摘要目的 以多序列MRI影像组学方法开发一种胶质母细胞瘤(glioblastoma,GBM)总生存期(overall survival,OS)预测模型,实现风险分层预测.材料与方法 本研究回顾性分析TCIA/TCGA(The Cancer Imaging Archive/The Cancer Genome Atlas)公共数据库中309例GBM患者数据,针对术前对比增强后T1加权(post-contrast enhanced T1-weighted,T1CE)序列和T2加权液体衰减反转恢复(T2-weighted fluid attenuation inversion recovery,T2 FLAIR)序列,提取坏死区、肿瘤区和水肿区三种感兴趣区域的10 128个影像组学特征.采用相关性分析、主成分分析(principal component analysis,PCA)和最小绝对收缩和选择算法-Cox等比例风险回归(least absolute shrinkage and selection operator-cox proportional-hazards,LASSO-Cox),筛选与OS显著相关的影像组学特征,计算风险评分(Risk-score)作为组学标签.采用Kaplan-Meier(KM)生存分析和对数秩(Log-rank)检验比较高、低风险组间的生存差异.应用多因素Cox等比例风险(Cox proportional-hazards,Cox)回归构建临床-影像组学联合模型和列线图.采用一致性指数(concordance index,C-index)评估临床-影像组学联合模型的预测性能,并与临床模型进行比较.结果 根据训练集筛选出的16个影像组学特征计算风险评分,依据风险评分将训练集和测试集患者划分为高、低风险组,Log-rank检验表明高、低风险组患者的生存概率差异具有明显统计学意义.单因素Cox回归确定风险评分、年龄和O6-甲基鸟嘌呤-DNA甲基转移酶(O6-methylguanine-DNA methyltransferase,MGMT)状态是影响GBM总生存期的显著风险因素.多因素Cox回归分别构建临床模型及临床-影像组学联合模型,发现临床-影像组学联合模型性能(训练集:C-index= 0.768,测试集:C-index=0.724)高于影像组学模型(训练集:C-index=0.744,测试集:C-index=0.710)和临床模型(训练集:C-index=0.659,测试集:C-index=0.653).结论 影像组学标签可以作为GBM总生存期的独立预后因素,结合临床病理信息和影像组学标签构建的联合模型能够更好地辅助临床进行GBM风险分层和生存预测,具有重要临床价值.