缺血性脑卒中是导致人致残和死亡的主要原因之一，其早期风险预测对预防和治疗具有重要意义。然而，现有缺血性脑卒中疾病预测方法存在一些局限性，例如过度依赖人工设计的指标与权值、仅使用二维图像信息（如超声）以及未能综合患者多项检查数据，导致预测准确率不佳。因此，亟需一种融合多模态信息的智能预测方法来提升缺血性脑卒中疾病临床诊断效果。为此，本项目提出了一种名为 CA-UNet 的三维颈动脉计算机断层扫描血管造影（CTA）图像分割模型，用于全自动化地勾画颈动脉，并且基于 CA-UNet提出了一种缺血性脑卒中风险预测模型，通过患者的三维 CTA 图像、电子病历和病史来预测中风风险。本项目设计了一种多尺度损失函数来解决下采样过程中详细特征丢失的问题，并通过迁移学习引入公共数据库作为支撑。研究结果表明，所提出的方法在颈动脉分割和缺血性脑卒中预测任务上表现优异，分割颈动脉的Dice系数达90.49%，预测缺血性脑卒中的准确率达89.74%。本项目所提出方法可以为患者和医疗专业人员提供可靠的诊断结果，具有重要的临床应用价值。