【摘要】目的：研究计算机断层扫描（computed tomography，CT）影像组学的集成学习模型和融合模型方法模型在术前预测肝细胞癌 （hepatocellular carcinoma，HCC）患者的微血管侵犯（microvascular invasion，MVI）状态的应用价值。方法：选取广西医科大学附属肿瘤医 院 2017 年 1—12 月收治的孤立性 HCC 患者 218 例。通过 ITK-SNAP 软件勾画 CT 资料静脉期的肝脏肿瘤边缘，使用 Python（3.8.1）提取影 像组学特征，采用 t 检验，最小绝对收缩、算子回归算法和梯度下降树进行影像组学特征筛选。最后使用 6 种集成学习算法构建预测模型， 并通过模型融合的方法构建了基于 6 种模型的融合预测模型。结果：共提取出组学特征 1 046 个，经过 t 检验，最小绝对收缩和算子回归和 梯度下降树筛选出 10 个最重要影像组学特征。基于 10 个特征构建的梯度提升决策树、随机森林、极端梯度提升算法、极端随机树、轻梯度 提升算法、自适应增强算法模型在验证集的曲线下面积（area under curve，AUC）值分别为 0.79、0.81、0.80、0.78、0.76 和 0.77，6 种集 成学习模型之间预测结果差异无统计学意义（P ＞ 0.050）。基于 6 种集成模型的融合模型预测验证集 MVI 的 AUC 值最高为 0.89，预测结 果与 6 种集成模型差异均有统计学意义（P ＜ 0.05）。结论：集成学习算法在 HCC 影像组学特征具有术前预测 MVI 的潜力，且多模型的融 合模型显著提升了预测性能，在 MVI 预测上具有较高的诊断价值。 

【关键词】肝细胞癌；微血管侵犯；影像组学；CT；集成学习；模型融合