【摘要】目的：构建并验证基于胸部 CT 影像组学的机器学习模型评估分化型甲状腺癌（DTC）肺转移的诊断效能。方法：回顾性选 取 2020 年 2 月—2023 年 2 月在广西医科大学第一附属医院经 131I 治疗的 301 例 DTC 患者的临床资料，其中肺转移 92 例，无肺转移 209 例。 按 7 ∶ 3 分层随机抽样分为训练集（n=210）和测试集（n=91），所有患者均行 CT 检查，勾画肺部结节并提取影像组学特征，应用最小 绝对收缩与选择算子（LASSO）及最小冗余最大相关性筛选特征，分别通过逻辑回归（LR）、支持向量机（SVM）、多层感知机（MLP）、 随机森林（RF）、轻量级梯度提升机（LightGBM）及贝叶斯 6 种机器学习算法建立分类模型。绘制受试者工作特征（ROC）曲线及校准 曲线评估模型的诊断效能，并在测试集中对模型进行验证。结果：共筛选出 10 个核心影像组学特征，建立影像组学模型。6 种模型诊 断 DTC 肺转移在训练集中的曲线下面积（AUC）分别为 0.980、0.979、0.970、1.000、1.000、0.964，在测试集中的 AUC 分别为 0.957、 0.967、0.968、0.945、0.965、0.948。校准曲线显示，LR、MLP 模型在训练集与测试集中的曲线贴近理想校准对角线，全区间偏离程度低， 具有优秀的泛化性能。结论：基于胸部 CT 平扫建立的影像组学机器学习模型能较精确地鉴别 DTC 肺转移，为优化患者诊疗方案提供可 靠的依据。
【关键词】CT 影像组学；机器学习模型；分化型甲状腺癌；肺转移；逻辑回归；多层感知机