中型颅脑损伤影像延迟恶化评估新模型研究

摘要

目的 探讨中型创伤性颅脑损伤(m TBI)患者延迟恶化特征及相关因素，构建影像延迟恶化评估模型。方法 采用多中心回顾性队列研究设计，纳入2015年1月至2022年12月收治的363例m TBI患者，其中训练集233例(单中心)、验证集130例(多中心)。基于nnUNet深度学习框架实现CT影像的自动化出血/水肿分割及脑区分区，结合CatBoost机器学习算法构建以“入院72 h内脑挫伤体积进展>80%”为结局事件的预测模型。通过Shapley加性解释(SHAP)解析关键预测因子，并采用SMOTE重采样与交叉验证优化模型效能。结果 最终模型AUC达0.80[95%CI(0.76,0.84)]，显著优于传统评分系统。SHAP分析显示，颞叶血肿体积(SHAP值6.31)、血肿长轴(SHAP值5.15)、白细胞计数(SHAP值4.68)、纤维蛋白原(SHAP值4.07)、水肿体积(SHAP值3.85)及血清钙(SHAP值3.72)为关键预测因子。模型验证显示准确率80.65%,F1分数0.79，具备良好的临床鉴别能力。结论 基于m TBI患者入院病例资料构建的CatBoost模型整合多模态数据，系统量化了病史资料、脑挫伤病灶形态学参数与全身炎症/凝血指标的协同预测价值，为m TBI分层管理提供智能化决策工具。

关键词

颅脑损伤,创伤性 / 疾病进展 / 断层摄影术,X射线计算机 / 深度学习 / 机器学习 / 血肿 / 临床恶化 / 算法