目的:探讨基于头颅CT平扫(noncontrast computed tomography,NCCT)的影像组学模型在预测自发性脑出血早期血肿扩大中的潜在作用。方法:选取皖南医学院第一附属医院2012年8月至2020年6月期间确诊为自发性脑出血的患者104例,其中男性32例,女性72例,年龄(57±11.4)岁,按照7:3的比例随机将患者分为训练集(74例)和验证集(30例)。所有患者均于发病后6小时之内行头颅CT平扫检查,并于基线CT平扫检查后24小时内进行复查;以复查的血肿体积相对于基线血肿增加6ml或者超过基线血肿体积的33%作为血肿扩大的标准将患者分为血肿扩大组、血肿未扩大组。将患者基线CT平扫图像以DICOM格式从影像归档和通信系统(Picture Archiving and Communication Systems,PACS)中导出,使用Radi Ant DICM Viewer(64-bit)软件从DICOM图像中提取出患者脑窗图像,然后在ITK-SNAP(version 4.6)软件上手动逐层勾画感兴趣区域(region of interest,ROI),再将多个层面ROI融合成感兴趣体积(volume of interest,VOI),把得到的患者VOI信息导入GE公司开发的AK软件进行影像组学特征参数的提取。在训练集上,运用最小冗余最大相关(minimum redundancy maximum relevant,m RMR)去除冗余和不相干的特征,再经LASSO回归选择特征,构建影像组学模型,并在验证集上进行验证。通过受试者工作曲线(ROC)分析来评估该模型的鉴别诊断能力,用HosmerLemeshow检验评价模型拟合优度,采用决策曲线分析评价模型的临床应用效益。结果:最终选择了9个最佳的影像组学特征构建模型,包括lbp-3Dm1＿firstorder＿Median＿1、lbp-3D-m1＿firstorder＿Mean Absolute Deviation＿1、wavelet-HHH＿gldm＿Dependence Variance、lbp-3D-m1＿firstorder＿10Percentile＿1、wavelet-LLH＿firstorder＿10Percentile、wavelet-LLL＿ngtdm＿Contrast、wavelet-HHH＿glcm＿Cluster Shade、original＿firstorder＿90Percentile、wavelet-HLL＿glcm＿Contrast;该模型在训练集中的敏感性、特异性、AUC值分别为0.893、0.848、0.910,在验证集中的敏感性、特异性、AUC值分别为0.909、0.895、0.914。Hosmer-Lemeshow检验显示模型的校准度较好。决策曲线分析显示模型的临床收益较高。结论:基于CT平扫的影像组学模型预测自发性脑出血早期血肿扩大的效能较高,能为临床制定个性化治疗方案提供帮助。