摘要目的 探讨基于CT影像组学特征的机器学习模型对甲状腺乳头状癌(PTC)与结节性甲状腺肿(NG)的鉴别诊断价值.方法 选择甲状腺结节患者158例,其中男性19例,女性139例;年龄19～72岁,平均年龄43.34岁;结节大小3.0～88.0 mm,平均大小22.16 mm;病理类型,PTC 78例,NG 80例.基于CT增强扫描动脉期,采取半自动逐层勾画感兴趣区(ROI),所有患者按8∶2的比例随机抽样分为训练集126例,验证集32例.采用Python 3.7提取影像组学特征,用t检验、Pearson相关系数筛选及最小绝对收缩和选择算子(LASSO)对特征进行降维筛选,使用逻辑回归(LR)、支持向量机(SVM)、随机森林(RandomForest)、极端梯度提升(XGBoost)、梯度提升决策树(LightGBM)分类器对提取的特征进行机器学习.通过绘制受试者工作特性(ROC)曲线下面积(AUC)、准确度、灵敏度、特异度、F1分数、召回率6个指标评价各模型的差异.结果 训练集与验证集中性别、年龄差异均无统计学意义(P＞0.05).从CT增强动脉期提取出1 834个影像组学特征,经过t检验、Pearson相关系数筛选和LASSO回归降维筛选出8个最优特征;构建的5个预测模型中,XGBoost模型诊断效能最好,优于其他模型.该模型在训练集中的AUC、准确度、灵敏度、特异度、F1分数和召回率分别为0.993、0.944、0.912、0.983、0.947、0.912.在验证集中,XGBoost模型的AUC、准确度、灵敏度、特异度、F1分数和召回率分别为0.957、0.906、0.700、1.000、0.824、0.700.结论 基于CT增强的影像组学特征的机器学习模型可用于鉴别PTC和NG,对甲状腺结节患者的个体化治疗和随访策略提供重要参考价值.