目的探讨CT值介于500～1000HU,CT影像组学预测感染性肾结石的应用。方法回顾性分析我院2018年1月至2021年7月在我院收治的359例肾结石患者,收集CT（Computed Tomography）影像资料和临床基本特征等相关数据,术后经傅立叶转换红外光谱法（Fourier Transform Infrared,Spectroscope,FTIR）测定结石成分,以结石主成分≥50%为结石性质,含有磷酸铵镁和或碳酸磷灰石成分归为感染性结石。按7:3比例分为训练集251例和测试集108例。利用图像分析软件勾勒感兴趣区（volume of interest）,计算机编程语言平台从每位患者提取1218个影像组学特征。在训练集中对影像组学特征采用方差选择法（Variance Threshold）第一次筛选特征,单变量选择法（SelectKBest）第二次筛选特征,运用最小绝对收缩和选择算子（Least absolute shrinkage and selection operator,Lasso）回归分析第三次筛选特征,Lasso 方法计算各特征的系数,并选取非零系数特征。采用t检验、卡方检验、秩和检验及多变量分析对训练集中临床特征进行变量筛选。对最佳临床特征进行Adaboost、决策树（Decision Tree,DT）、逻辑回归（Logistic Regression,LR）、随机森林（Random Forest,RF）和支持向量机（Support Vector Machine,SVM）五种分类器学习,并基于LR模型绘制列线图（Nomograph）。影像组学特征同样进行五种分类器学习。根据LASSO回归系数构建影像组学特征评分（Radscore）,运用上述五种分类器,利用Radscore和临床独立危险因素构建组学-临床联合模型,并基于LR模型绘制列线图。评估分类器性能的主要指标包括曲线下面积面积（Area Under Curve,AUC）、准确度（Accuracy,ACC）、敏感性（Sensitivity,SEN）、特异性（specificity,SPE）、F1 分数、阳性预测值（positivepredictive value,PPV）和阴性预测值（negative predictive value,NPV）。结果359例肾结石分析报告显示感染性肾结石101例,非感染性肾结石258例。训练集中有组间差异的临床变量为鹿角形结石、尿PH值和尿亚硝酸盐,进一步Logistic多因素分析得出最佳临床特征为尿PH值和尿亚硝酸盐。训练集影像组学特征经Variance Threshold、SelectKBest和LASSO回归分析法降维筛选得到7个非零系数的影像组学特征。临床模型中,五种分类器均在训练集与测试集中表现均衡,其中Adaboost的AUC最高分别为0.66和0.72。影像组学模型中,LR、SVM和RF分类器在训练集和测试集中表现良好,AUC分别为0.73和0.75,0.74和0.73,0.78和0.71。联合模型中,LR、SVM和RF分类器在训练集和测试集中表现良好,AUC分别为0.73和 0.78,0.71 和 0.76,0.77 和 0.78。结论感染性肾结石的临床独立危险因素有尿PH值和尿亚硝酸盐。基于临床最佳特征的Adaboost、LR、SVM、RF和DT模型均能预测感染性肾结石。基于CT影像组学特征的LR、SVM和RF模型,以及影像组学特征分数联合临床特征的联合模型的LR、SVM和RF模型能够较好预测感染性肾结石患者。