验证集共纳入452例患者,其中有237例（52.4%）短期预后较差。基于LASSO回归法进行降维处理,共筛选了3个影像特征。将这3个影像特征输入至5种机器算法种构建预测模型并绘制ROC曲线,它们得AUC分别是:0.73、0.80、0.80、0.83、0.81。临床影像组学列线图由6个独立的预测因子组成,即GCS、性别、破入脑室、消化道出血、中线移位和Radscore。临床影像组学列线图显示训练集及内部验证集AUC值分别为:0.88、0.86,PPV、NPV、敏感度、特异度及F1评分分别为0.75、0.89、0.88、0.77、0.82及0.63、0.67、0.60、0.70、0.68;通过外部验证得到AUC值为0.86,敏感度、特异度及F1评分分别为0.85、0.68、0.62、0.88、0.77。校准曲线表明,临床影像组学列线图可以在训练队伍和外部检验队列中都表现出满意的校准,而在内部检验队列中的一致性则稍差。临床决策曲线显示,风险程度在0.4-0.6时,临床影像组学列线图预测预后的临床获益率高于临床模型。结论:1、临床影像组学列线图是一种有效的计算机辅助工具,可为ICH患者提供短期预后的个性化风险评估。2、结合影像组学与机器算法构建预测模型,其中RF算法模型的性能最好。3、我们研究显示ICH患者早期临床风险程度在0.4-0.6时,临床影像组学列线图能更好地辅助临床评估患者短期预后。