[目的]探讨增强CT影像组学在声带良恶性病变鉴别诊断中的价值。[方法]回顾性分析经术后病理证实的140例声带病变患者的术前增强CT图像,其中良性90例,恶性50例。所有病例按7:3的比例随机分为训练组（n=97）和验证组（n=43）。评估病变的增强CT影像征象,包括病灶形态是否规则、病灶强化程度、表现为声带结节样突起和/或弥漫增厚。采用独立样本T检验进行年龄间的比较,采用卡方检验对性别、三种临床影像特征进行比较。使用IBEX软件手动逐层勾画ROI,提取影像组学特征,包括形状（Shape）、灰度（Intensity Direct）、灰度直方图（Intensity Histogram）、二维灰度共生矩阵（Gray-Level Co-occurrence Matrix25,GLCM）、二维灰度游程矩阵（Gray-Level Run-Length Matrix25,GLRLM）、邻域强度差异（Neighbor Intensity Difference,NID）6个特征组。使用组内相关系数（ICC）进行信度测试,使用Z分数（Z-score）对数据进行标准化处理,再对训练组数据经过单因素分析,使用套索算法（LASSO）和十折交叉验证进行降维处理,筛选出有效的影像组学特征。将训练组和验证组的数据分别加入逻辑回归（Logistic Regression,LR）、决策树（Decision Tree）、随机森林（Random Forest,RF）、支持向量机（Support Vector Machines,SVM）、自适应增强（Adaptive Boosting,AdaBoost）5 种分类器中,构建影像组学模型,评价其对于声带良恶性病变的鉴别诊断效能。同时加入性别、年龄及临床影像特征与影像组学特征组成联合模型,分别与临床模型及影像组学模型进行对比,评价鉴别诊断效能。最后,建立列线图（Nomogram）,评估其对声带病变的预测能力。[结果]患者年龄无统计学意义（p＞0.05）,患者性别及三种临床影像特征有统计学意义（p＜0.05）。总计提取出759个影像组学特征,最终筛选出15个有效的影像组学特征。决策树（Decision Tree）、RF、SVM、AdaBoost4个模型均具有较高的平均曲线下面积（AUC）、敏感度、特异度、准确度,其中SVM模型的预测效能最佳,训练组及验证组的AUC分别为1和0.990。同时,联合模型的诊断效能也明显优于临床模型（联合模型训练组、验证组AUC分别为1、0.990,均高于临床组）。此外,结合列线图（AUC为0.995,Hosmer-Lemeshow检验的p值为0.723）和校准曲线良好的工作效果,均表明列线图在临床上是有效的。[结论]1、声带病变外形是否规则、增强扫描强化程度、病灶在声带上表现为局限性突起和/或弥漫性增厚对声带良恶性病变有一定的鉴别诊断价值。2、基于增强CT的影像组学对声带良恶性病变的鉴别诊断具有优势,同时影像组学结合临床模型构成的联合模型鉴别诊断效能更高。3、列线图能够为声带良、恶性病变的鉴别提供直观、可靠的参考。