〔摘　要〕 目的 基于头颅CT放射组学探究高血压性脑出血早期血肿扩大预测的最佳机器学习方法。方法 回顾性分析130例脑出血患者CT图像，提取头颅CT平扫纹理特征，通过选定特征训练分类器，用六种经典的机器学习方法进行交叉验证，评估预测脑出血血肿扩大的稳定性和性能。结果 支持向量机(SVM-Radial)的预测性能(AUC为0.714,准确性为0.723),广义线性模型(GLM)的预测性能(AUC为0.643,准确性为0.587),随机森林(RF)的预测性能(AUC为0.686,准确性为0.680),k近邻(kNN)的预测性能(AUC为0.657,准确性为0.639),梯度提升树算法(GBM)的预测性能(AUC为0.718,准确性为0.670),神经网络(NNet)的预测性能(AUC为0.659,准确性为0.680),其中SVM-Radial表现出较高的预测性能，GLM表现出较低的预测性能。结论 基于头颅CT放射组学方法预测高血压性脑出血早期血肿扩大的6种机器学习方法中，SVM-Radial预测性能最好，具有潜在的临床应用价值。