目的 探讨基于临床资料、增强CT常规特征、瘤体及瘤周组学特征的机器学习模型对鉴别直肠癌T2、T3分期 的应用价值。方法 回顾性收集2019年12月至2022年2月期间在皖南医学院第一附属医院经病理组织学确诊的276 例直肠癌病人的临床及CT影像资料,按照7∶3比例随机分为训练集(193例)和验证集(83例)。使用MaZda软件在增 强CT静脉期图像上提取瘤体及瘤周脂肪的影像组学特征,并用Logistic回归分析筛选T2、T3分期的影响因素。采用 支持向量机(SVM)、弹性网络(EN)、朴素贝叶斯(NB)、决策树(DT)、逻辑回归(LR)5种机器学习方法建立预测模型,使 用受试者工作特征曲线(ROC)分析模型的区分能力,并使用决策曲线分析(DCA)评价模型的临床实用价值。结果 瘤 体及瘤周脂肪均获得6个最优CT组学特征。多因素Logistic回归分析显示,CEA、CA19-9、PLR、分化程度、肠壁毛糙、 瘤体及瘤周脂肪组学标签得分为鉴别直肠癌T2、T3期分期的独立预测因素(P <0.05)。5种机器学习预测模型的训 练集AUC分别为0.897、0.895、0.853、0.880、0.899,验证集AUC分别为0.896、0.866、0.862、0.829、0.839;SVM 为最 优模型。决策曲线显示:5种机器学习模型在0.1~0.9阈值概率时有较高的临床适应性。结论 基于临床资料、增强 CT静脉期瘤体和瘤周影像组学特征所构建的机器学习预测模型,在术前鉴别直肠癌T2与T3分期中展现出良好的诊 断性能,可为临床治疗决策的精准制定提供客观依据。