2023华为杯E题：出血性脑卒中临床智能诊疗建模（不断更新）

一、 背景介绍

一堆介绍，了解下我们为何要做这个研究。

出血性脑卒中指非外伤性脑实质内血管破裂引起的脑出血，占全部脑卒中发病率的10-15%。其病因复杂，通常因脑动脉瘤破裂、脑动脉异常等因素，导致血液从破裂的血管涌入脑组织，从而造成脑部机械性损伤，并引发一系列复杂的生理病理反应。出血性脑卒中起病急、进展快，预后较差，急性期内病死率高达45-50%，约80%的患者会遗留较严重的神经功能障碍，为社会及患者家庭带来沉重的健康和经济负担。因此，发掘出血性脑卒中的发病风险，整合影像学特征、患者临床信息及临床诊疗方案，精准预测患者预后，并据此优化临床决策具有重要的临床意义。
出血性脑卒中后，血肿范围扩大是预后不良的重要危险因素之一。在出血发生后的短时间内，血肿范围可能因脑组织受损、炎症反应等因素逐渐扩大，导致颅内压迅速增加，从而引发神经功能进一步恶化，甚至危及患者生命。因此，监测和控制血肿的扩张是临床关注的重点之一。此外，血肿周围的水肿作为脑出血后继发性损伤的标志，在近年来引起了临床广泛关注。血肿周围的水肿可能导致脑组织受压，进而影响神经元功能，使脑组织进一步受损，进而加重患者神经功能损伤。综上所述，针对出血性脑卒中后的两个重要关键事件，即血肿扩张和血肿周围水肿的发生及发展，进行早期识别和预测对于改善患者预后、提升其生活质量具有重要意义。
医学影像技术的飞速进步，为无创动态监测出血性脑卒中后脑组织损伤和演变提供了有力手段。近年来，迅速发展并广泛应用于医学领域的人工智能技术，为海量影像数据的深度挖掘和智能分析带来了全新机遇。期望能够基于本赛题提供的影像信息，联合患者个人信息、治疗方案和预后等数据，构建智能诊疗模型，明确导致出血性脑卒中预后不良的危险因素，实现精准个性化的疗效评估和预后预测。相信在不久的将来，相关研究成果及科学依据将能够进一步应用于临床实践，为改善出血性脑卒中患者预后作出贡献。

二、 数据集介绍及建模目标

这里是数据集介绍

赛题提供了160例（100例训练数据集+60例独立测试数据集）出血性脑卒中患者的个人史、疾病史、发病及治疗相关信息、多次重复的影像学检查（CT平扫）结果及患者预后评估,该部分信息可在“**表1-患者列表及临床信息”**中查询。如图1为脑出血患者CT平扫，红色为血肿区域，黄色为水肿区域。赛题提供影像学检查数据，包括各个时间点血肿/水肿的体积、位置、形状特征及灰度分布等信息。体积及位置信息可在“表2-患者影像信息血肿及水肿的体积及位置”中查询。形状及灰度分布信息可在“表3-患者影像信息血肿及水肿的形状及灰度分布”中查询。

根据数据，分析实现这个目标。

赛题目标：通过对真实临床数据的分析，研究出血性脑卒中患者血肿扩张风险、血肿周围水肿发生及演进规律，最终结合临床和影像信息，预测出血性脑卒中患者的临床预后。

目标变量，很重要，别忽略！

目标变量：
 发病48小时内是否发生血肿扩张：1是；0否。
 发病后90天 mRS：0-6，有序等级变量。其中mRS是评估卒中后患者功能状态的重要工具，详见附件2相关概念。

上面是目标变量，下面自然是自变量。目标变量就是因变量的意思。这里大概看一下就行，等解决问题的时候再做具体确定，并不是一来就要全部用完这些变量的！

自变量

临床信息：相关信息在“表1-患者列表及临床信息”中获取。
 ID：患者ID。
 训练数据集：sub001至sub100，共计100例。包含：患者信息、首次及所有随访影像数据及90天mRS。
 测试数据集1：sub101至sub130，共计30例。包含：患者信息、首次影像数据。不包含：随访影像数据及90天mRS。
 测试数据集2：sub131至sub160，共计30例。包含：患者信息、首次及所有随访影像数据。不包含：90天mRS。
 入院首次影像检查流水号：一个14位数字编码。前8位代表年月日，后6位为顺序编号（注意：不是时分秒）。流水号是影像检查的唯一编码，具体影像检查时间点可通过对应流水号在“附表1-检索表格-流水号vs时间”中检索。
 年龄： 岁
 性别：男/女
 脑出血前mRS评分：0-6，有序等级变量
 高血压病史：1是0否
 卒中病史：1是0否
 糖尿病史：1是0否
 房颤史：1是0否
 冠心病史：1是0否
 吸烟史：1是0否
 饮酒史：1是0否
发病相关特征，共计2字段。
 血压：收缩压/舒张压。单位： 毫米汞柱
 发病到首次影像检查时间间隔：单位：小时
治疗相关特征，共计7字段。
 脑室引流：1是0否
 止血治疗：1是0否
 降颅压治疗：1是0否
 降压治疗：1是0否
 镇静、镇痛治疗：1是0否
 止吐护胃：1是0否
 营养神经：1是0否
影像相关特征，共计84字段/时间点。
 血肿及水肿的体积和位置信息在“表2-患者影像信息血肿及水肿的体积及位置”中获取，包含了：每个时间点血肿（Hemo）总体积及水肿（ED）总体积及不同位置的占比。体积占比定义：血肿/水肿在该位置的体积占总体积大小的比例，取值范围为：0-1。如：0代表该区域没有发生血肿/水肿，1则代表该患者所有血肿/水肿均发生在该区域，可通过占比换算出该位置绝对体积。本赛题采用通用模板，区分左右侧大脑前动脉（ACA_L， ACA_R），左右侧大脑中动脉（MCA_L，MCA_R），左右侧大脑后动脉（PCA_L，PCA_R），左右侧脑桥/延髓（Pons_Medulla_L，Pons_Medulla_R），左右侧小脑（Cerebellum_L，Cerebellum_R）共十个不同位置，具体位置和参考文献见附件2-相关概念。综上，总体积：2个字段（单位：10-3ml），位置：20个字段。在每个时间点，体积及位置特征共计22个字段。
 血肿及水肿的形状及灰度分布在“表3-患者影像信息血肿及水肿的形状及灰度分布”的两个不同标签页存放，可通过流水号检索对应数据。每个时间点血肿及水肿的形状及灰度特征，反映目标区域内体素信号强度的分布（17个字段）及三维形状的描述（14个字段），因此，在每个时间点，血肿及水肿的形状+灰度分布特征共62字段。
注：重复影像数据根据临床真实情况提供，重复时间个体间可能存在差异。

第一题：血肿扩张风险相关因素探索建模。

第一问要求

根据表1和表2，判断患者sub001至sub100发病后48小时内是否发生血肿扩张事件

请根据“表1”（字段：入院首次影像检查流水号，发病到首次影像检查时间间隔），“表2”（字段：各时间点流水号及对应的HM_volume），判断患者sub001至sub100发病后48小时内是否发生血肿扩张事件。

表1为患者列表及临床信息数据 大致如下：

表2（患者影像信息血肿及水肿的体积及位置数据） 如下：

表4问题一部分数据如下：

为此，我们可以先把问题一单独整理一份文件命名为“问题一答案.xlsx”，如下所示：

下面只是说明，填写答案的时候要规范。

结果填写规范：1是0否，填写位置：“表4”C字段（是否发生血肿扩张）。
如发生血肿扩张事件，请同时记录血肿扩张发生时间。

结果填写规范：如10.33小时，填写位置：“表4”D字段（血肿扩张时间）。
 是否发生血肿扩张可根据血肿体积前后变化，具体定义为：后续检查比首次检查绝对体积增加≥6 mL或相对体积增加≥33%。
注：可通过流水号至“附表1-检索表格-流水号vs时间”中查询相应影像检查时间点，结合发病到首次影像时间间隔和后续影像检查时间间隔，判断当前影像检查是否在发病48小时内。

第一问解题思路

解决问题主要在于是否能理解定义，这里实际上只是一个数据分析类问题，并不是预测、分类，误解则一错再错。

实现步骤如下：

1. 使用"附表1-检索表格-流水号vs时间"确定各患者在发病后48小时内的所有影像检查流水号。
2. 对于每个患者，使用"表2"中的首次检查与后续检查的HM_volume数据，判断是否满足血肿扩张的定义（绝对体积增加≥6 mL或相对体积增加≥33%）。
3. 将得到的结果填入“表4”的相应列：C字段（是否发生血肿扩张）和D字段（血肿扩张时间）。保存为新的Excel文件供进一步分析或提交。

第二问

请以是否发生血肿扩张事件为目标变量，基于“表1” 前100例患者（sub001至sub100）的个人史，疾病史，发病相关（字段E至W）、“表2”中其影像检查结果（字段C至X）及“表3”其影像检查结果（字段C至AG，注：只可包含对应患者首次影像检查记录）等变量，构建模型预测所有患者（sub001至sub160）发生血肿扩张的概率。

注：该问只可纳入患者首次影像检查信息。
结果填写规范：记录预测事件发生概率（取值范围0-1，小数点后保留4位数）；填写位置：“表4”E字段（血肿扩张预测概率）。

第二问解体思路

这里是个机器学习的问题，大致可能思路如下：

1. 从"表1"中提取前100例患者的个人史、疾病史、发病相关变量作为特征。
2. 从"表2"和"表3"中提取首次影像检查的结果作为特征。
3. 使用上述所有特征和第一小问中的血肿扩张判定结果训练模型。
4. 使用训练好的模型预测所有患者（sub001至sub160）发生血肿扩张
   概率，并记录在"表4"的血肿扩张预测概率字段。

第二题：血肿周围水肿的发生及进展建模，并探索治疗干预和水肿进展的关联关系

第一问

请根据“表2”前100个患者（sub001至sub100）的水肿体积（ED_volume）和重复检查时间点，构建一条全体患者水肿体积随时间进展曲线（x轴：发病至影像检查时间，y轴：水肿体积，y=f(x)），计算前100个患者（sub001至sub100）真实值和所拟合曲线之间存在的残差。

结果填写规范：记录残差，填写位置“表4”F字段（残差（全体））。

第一问思路

1. 使用"表2"中前100个患者的ED_volume数据和对应的检查时间点数据建立水肿体积随时间进展的模型。
2. 计算真实值与模型预测值之间的残差，并填入"表4"的残差（全体）字段。

第二问

请探索患者水肿体积随时间进展模式的个体差异，构建不同人群（分亚组：3-5个）的水肿体积随时间进展曲线，并计算前100个患者（sub001至sub100）真实值和曲线间的残差。

结果填写规范：记录残差，填写位置“表4”G字段（残差（亚组）），同时将所属亚组填写在H段（所属亚组）。

第二问思路

1. 将患者分为3-5个亚组。
2. 对于每个亚组，使用与上述类似的方法建立水肿体积随时间进展的模型。
3. 计算每个亚组真实值与模型预测值之间的残差，并填入"表4"的残差（亚组）和所属亚组字段。

第三问

请分析不同治疗方法（“表1”字段Q至W）对水肿体积进展模式的影响。

第四问

请分析血肿体积、水肿体积及治疗方法（“表1”字段Q至W）三者之间的关系。

第三四问

1. 使用统计分析方法（如ANOVA、回归分析）探索不同治疗方法与水肿体积进展模式的关系。
2. 使用多元回归分析探索血肿体积、水肿体积及治疗方法三者之间的关联。

第三题：出血性脑卒中患者预后预测及关键因素探索

第一问

请根据前100个患者（sub001至sub100）个人史、疾病史、发病相关（“表1”字段E至W）及首次影像结果（表2，表3中相关字段）构建预测模型，预测患者（sub001至sub160）90天mRS评分。
注：该问只可纳入患者首次影像检查信息。
结果填写规范：记录预测mRS结果，0-6，有序等级变量。填写位置“表4”I字段（预测mRS（基于首次影像））

第二问

根据前100个患者（sub001至sub100）所有已知临床、治疗（表1字段E到W）、表2及表3的影像（首次+随访）结果，预测所有含随访影像检查的患者（sub001至sub100,sub131至sub160）90天mRS评分。
结果填写规范：记录预测mRS结果，0-6，有序等级变量。填写位置“表4”J字段（预测mRS）。

第一二问思路

1. 从"表1"中提取患者的个人史、疾病史、发病相关变量。
2. 从"表2"和"表3"中提取首次影像和随访影像结果。
3. 使用上述所有特征和"表1"中的90天mRS评分训练预测模型。
4. 使用训练好的模型预测目标患者群体的90天mRS评分，并记录在"表4"的预测mRS字段。

第三问

请分析出血性脑卒中患者的预后（90天mRS）和个人史、疾病史、治疗方法及影像特征（包括血肿/水肿体积、血肿/水肿位置、信号强度特征、形状特征）等关联关系，为临床相关决策提出建议。

第四问思路

1. 使用统计分析方法（如相关性分析、回归分析）探索90天mRS与个人史、疾病史、治疗方法及影像特征等之间的关联。
2. 根据分析结果为临床决策提供建议。

附件

 表1-患者列表及临床信息.xlsx
 表2-患者影像信息血肿及水肿的体积及位置.xlsx
 表3-患者影像信息血肿及水肿的形状及灰度分布.xlsx
 表4-答案文件.xlsx
 附表1-检索表格-流水号vs时间.xlsx
 附件2-相关概念.docx

完整代码获取方式

请查看：

https://mp.weixin.qq.com/s/xkZB3V8E5kyG18OiBnppbQ