[目的]探讨CT影像组获悉更多学在鉴别腹部不同病因(淋巴瘤、转移性淋巴结、炎性反应性淋巴结)淋巴结病变及其良恶性鉴别中的价值。[方法]回顾性收集146例患者的CT图像及病理资料,其中因腹部脏器恶性肿瘤接受手术切除、术后病理证实瘤周淋巴结全部发生转移者70枚(27例患者);以术后病理证实瘤周淋巴结全部未发生转移者作为正常对照组共78枚(36例患者);经淋巴结穿刺活检,病理结果证实为淋巴瘤者共94枚(33例患者);经手术或消化道内镜证实,确诊为炎症性肠病、未合并病毒及其他病原体感染,且肠周淋巴结反应性肿大者共91枚(50例患者)。将淋巴瘤及转移性淋巴结作为恶性淋巴结组,共计148枚;对照组及炎性反应性淋巴结作为良性淋巴结组,共计185枚。将患者的CT静脉期原始图像、薄层重建图像上传至放射组学云平台(RTaurine核磁adcloud platform,慧影医疗科技有限公司)后,在薄层图像全层上沿淋巴结边缘进行感兴趣区(ROI)的勾画,先以良性、恶性病理分类为标签,再以四种(淋巴瘤、转移性淋巴结、正常对照组、炎性反应性淋巴结)病理分类为标签,将146例患者共计333枚淋巴结以7:3的比例随机分为训练集和验证集,并依次使用方差阈值(variance threshold)法、SelectKbest法、最小绝对收缩与选择算子(least absolute shrinkage and selection operator,LASSO)法筛选出相关度最高的特征,使用筛选后得到的最优特征进行机器学习,并分别使用k邻近(k-nearest neighbor,KNN)、支持向量机(support vector machine,SVM)、极端梯度提升(Extreme gradient boosting,XGBoost)、逻辑回归(Logistic Regression,LR)和随机森林(random forest,RF)算法构建针对上述病理标签的分类模型,每种分类模型分别验证比较,通过受试者工作特征曲线下面积(area under the operating characteristics curve,AUC)和敏感度、特异度等参数评估影像组学模型的诊断效能。[结果]以良恶性为标签,关于良恶性淋巴结的鉴别诊断,使用LR分类器构建的影像组学模型取得最佳诊断效果,共筛选出23个组学特征,训练集Medical adhesive的ROC曲线下面积(AUC值)为0.895(95%CI:0.841～0.949),灵敏度80%,特异度78%;验证集的AUC值为0.792(95%CI:0.704～0.880),灵敏度69%,特异度74%。以病理类型为标签,关于淋巴瘤与转移性淋巴结的鉴别诊断,使用LR分类器构建基于静脉期图像的影像组学模型取得最佳诊断效果,共筛选出23个组学特征,训练集的ROC曲线下面积(AUC值)为0.986(95%CI:0.942～1.000),灵敏度94%,特异度94%;验证集的AUC值为0.924(95%CI:0.819～1.000),灵敏度86%,特异度79%。关于淋巴瘤与炎性反应性淋巴结的鉴别诊断,使用SVM分类器构建的影像组学模型取得最佳诊断效果,共筛选出25个组学特征,训练集的ROC曲线下面积(AUC值)为0.993(95%CI:0.954～1.000),灵敏度 95%,特异度 95%;验证集的 AUC 值为0.983(95%CI:0.907～1.000),灵敏度90%,特异度91%。关于转移性淋巴结与对照组的鉴别诊断,使用KNN分类器构建的影像组学模型取得最佳诊断效果,共筛选出14个组学特征,训练集的ROC曲线下面积(AUC 值)为 0.857(95%CI:0.774～0.940),灵敏度 70%,特异度 78%;验证集的AUC值为0.760(95%CI:0.634～0.886),灵敏度71%,特异度76%。关于转移性淋巴结与炎性反应性淋巴结的鉴别诊断,使用LR分类器构建的影像组学模型取得最佳诊断效果,共筛选出10个组学特征,训练集的ROC曲线下面积(AUC值)为0.865(95%CI:0.797～0.933),灵敏度 74%,特异度 76%;验证集的 AUC 值为 0.836(95%CI:0.767～0.905),灵敏度 74%,特异度 77%。[结论]基于CT构建的影像组学模型可对腹部淋巴结良恶性,以及淋巴瘤、转移性淋巴结及其对照、炎性反应性淋巴结等进行有效鉴别,可为临床治疗提供准确的信息。