摘要目的:探讨低剂量CT影像组学列线图鉴别纯磨玻璃样结节(pGGN)中肺微浸润性腺癌(MIA)和肺浸润腺癌(IAC)的价值.方法:回顾性分析2018年1月至2023年4月温州医科大学附属第五医院经手术病理证实且CT表现为pGGN的239例肺腺癌患者的临床和CT影像资料,包括MIA 93例和IAC 146例.采用完全随机法以7∶3的比例将患者分为训练集(n=167)和验证集(n=72).使用Radcloud平台提取低剂量CT图像中病灶的影像组学特征,通过降维保留纳入模型的最佳特征.随后,建立3种机器学习分类器包括逻辑回归(LR)、支持向量机(SVM)和随机森林(RF),以验证集中曲线下面积(AUC)最高的分类器作为最佳影像组学模型,并将其结果输出为影像组学评分(Rad-score).将P＜0.05的临床和CT形态学特征纳入到多因素Logistic回归分析中,筛选出鉴别MIA和IAC的独立危险因素,并建立临床模型.最终,基于Rad-score和临床危险因素构建联合模型,并绘制列线图.采用受试者工作特征(ROC)曲线的AUC、灵敏度、特异度和准确度评价模型的诊断性能.结果:通过降维得到15个与鉴别MIA和IAC显著相关的影像组学特征.在3种机器学习分类器中,RF具有最佳的诊断性能,其在训练集和验证集的AUC分别为0.837、0.788.多因素Logistic回归分析显示,最大径较大、形状不规则和毛刺征是鉴别MIA和IAC的独立危险因素,进一步结合Rad-score建立列线图.ROC曲线结果显示,该列线图呈现出良好的诊断性能,在训练集中的AUC、灵敏度、特异度、准确度分别为0.913、87.25％、81.54％、84.94％;在验证集中的AUC、灵敏度、特异度、准确度分别为0.862、88.63％、75.01％、82.78％.结论:低剂量CT影像组学列线图能够较好地鉴别表现为pGGN的MIA和IAC,可用于指导临床手术计划制定.