背景与目的:急性缺血性脑卒中发病4.5h内给予组织型纤溶酶原激活剂(recombinant tissue plasminogen activator,rt-PA)静脉溶栓治疗可改善预后。症状性颅内出血是rt-PA静脉溶栓治疗的严重并发症之一,可导致患者神经功能恶化甚至死亡。本次研究中,我们探索了机器学习(machine learning,ML)中残差网络算法和XGBoost算法预测患者溶栓后出血转化的可行性,同时识别出溶栓出血转化的危险因素,为评估患者溶栓风险提供循证医学依据。方法:我们回顾性纳入自2015年7月至2018年5月期间于吉林大学第一医院神经内科确诊为急性缺血性脑卒中,并接受静脉溶栓治疗的患者603例。其中溶栓后发生出血转化的患者为117(19.4%)例,未发生出血转化的患者为486(80.6%)例。我们将发生出血转化和未发生出血转化的患者各随机抽取20例作为测试集,其余上采样至发生出血转化和未发生出血转化比例2:1作为训练集。为了避免过拟合,我们选择使用Re LU激活函数构成残差块生成卷积层的三层卷积神经网络结构训练模型。XGBoost模型定义了包括学习率、叶子权重和,树的最大深度、gamma值、L1正则化参数和L2正则化参数等参数在内的一系列超参数,共同防止过拟合,通过Grid Search CV进行自动调优,寻找最优解。根据预测出的敏感度,特异性,阳性预测值,阴性预测值,受试者工作特征曲线(receiver operating characteristic,ROC)和曲线下面积(area under the curves,AUC)进行结果评估。结果:1.残差网络算法预测溶栓后出血转化的敏感性、特异性、阳性预测率、阴性预测率、准确度分别为85%、70%、73.9%、73.9%、82.3%、77.5%。AUC值为0.82。2.XGBoost算法经过网格搜索调优后,敏感性、特异性、阳性预测率、阴性预测率、准确度分别为85%、90%、89.5%、85.7%、87.5%。AUC值为0.97。3.XGBoost算法根据特征值对分类结果的重要性选出前3个关键特征为基线NIHSS评分、既往是否服用抗血小板聚集药物、既往脑梗死病史。结论:1.XGBoost机器学习算法优于残差网络算法,适用于基线筛查溶栓后出血转化患者,对于临床上的溶栓治疗决策具有一定程度的指导作用。2.XGBoost机器学习算法分析发现,基线NIHSS评分、既往是否服用抗血小板聚集药物、既往脑梗死病史与溶栓出血转化有关。