摘要目的:探究纯磨玻璃结节(pure ground-glass nodule,pGGN)肺腺癌计算机断层扫描(computed tomography,CT)征象与其浸润程度的相关性,建立CT征象与浸润程度的预测模型.方法:回顾性分析424例经手术切除、病理活检证实且胸部CT表现为pGGN的肺腺癌患者临床资料及CT征象,根据病理活检结果分为非典型腺瘤样增生、原位腺癌、微浸润腺癌和浸润性腺癌4组,对组间差异采用卡方检验或Fisher确切概率法进行统计分析.对有统计学意义的结果,使用怀卡托智能分析环境(Waikato environment for knowledge analysis,WeKa)中的6种学习算法进行预测模型构建,并验证准确性,挑选出最适用于本研究的预测模型.结果:4组间在结节直径、结节密度值上的差异具有统计学意义(P＜0.001),对应的直径平均值分别为6.90、8.65、10.71、14.56 mm,对应的密度平均值分别为-633.16、-543.04、-401.03、-322.94 HU,随着病灶的浸润程度加重,结节的直径及密度值呈现明显的上升趋势.4组间在结节边界、分叶、毛刺、血管穿行、胸膜凹陷、空气支气管征、空泡征等的差异具有统计学意义(P＜0.05),而结节的生长位置,年龄、吸烟史、直系亲属肺癌家族史等差异无统计学意义(P＞0.05).随机森林算法所构建的模型预测准确率为76.42％～79.72％,Kappa 系数为 0.597～0.670,受试者工作特征(receiver operating characteristic,ROC)曲线下面积均大于0.9,在误差指标中表现最优,是最适合于本研究的预测模型.结论:pGGN的不同CT征象与其浸润程度密切相关,可以用于建立预测模型.基于随机森林算法所建模型,在有创干预前早期快速识别pGGN浸润程度的平均准确率为78.07％,准确度最高,对肺癌预测具有潜在应用价值.