简介：摘要目的探讨基于双期增强CT影像组学特征的机器学习模型术前预测肝细胞癌微血管侵犯（MVI）的价值。方法回顾性分析2015年1月至2020年5月在苏州大学附属第一医院经病理确诊的148例［男106例，女42例，年龄（58±11）岁］肝细胞癌患者的资料，其中MVI阳性88例，MVI阴性60例。按照约7∶3的比例随机分配为训练集和验证集。利用MaZda软件提取肝细胞癌动脉期和门静脉期3D影像组学特征，采用3种特征选择方法联合（FPM法）和Lasso回归进行特征筛选，得到最优特征子集。然后用6种机器学习算法构建预测模型，采用受试者工作特征（ROC）曲线评估模型的预测能力，并计算出曲线下面积（AUC）、准确度、灵敏度和特异度。结果MaZda软件提取肝细胞癌动脉期和门静脉期的影像组学特征，各239个。利用FPM法和Lasso 回归进行特征筛选可分别得到7个动脉期和14个门静脉期最优特征。基于动脉期的7个最优特征构建的决策树、极端梯度提升、随机森林、支持向量机、广义线性模型和神经网络等模型预测验证集肝细胞癌MVI的AUC值分别为0.736、0.910、0.913、0.915、0.897、0.648，其中支持向量机的AUC值最高，其准确度、灵敏度和特异度分别为95.35%、95.83%和94.74%。利用门静脉期的14个最优特征构建的上述机器学习模型预测验证集肝细胞癌MVI的AUC值分别为0.873、0.876、0.913、0.859、0.877、0.834，其差异均无统计学意义（均P>0.05），其中随机森林模型的AUC值最高，其准确度、灵敏度和特异度分别为90.70%、87.50%和94.74%。结论基于双期增强CT影像组学特征的机器学习模型可用于术前预测肝细胞癌微血管侵犯。其中，支持向量机和随机森林模型具有较高的预测效能。