第一部分CT影像组学列线图预测非小细胞肺癌同步脑转移的价值目的:探讨临床、病理资料、CT特征联合影像组学的列线图对非小细胞肺癌（NSCLC）同步脑转移的预测价值。方法:回顾性分析皖南医学院第一附属医院2015年1月到2021年12月124例经穿刺活检或手术病理明确的NSCLC患者的临床、病理和影像资料。根据头颅MRI平扫+增强检查结果,分为同步脑转移组51例和无脑转移组73例,按照完全随机方法将患者按7:3分为训练组（n=88）和验证组（n=36）。所有患者均行胸部CT平扫及增强扫描。通过AK软件对所有图像进行标准化处理,使用ITK-SNAP软件分别逐层手动勾画平扫、动脉期和静脉期图像上病灶感兴趣区（ROI）并进行三维融合,然后导入AK软件提取纹理特征。利用最小冗余最大相关（m RMR）和最小绝对值收敛和选择算子（LASSO）回归进行特征选择并建立影像组学标签。将临床、病理和影像资料中有意义的变量建立临床模型,并与预测效能最高的影像组学标签建立列线图。绘制ROC曲线,通过Delong检验比较模型的差异、决策曲线分析（DCA）评估模型应用价值。结果:临床、病理资料及CT特征中,毛刺和病理类型在同步脑转移组与无转移组间的差异有统计学意义。训练组和验证组中,临床模型AUC分别为0.71和0.77。平扫、动脉期、静脉期及联合序列分别筛选出10个、9个、10个、14个最佳特征,各序列影像组学标签AUC分别为0.79和0.76、0.82和0.80、0.79和0.79、0.78和0.80,动脉期影像组学标签效能相对最高。基于临床、病理资料、CT特征及动脉期影像组学标签建立的列线图AUC分别为0.85和0.90,列线图预测NSCLC患者同步脑转移效能相对最高,毛刺、病理类型和动脉期影像组学标签为独立预测因子。DCA显示列线图和动脉期影像组学标签均具有较好的净收益。结论:1、临床、病理资料及CT特征中,NSCLC同步脑转移与毛刺、病理类型有关,有毛刺征、病理类型为腺癌的患者更容易发生脑转移,临床模型对NSCLC同步脑转移的预测价值欠佳。2、各序列影像组学标签均优于临床模型,动脉期影像组学标签优于其它序列,具有更高的预测效能。3、基于临床、病理资料、CT特征及动脉期影像组学标签建立的列线图具有最高的预测效能,明显优于临床模型;影像组学标签有望成为一种全新的生物学指标帮助临床预测同步脑转移的风险。第二部分基于MRI影像组学机器学习模型对非小细胞肺癌脑转移化疗短期疗效的评估目的:探讨基于TIWI增强图像的影像组学联合不同机器学习模型对非小细胞肺癌脑转移化疗短期疗效的应用价值。方法:回顾性分析皖南医学院第一附属医院2013年1月到2022年1月82例NSCLC脑转移患者的临床、病理和影像资料。根据实体肿瘤疗效评价标准（1.1版）,分为有效组53例和无效组29例,按照完全随机方法将患者按7:3的比例分为训练组（n=59）和验证组（n=23）。所有患者均行MRI平扫及增强扫描。使用ITK-SNAP软件在矢状位T1WI增强图像上沿所有转移瘤边缘逐层手动勾画病灶感兴趣区（ROI）并进行三维融合,通过AK软件提取纹理特征。利用最小冗余最大相关（m RMR）和最小绝对值收敛和选择算子（LASSO）回归进行特征选择并建立影像组学标签。将临床、病理和影像资料中有意义的变量建立临床模型,并与影像组学标签通过不同机器学习方法建立Logistic回归（LR）、支持向量机（SVM）和随机森林（RF）模型,绘制ROC曲线,通过Delong检验比较模型的差异、决策曲线分析（DCA）评估模型应用价值结果:临床、病理资料及MRI特征中,瘤周水肿在有效组与无效组间的差异有统计学意义。训练组和验证组中,临床模型AUC分别为0.68和0.74;基于矢状位T1WI增强图像筛选出14个最佳特征建立组学标签,AUC分别为0.83和0.85;三种机器学习模型:LR、SVM和RF模型AUC分别为0.86和0.93、0.81和0.85、0.85和0.88,LR模型预测效能相对最高,影像组学标签为LR模型独立预测因子。DCA显示组学标签和三种机器学习模型较临床模型均具有更高的净收益。结论:1、临床、病理资料及MRI特征中,NSCLC脑转移化疗短期疗效与瘤周水肿有关,存在瘤周水肿的患者疗效更好,临床模型预测效能欠佳。2、影像组学标签和三种机器学习模型较临床模型均有更高的预测效能和临床净收益,LR模型价值最高,影像组学可以为临床治疗方案的制定和调整提供新的依据。