摘要目的 基于超声影像组学构建机器学习模型,探究其在鉴别囊型肝包虫病与泡型肝包虫病中的应用价值.方法 选取于我院及四川省甘孜藏族自治州石渠县经病理结果(金标准)或"四川省包虫病专家组"依据临床结果及专家共识(银标准)确诊的肝包虫病患者4976例,共纳入23 452张超声图像,其中囊型肝包虫病图像8557张,泡型肝包虫病图像14 895张.按病灶类型以8∶2比例将超声图像随机分为训练集18 762张与独立测试集4690张.使用Pyradiomics(3.1.0)提取超声图像的影像组学特征,对训练集及独立测试集超声图像均使用相同的提取器;使用极小化极大、标准分数及均值方法对影像组学特征进行特征缩放,使用主成分分析和Pearson相关系数进行特征降维,使用方差分析、递归特征消除、相关特征法及克鲁斯卡尔-沃利斯法筛选最佳影像组学特征.基于支持向量机(SVM)、自编码器(AE)、线性判别分析(LDA)、随机森林(RF)、逻辑回归(LR)、自适应增强(AB)、决策树(DT)、朴素贝叶斯(NB)8种分类器构建鉴别肝包虫病分型的最佳机器学习模型.训练集中,以十折交叉验证策略训练模型.绘制受试者工作特征(ROC)曲线分析不同分类器中最佳机器学习模型在训练集及独立测试集中鉴别肝包虫病分型的诊断效能.结果 从每张超声图像中共提取1130个影像组学特征,经特征选择动态筛选出1～40个最佳影像组学特征,并以此建立最佳机器学习模型.ROC曲线分析显示,RF模型在训练集及独立测试集中鉴别肝包虫病分型的曲线下面积分别为0.82、0.86,均高于SVM、AE、LDA、LR、AB、DT、NB模型,差异均有统计学意义(均P<0.05).结论 基于超声影像组学的RF模型对鉴别肝包虫病分型的诊断效能最佳,有助于肝包虫病精准超声诊断.