背景及目的:自发性脑出血（spontaneous intracerebral hemorrhage,SICH）是最具破坏性的中风形式之一,具有很高的发病率和死亡率,自发性脑出血后早期血肿扩张严重影响患者的预后。血肿扩张是一个潜在的临床重要治疗指标。因此,本次研究的目的是建立预测SICH患者早期血肿扩张的影像组学模型及结合影像组学、影像学征象和临床相关因子的混合模型,并对比其预测性能。材料与方法:本研究回顾性收集了2017年1月至2021年3月吉林大学中日联谊医院SICH患者792例,并收集相关临床与影像学资料。所有患者均在发病后12小时内完成首次平扫CT检查,首次CT后24小时内完成随访CT扫描。当有多个扫描可用时,将最接近24小时的扫描用于确定血肿扩大。血肿扩大被定义为在24小时内平扫CT中,血肿体积增加＞33%或＞6 ml。根据是否血肿扩张,将所有病例分为血肿扩张组180例,血肿非扩张组612例。经过数据预处理后,根据本次对比实验所使用病例全部一致,为了减少数据偏倚,随机筛选出血肿扩张组147例,不扩张组148例共295例患者。样本对应添加标签1表示扩张,0表示不扩张。按照7:3的比例将上述病例分为训练集、测试集。从基线非对比计算机断层扫描（NCCT）图像中提取血肿及周围水肿高维定量特征,基于SVM机器学习方法构建影像组学模型;两名放射科医生独立评估NCCT图像,收集相关影像学征象,结合患者的影像学征象和临床相关因子,构建了影像组学+影像学征象、临床相关因子的混合模型。两种模型的预测性能通过受试者操作特征（Receiver operating characteristic,ROC）曲线和曲线下面积（The area under the curve,AUC）分析进行评估。结果:在训练集中,混合模型的AUC值是0.81;在测试集中,影像组学模型ROC曲线的AUC是0.65,混合模型ROC曲线的AUC是0.80。结论:基于SVM机器学习方法建立的影像组学预测模型在预测SICH患者早期血肿扩张方面有较好的诊断价值,混合征、黑洞征、岛征、高血压、吸烟史、发病至第一次CT扫描时间、APTT为候选预测因子,将其纳入自发性脑出血早期血肿扩张诊断决策,构建的基于影像组学的混合模型显示出高预测性能和优于单纯的影像组学模型。