目的:探讨CT影像组学模型预测磨玻璃结节型肺腺癌浸润性的效能。材料与方法:收集2017年1月到2018年4月290例经病理证实为肺腺癌且具有完整的临床资料和胸部CT平扫薄层图像的磨玻璃结节。290例中男性73例,女性217例,年龄26-80岁,平均年龄为56.61±10.06岁。据病理结果将290例患者分为三组,即浸润前病变组（88例）,微浸润肺腺癌组（91例）,浸润性肺腺癌组（111例）。根据分层随机抽样将所有病例分为训练组（204例）和验证组（86例）。使用AK分析软件由两名经验丰富的胸部影像诊断医师对每例患者的薄层CT图像中感兴趣的肿瘤区域（regions of interest,ROI）进行手工分割,同时对肿瘤的影像学征象进行分析和记录。随后利用分析软件高通量提取影像组学特征,采用最小绝对收缩算子法（LASSO）进行特征性降维和筛选,获得最优子集并生成组学标签。采用多元Logistic回归分析方法建立影像组学模型,在训练队列中对模型进行评估,并在验证队列中对其鉴别能力进行验证。影像学征象记录的内容包括肿瘤的形态（类球形）、大小（最大层面平均直径）、平均CT值、边缘（分叶征、毛刺征）、内部（空泡征、空气支气管征）、邻近结构（血管集束征、胸膜凹陷征）。采用ROC曲线及曲线下面积（area under curve,AUC）来评价影像组学模型的预测效能。在比较三组间的连续变量的差异时采用了独立t检验或Mann-Whitney U检验,若为分类变量时则采用了卡方检验或Fisher检验。P<0.05具有统计学意义。结果:本研究使用AK分析软件共提取了396个影像组学特征,通过降维获得17个最具预测性的组学特征并与相应的加权系数线形组合形成的组学标签。通过多元Logistic回归分析方法建立的影像组学模型具有良好的预测效果。该组学模型在训练组中预测浸润前病变组、微浸润肺腺癌组、浸润性肺腺癌组各组浸润性的AUC分别为0.93、0.85、0.90,并在验证组中得到很好的验证,相应组别的AUC分别为0.95、0.77、0.80。在训练组的预测准确率为73.53%（95%CI,0.6692-0.7945）,验证组中的预测准确率为72.09%（95%CI,0.6138-0.8123）。在训练组和验证组中的敏感度分别为84.62%和96.97%,特异度分别为85.71%和75.47%。在训练和验证组中,鉴别浸润前病变和微浸润-浸润性病变的敏感度分别为84.62%、96.97%,特异度分别为85.71%、75.47%,预测能力最优;然而,在鉴别微浸润和浸润前病变-浸润性病变的敏感度分别为60.94%、48.15%,特异度分别为84.29%、91.53%,预测效能相对略差。本研究对相关临床资料及传统的影像学征象也进行了分析,统计显示磨玻璃结节型肺腺癌的浸润性与患者性别、年龄、吸烟史无显著差异（P>0.05）,影像学征象中肿瘤大小（最大层面平均直径）、平均CT值、分叶征、毛刺征及空泡征在三组病变的浸润性差异有统计学意义（P<0.05）。三组肺腺癌病变的形态（类球形）、空气支气管征、血管集束征及胸膜凹陷征与肿瘤浸润性的差异无明显统计学意义（P>0.05）。结论:影像组学模型作为一种无创的术前预测工具,能有效鉴别磨玻璃结节型肺腺癌的浸润前病变、微浸润病变和浸润性病变,特别对于浸润前病变的预测效能更为显著。