目的:胆囊癌作为一种发病率不高但是预后极差的消化道恶性肿瘤,早期诊断肿瘤以及准确评估肿瘤情况对选择治疗方案、改善患者预后有着重要意义。然而,基于传统影像学检查的胆囊癌早期诊断及肿瘤评估一直非常困难。影像组学作为一个近期兴起的研究方法,在肺癌、乳腺癌、神经胶质瘤等肿瘤疾病的诊断中发挥出极佳的诊断效果,例如预测病理类型、预测肿瘤情况、预测患者预后、预测肿瘤基因型甚至预测药物治疗效果。目前,暂无研究使用影像组学预测胆囊癌的病理类型及浆膜层浸润情况,因此,本研究计划使用增强CT进行影像组学特征分析,构建机器学习模型来判断胆囊癌病理类型及浆膜层累及情况。方法:本研究为回顾性研究,共纳入了 80名术后石蜡病理诊断为胆囊癌的患者,收集术前增强CT影像及病理结果。进行图像资料的预处理后,由放射科医生划定ROI。影像组学特征参数的提取由Python语言完成。根据病理类型分组,使用独立对象克鲁沃斯卡尔-沃利斯检验并两两比较,确定病理类型之间存在显著性差异的参数。之后,以浆膜层受累情况作为分组依据,使用独立对象曼-惠特尼U检验确定与浆膜层相关的参数。整合所有有差异的参数,使用Tensorflow线性结构构建3层神经网络模型,每层20个神经节点。以训练集及验证集的曲线下面积稳定且高于0.75作为条件筛选模型。最后使用随机抽取的验证集评估模型效果。结果:本研究发现在不同病理类型之间存在显著性差异（p<0.05）的影像组学参数共计127个,差异参数主要分布在形状特征组（41个）和纹理特征组（75个）。不同病理类型之间两两比较后发现,影像组学参数的差异主要来自高分化腺癌与低分化腺癌（67个）、高分化腺癌与中低分化腺癌（77个）。使用以上差异参数可以构建区分高分化腺癌、低分化腺癌及其他腺癌的机器学习模型,曲线下面积可以稳定在0.8以上。在浆膜层受累情况之间存在显著性差异（p<0.05）的影像组学参数共75个,使用这些差异参数可以构建预测浆膜层受累情况的模型,曲线下面积可以稳定在0.75以上。结论:在不同胆囊癌病理类型和不同浆膜层受累情况之间,增强CT的部分影像组学特征参数存在显著性差异。基于这些差异参数,可以构建区分胆囊癌病理类型及浆膜层受累情况的增强CT影像组学的机器学习模型。