目的:既往研究表明,CT组学特征与FDG PET的代谢参数高度相关,因此本研究尝试建立CT组学特征与PET参数间的函数关系,并探讨模型预测值的预后价值。方法:研究队列包括肺癌（SMU LC,n=206）、食管癌患者（SMU EC,n=61）和影像档案中心肺癌患者（RIDER LC,n=45）,所有患者均经病理证实,并接受¹⁸F-FDG PET/CT扫描。SMU LC的淋巴结为训练组,SMU LC原发灶、SMU EC的淋巴结和RIDER LC淋巴结为验证组。分割CT图像上每个符合条件的淋巴结和原发灶,并分别提取放射组学特征。训练组以ln（SUVsum）为因变量,CT特征为自变量,以机器学习中的梯度提升决策树（The gradient boosted regression trees,GBRT）和偏最小二乘回归法（Partial least square method,PLS）等方法筛选变量、回归模型系数,并探讨相关因素对模型估测值的影响。此外,3个验证组可用于评价不同癌症及不同采集设备时模型的估测能力。最后,再以SMU LC患者的随访资料,评价估测值的预后价值。结果:训练组中,每个感兴趣体积区可提取141个图像特征（1683个变量）,用GBRT法对每个图像特征的贡献力排序,取同机和薄层CT间排名前20位中的相同特征（n=6）作为候选特征,以PLS法最终选择3个特征构建预测模型,再以PLS和Passing&Bablok分步回归模型系数。训练组中模型的预测偏差为0.004±0.520（r=0.929）,预测值和测量值间无显著的统计学差异（P=0.873）。在SMU EC淋巴结组及SMU LC原发灶组中模型预测偏差的均值分别为0.059±0.476（r=0.896,P=0.033）和0.479±0.557（r=0.944,P=0.000）。RIDER LC组的系统偏差略增大,但可用Passing&Bablok回归校正。模型的相关影响因素对模型的精准度影响较小,诸如:淋巴结的良恶性、注射剂量、采集时间、淋巴结体积和病理类型。最后,为分析患者的生存信息（n=124）,对个体所有病灶的SUVsum求和,计算出糖酵解总量即TLG。多因素Cox回归分析表明除分期和治疗方式外,ln（TLG_测）及ln（TLG_估）是影响患者总生存期的独立预后因素,HR分别为1.78（95%CI:1.18-2.68）和1.91（95%CI:1.27-2.87）。结论:淋巴结SUVsum的自然对数可以用三个CT组学特征估测,模型很少受到包括转移与否的评估因素的影响,且模型的预测值对患者生存期有显著的预测价值。