摘要目的:探讨以平扫CT影像组学特征为基础的机器学习模型在预测ⅠA期肺腺癌隐匿性淋巴结转移(OLNM)方面的价值.方法:回顾性收集并分析2018年1月至2024年1月期间在丽水市人民医院(中心1)和丽水市中心医院(中心2)术后病理证实为ⅠA期的375例肺腺癌患者临床资料与CT图像信息.将中心1的243例患者以7∶3比例随机分配,包括训练集170例和内部验证集73例;将中心2的132例患者全部作为外部验证集.在基于平扫CT图像上提取每个病灶的影像组学特征,通过降维筛选出最佳的影像组学特征,然后建立多种机器学习分类器,包括支持向量机、梯度提升机(GBM)、K近邻以及逻辑回归,选取验证集平均AUC最高的分类器,并将其作为最优的影像组学模型,随后将其结果输出为影像组学评分(Rad-score).对于单因素分析显示P＜0.05的临床数据和CT影像特征,进一步行多因素Logistic回归分析,筛选出能预测IA期肺腺癌OLNM的临床独立危险因素,并建立临床模型.最后,通过联合Rad-score和临床独立危险因素,构建联合模型,并通过诺莫图对模型进行可视化.采用ROC曲线的AUC、特异度、准确度和灵敏度对模型进行诊断性能的评估.结果:从平扫肺窗CT图像中获得了 8个最佳影像组学特征,基于上述4种机器学习分类器构建影像组学模型,在内部验证集和外部验证集中,AUC值分别为0.737、0.751、0.780、0.848和0.594、0.664、0.733、0.786,其中GBM预测效能表现最佳,其AUC值在内部验证集和外部验证集中分别为0.848、0.786.多因素Logistic回归分析结果表明,毛刺征、肿瘤最大径和空泡征为预测OLNM的临床独立危险因素,进一步将临床独立危险因素与Rad-score进行整合以建立联合模型,并且绘制诺莫图.ROC曲线结果表明,此诺莫图模型有着良好的诊断效能.结论:基于平扫CT影像组学特征构建的机器学习模型能较好地预测IA期肺腺癌OLNM,基于临床独立危险因素构建的联合模型可进一步提高模型的预测能力.