目的:探讨基于计算机断层成像(Computed tomography,CT)影像组学特征对非小细胞肺癌(Non-small cell lung cancer,NSCLC)患者纵隔淋巴结(Mediastinal lymph node,MLN)转移的预测诊断价值。方法:回顾性分析110例CT显示有短径大于或等于8mm纵隔淋巴结的NSCLC患者,一共纳入221个淋巴结,其中阳性淋巴结(LN+)109个,阴性淋巴结(LN-)112个,将数据集按7:3的比例随机分为训练组和验证组。使用A.K.软件勾画感兴趣区域(Region of interest,ROI)并提取影像组学特征,采用T检验(T test)或者Man-Whitney U检验(Man-Whitney U test)剔除LN-/+中不具有统计学差异的特征,最小绝对收缩和选择算子(Least absolute shrinkage and selection operator,LASSO)方法进一步筛选特征用于构建预测模型。使用逻辑回归分类器在训练组中建立影像组学模型,根据模型每个参数的回归系数计算每一位患者的影像组学评分(Radiomics score,Radscore)。使用单因素Logistic回归分析筛选有预测价值的CT影像学及临床病理特征,把Radscore作为一个标签,与具有统计学意义的临床病理及CT影像学特征一起纳入多因素Logistic回归分析中,以最小 Akaike 信息准则(Akaike Information Criterion,AIC)为标准,使用逐步回归分析进一步筛选出有预测价值的特征,最后建立综合模型并表示为影像组学列线图(Radiomicsnomogram)。通过训练组和验证组中的校准曲线(Calibration curve)和受试者工作特征曲线(Receiver operating characteristic curve,ROC)来分析该模型的性能,最后,采用决策曲线分析(Decision curve analysis,DCA)以量化不同阈值概率下的净效益来评估预测模型的临床实用性。结果:单纯影像组学建立的模型在训练组及验证组中受试者工作特征曲线下面积(the Area under the receiver operating characteristic curve,AUC)分别为0.868、0.863,而纳入CT影像学及临床病理特征后的综合模型,AUC分别高达0.969和0.942(Delong test,p<0.05),且影像组学列线图在训练组和验证组中的应用均具有良好的预测性能,决策曲线分析表明,多参数影像组学列线图具有更高的整体净效益。结论:单纯CT影像组学特征构建的模型能较好预测NSCLC患者是否存在MLN转移,而联合CT影像学特征及临床病理特征的多参数影像组学列线图可以明显提高其预测效能,为NSCLC患者的个性化治疗提供可靠依据。