【摘要】目的：研究基于影像组学和机器学习的肺结节 CT 图像分割及分类方法。方法：回顾性分析 2025 年 1—12 月肺图像数据库 联盟与图像数据库资源倡议（LIDC-IDRI）数据库和国际光学工程学会 - 美国医学物理学家协会 - 美国国家癌症研究所肺结节分类挑战 （LUNGx）公开数据集中 461 个肺结节（直径为 3 ～ 30 mm）的 CT 图像资料，其中良性 360 个、恶性 101 个。以 LIDC-IDRI 中的 400 个肺 结节为训练集（良性 315 个，恶性 85 个），LUNGx 中 61 个肺结节为独立验证集（良性 45 个，恶性 16 个）。提取影像组学特征，采用最 小绝对收缩和选择算子（LASSO）回归算法或四联特征筛选法 [Fisher 系数（Fisher）+ 分类错误率与平均相关系数（POE+ACC）+ 交互信息 （MI）] 进行特征筛选，以支持向量机（SVM）构建肺结节良恶性预测模型，在训练集和验证集中评估模型效能。结果：训练集中嵌套交叉 验证，有统计学意义的影像组学特征为（312.33±4.34）个，经 LASSO 筛选后保留（14.10±1.37）个，二者比较差异有统计学意义（t = 8.331， P ＜ 0.001）。模型建立后，所有样本再次特征选择后显示差异有统计学意义的特征共 306 个（P ＜ 0.05），LASSO 最终保留 10 个。训练 集经 100 次 10 折交叉验证后，LASSO 回归算法选择特征时的曲线下面积（AUC）为 0.881，四联特征筛选法选择特征时的 AUC 为 0.890。 在验证集验证时，LASSO 回归选择特征时的 AUC 为 0.890，四联特征筛选法时的 AUC 为 0.740。LASSO 回归算法在验证集上的模型评估 效能更优。结论：基于影像组学和机器学习的肺结节 CT 图像分割及分类方法在肺结节临床诊断中具有良好的应用价值，基于其纹理特征进 行图像分割及分类可辅助临床鉴别结节性质。
【关键词】影像组学；机器学习；肺结节；CT 图像分割；分类方法