摘要目的:构建基于超声、CT影像组学联合机器学习模型,探讨其预测甲状腺乳头状癌(PTC)颈部淋巴结转移(CLNM)的价值.方法:回顾性搜集198例经手术病理证实的PTC患者,其中CLNM组97例,无CLNM组101例,所有患者术前均接受甲状腺超声和增强CT扫描,按照7:3的比例随机分为训练集和测试集.采用单因素和多因素回归分析PTC患者发生CLNM的临床独立风险因素,构建临床风险模型.基于超声和CT图像提取并筛选最优影像组学特征,分别使用逻辑回归(LR)、支持向量机(SVM)、随机森林(RF)、极度随机树(ET)、K邻近算法(KNN)、XGBoost、监督学习集成模型(Light GBM)、前馈神经网络多层感知器(MLP)等8个机器学习模型构建PTC患者CLNM影像组学预测模型.绘制受试者工作特征(R O C)曲线评估模型效能,筛选出最优影像组学模型联合临床风险模型构建诺模图,应用决策曲线分析(DCA)对比不同模型的临床获益.结果:临床影像特征中年龄、肿瘤最大直径、超声报告淋巴结状态和CT报告淋巴结状态被筛选出来作为临床独立风险因素(P＜0.05).从超声和CT图像中分别筛选出14个和12个影像组学特征.8个机器学习模型中SVM模型表现最优,其预测CLNM状态的AUC在训练集为0.951(95％CI:0.920～0.982),测试集为0.857(95％CI:0.764～0.950).由临床模型和多模态影像组学模型构建的诺模图具有更好的预测效能,其预测CLNM 状态的 AUC 在训练集为 0.960(95％CI:0.933～0.987),测试集为 0.890(95％CI:0.812～0.968).DCA显示诺模图具有较高的临床净收益.结论:基于多模态影像组学联合机器学习模型可以更准确地预测PTC患者是否发生CLNM,具有一定的临床应用价值.