摘要
背景：非创伤性脑出血（ICH）后早期预测血肿扩展（HE）可指导预防性治疗干预。本研究旨在比较机器学习（ML）放射组学模型与临床专家通过头部CT（HCT）预测HE的准确性。
方法：研究数据来自ATACH-2试验中900名ICH患者的资料，在训练队列（n=621）中开发基于基线HCT影像及入院临床数据的ML模型，并在独立测试队列（n=279）中验证其预测效能（定义为24小时内HE达33%或>6mL）。同时邀请专家临床医生使用相同初始HCT图像和临床数据进行预测判断。比较临床医生预测、仅使用放射组学数据的ML模型（随机森林分类器和深度学习影像模型）以及结合放射组学和临床数据的ML模型（三种不同特征组合的随机森林模型）的ROC曲线下面积（AUC）。计算专家间评估一致性kappa值，并将最佳模型与临床预测进行对比。
结果：专家临床预测HE的AUC为0.591（kappa值0.156），而仅使用放射组学数据的深度学习模型达到0.680，结合放射组学和临床数据的随机森林模型达到0.677。临床判断与最佳ML模型的组内相关系数为0.47（95%置信区间0.23–0.75）。
结论：我们引入的监督式机器学习算法显示，HE预测效能可超越执业临床医生。尽管整体AUC中等，但本研究结果为这类临床难题确立了新的相对效能基准，凸显了持续改进AI辅助决策系统的必要性，以优化脑出血患者管理。研究强调即使专家群体面临的预测挑战，也为临床决策支持系统发展提供了重要方向。
【全文结束】
