摘要目的:探讨基于临床和增强CT参数构建的机器学习模型预测肝细胞癌(HCC)经动脉化疗栓塞(TACE)治疗完全缓解(CR)后早期复发的价值.方法:收集2015年3月至2023年8月在河南中医药大学第一附属医院行初始TACE治疗且达到影像学CR的100例HCC患者作为开发队列,随访患者的无复发生存期,以1年为界分为早期复发组和非早期复发组.采集40种临床和增强CT参数进行单因素分析,将P＜0.1的参数纳入最小绝对收缩和选择算子(LASSO)回归筛选.开发队列采用10折交叉验证构建逻辑回归、随机森林、支持向量机、决策树、极端梯度提升(XGBoost)和高斯朴素贝叶斯等6种机器学习模型.收集郑州大学第一附属医院满足相同标准的22例患者作为外部验证集,绘制受试者工作特征曲线、决策曲线,计算曲线下面积(AUC)、准确度、灵敏度、特异度等评估模型诊断性能并选择最佳模型.对最佳模型进行Shapley加性解释(SHAP)分析.结果:早期复发组与非早期复发组间年龄、中国肝癌分期、FIB-4指数、C反应蛋白、中性粒细胞计数、中性粒细胞与淋巴细胞比值、血小板与中性粒细胞比值、延迟期肿瘤CT值、细胞外体积分数(ECV)、肿瘤最大直径、肿瘤内坏死、完整假包膜及肿瘤内血管差异有统计学意义(均P＜0.05).基于LASSO回归筛选出的13种参数构建的6种机器学习模型中,XGBoost模型效能最佳(内、外部验证集AUC值分别为0.913、0.812).DCA显示该模型可增加临床净获益.校准曲线显示该模型的预测结果与实际结果间存在良好一致性.SHAP分析显示贡献度居前3位参数分别是ECV、完整假包膜和C反应蛋白.结论:基于ECV、完整假包膜、C反应蛋白等13种参数构建的XGBoost模型预测TACE治疗CR后早期复发的性能最优,为临床识别复发高危人群、优化诊疗方案提供了可行策略.