1.血肿变化概率的预测方法，其特征在于，包括以下步骤：

获取脑部图像数据和对应患者的诊疗历史数据；

基于图像数据提取出血肿及水肿的体积、位置、形状以及分布信息，与诊疗历史数据关联，形成数据集并预处理；所述预处理包括：使用imblearn库中的过采样方法来处理数据不平衡，经过随机过采样方法重构数据集；对个人史、疾病史、发病相关、血肿及水肿体积、位置和形状、灰度分布的特征数据集进行数据标准化处理，通过减去均值并除以标准差的方式将特征数据转换为均值为0、标准差为1的分布，具体公式为：z＝(x‑μ)/σ，其中z为患者每一列数据进行标准化之后的数据，x是针对不同列的原始数据，μ是针对不同列的原始数据的均值，σ是原始数据的标准差；预处理后的数据集通过抽取不同特征形成不同的训练子集，分别预测不同类型的血肿变化事件是否发生，经聚类处理得到输入的脑部图像数据中血肿发生变化的概率；

所述经聚类处理得到输入的脑部图像数据中血肿发生变化的概率，具体为：基于患者的诊疗历史数据中的设定因素，将患者分为不同组，分别得到每个组的水肿体积随时间变化的曲线，将每条数据进行曲线拟合，得到拟合曲线的参数，对相关数据利用SPSS进行主成分分析，SPSS主成分分析法为：经均值处理，得到协方差矩阵的特征向量，寻找矩阵满足的对角阵，并对对角值进行降序排列，选取主成分个数构建矩阵作为成分矩阵；根据得到的成分矩阵中，进行聚类处理。

2.血肿变化概率的预测系统，其特征在于，包括：

原始数据采集模块，被配置为：获取脑部图像数据和对应患者的诊疗历史数据；

数据集构建模块，被配置为：基于图像数据提取出血肿及水肿的体积、位置、形状以及分布信息，与诊疗历史数据关联，形成数据集并预处理；所述预处理包括：使用imblearn库中的过采样方法来处理数据不平衡，经过随机过采样方法重构数据集；对个人史、疾病史、发病相关、血肿及水肿体积、位置和形状、灰度分布的特征数据集进行数据标准化处理，通过减去均值并除以标准差的方式将特征数据转换为均值为0、标准差为1的分布，具体公式为：z＝(x‑μ)/σ，其中z为患者每一列数据进行标准化之后的数据，x是针对不同列的原始数据，μ是针对不同列的原始数据的均值，σ是原始数据的标准差；

预测模型模块，被配置为：预处理后的数据集通过抽取不同特征形成不同的训练子集，分别预测不同类型的血肿变化事件是否发生，经聚类处理得到输入的脑部图像数据中血肿发生变化的概率；

所述经聚类处理得到输入的脑部图像数据中血肿发生变化的概率，具体为：基于患者的诊疗历史数据中的设定因素，将患者分为不同组，分别得到每个组的水肿体积随时间变化的曲线，将每条数据进行曲线拟合，得到拟合曲线的参数，对相关数据利用SPSS进行主成分分析，SPSS主成分分析法为：经均值处理，得到协方差矩阵的特征向量，寻找矩阵满足的对角阵，并对对角值进行降序排列，选取主成分个数构建矩阵作为成分矩阵；根据得到的成分矩阵中，进行聚类处理。

3.如权利要求2所述的血肿变化概率的预测系统，其特征在于，患者的诊疗历史数据通过提取患者病历中的文本数据，获取患者个人信息、疾病史以及诊疗史。

4.如权利要求2所述的血肿变化概率的预测系统，其特征在于，每一个训练子集对应一个决策树，多个决策树形成集成的预测模型。

5.如权利要求4所述的血肿变化概率的预测系统，其特征在于，通过确定集成预测模型的最大树深、树的个数以及类权重参数，经过网格搜索,得到集成预测模型的最佳超参数。

6.如权利要求1所述的血肿变化概率的预测系统，其特征在于，得到的成分矩阵中，通过随机初始化k个点作为簇质心，将样本集中的每个点分配到一个簇中，并计算每个点与质心之间的距离，将其分配到距离最近的质心所对应的簇中，继续更新簇的质心，并将质心更新为当前簇中所有点的平均值，反复迭代，直到满足设定的迭代次数，确定得到输入的脑部图像数据中血肿发生变化的概率。

7.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1所述的血肿变化概率的预测方法中的步骤。

8.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如权利要求1所述血肿变化概率的预测方法中的步骤。