双分支概率网络的血肿扩张时序建模及预测

摘要

出血性脑卒中发病率高、病情进展快、预后差，其中，血肿扩张是影响预后的关键因素，精确预测血肿扩张事件对优化临床干预时机、改善治疗效果和提高患者生存质量具有重大意义.针对血肿演变过程复杂性和个体差异性导致的预测挑战，本研究提出了一种基于神经网络参数化高斯过程的血肿扩张建模与预测方法.通过引入非平稳高斯过程对血肿体积的时序演变进行建模，并设计双分支概率预测网络(Dual-Branch Probabilistic Network, DPPN),利用多头注意力机制实现多模态特征动态融合，同时通过独立参数估计分支提高预测可靠性和稳定性.实验结果显示，与现有方法相比，该方法在预测准确性和校准性能上均有显著提升，其中AUC值提高3～5个百分点，预期校准误差降低约40%.该方法为临床实践中的早期预警和干预提供了可靠的技术支撑.

关键词

血肿扩张 / 非平稳高斯过程 / 深度学习 / 双分支概率预测网络 / 极大似然估计