摘要目的 探究基于能谱CT的影像组学机器学习模型及列线图在术前对结直肠癌(CRC)病人KRAS基因状态的鉴别效能.方法 回顾性纳入137例接受KRAS突变检测且术前行能谱CT检查的CRC病人(KRAS野生型 70例,KRAS突变型 67 例),按 7∶3 比例随机分为训练集(95 例)和测试集(42 例).在静脉期 70 keV单能量增强CT影像上勾画病灶ROI,提取并筛选影像组学特征,并采用最小绝对收缩和选择算子(LASSO)回归系数计算影像组学评分(Rad-score).建立 6 种模型,分别为基于支持向量机(SVM)、极端梯度提升(XGBoost)和逻辑回归(LR)的影像组学模型和联合模型(能谱CT影像特征+Rad-score).通过受试者操作特征(ROC)曲线下面积(AUC)评估模型效能并采用DeLong检验进行比较.基于影像组学评分构建影像组学列线图,并在测试集验证.通过校准曲线、临床决策曲线和临床影响曲线分别评估列线图的校准度、临床净获益和临床有效率.结果 共筛选出 8 个影像组学特征和 1个能谱参数.在测试集中,基于LR的联合模型效能最优,AUC为 0.891,高于由SVM、XGBoost和LR构建的影像组学模型(AUC分别为 0.796,0.787 和 0.812;均P＜0.05)及由SVM、XGBoost构建的联合模型(AUC分别为0.889和0.873;均P＜0.05).列线图模型在训练集和测试集中的AUC分别为 0.987和0.916,校准曲线显示训练集拟合良好,测试集拟合逊色于训练集.临床决策曲线和临床影响曲线显示列线图具有良好的临床净收益和临床有效率.结论 基于静脉期能谱CT及其影像组学构建的LR模型和列线图在术前预测CRC的KRAS基因状态中具有一定的参考价值,可为临床提供参考信息.