中風是一種常見的腦血管疾病，是全球第二大死亡原因，對公共衛生造成了巨大負擔[1,2]。值得注意的是，中國承擔著全球最高的中風負擔，每年新增病例約200萬例[3,4]。腦內出血（ICH）占中風的10-15%，幸存者往往會出現長期殘疾[5]。ICH后的運動障礙影響了70-80%的中風患者，對日常生活活動（ADL）、生活質量及獨立性產生了不利影響[6]。因此，早期識別具有良好或較差運動恢復潛力的患者對于優化康復資源分配和個性化治療策略至關重要。

ICH后的康復旨在促進功能恢復、預防并發癥、改善ADL并支持社會重新融入。然而，運動恢復的軌跡表現出明顯的異質性，這受到年齡、性別、出血特征（如位置、體積）以及既往合并癥等多種因素的復雜相互作用的影響。這種預后不確定性給臨床醫生在制定實際康復目標、定制干預措施以及向患者和家屬提供準確建議方面帶來了巨大挑戰。識別預后標志物對于早期和準確評估運動功能和康復結果至關重要[7,8]。

傳統的中風后運動功能評估主要依賴于臨床醫生制定的量表，這些量表本質上是主觀的、定性的，并且容易受到評估者間差異的影響。這限制了它們在精確、縱向預測方面的實用性。同時，通過廣泛采用電子病歷（EMR）實現了醫療數據的數字化，提供了大量多維數據存儲庫[9]。人工智能（AI）的出現，特別是在機器學習（ML）和深度學習（DL）領域，正越來越多地應用于醫療保健。這種整合為生物醫學發現和臨床決策支持提供了巨大潛力[10]。這樣的框架使研究人員能夠從復雜數據中揭示更深入的見解。這些方法在整合和分析復雜、異構的數據模式（如臨床記錄、影像學研究、實驗室結果）方面表現出卓越的能力。它們擅長提取潛在模式并生成預測模型，在腫瘤學以及各種神經系統疾病中取得了顯著的成功[11,12]。這種集成式AI范式的穩健性在其他復雜的醫學領域也得到了越來越多的證明，例如在臨床顯著的門脈高壓的非侵入性診斷中，這突顯了多模式框架的更廣泛臨床實用性和跨學科潛力[13]。盡管取得了這些進展，但將復雜的多模式AI分析應用于預測ICH后的運動恢復軌跡仍處于起步階段。目前用于中風康復的預測模型通常側重于綜合功能終點或更廣泛的殘疾量表，從而忽略了細微運動缺陷的特定預測。確保功能獨立性和指導康復工作方面，這一點至關重要。通過利用多源數據整合來彌合這一差距——這是一種在多種臨床預測任務中被證明有效的策略——對于個性化康復計劃至關重要。

我們的研究與以往的研究有三個主要區別。首先，我們結合了CT成像、臨床數據和康復評分，提供了更全面的評估。其次，我們預測了兩個不同的恢復維度：運動恢復（FMA）和功能獨立性（mBI）。第三，我們使用了一個專門的框架，結合了3D-DenseNet和GBDT來有效處理分類和回歸任務。我們選擇開發兩個獨立的模型，因為運動恢復和功能獨立性涉及不同的任務和數據類型。運動恢復是一個分類結果，我們將其分為不同的等級；而功能獨立性是一個連續結果，我們將其作為一個數值分數進行預測。我們使用CT成像而不是MRI，因為CT在急診環境中更快且更易獲取。這一選擇確保了我們的方法適用于現實世界的醫院。

因此，在這項研究中，我們首先開發并驗證了一個多模式深度學習框架來分類運動恢復等級（FMA）。同時，我們還開發并驗證了一個基于GBDT的回歸模型來預測功能獨立性分數（mBI）。總之，這兩個模型提供了一個數據驅動的工具，有助于優化腦出血后的治療和康復計劃。