[目 的]颈动脉体瘤（carotid body tumor,CBT）是一种罕见的发生在颈动脉分叉处的副神经节瘤,目前手术切除是主要的治疗手段,脑神经损伤是CBT术后最常见的并发症,而缺血性脑梗死导致的死亡则是CBT术后最为严重的并发症。我们试图使用CT影像组学和机器学习建立颈动脉体瘤术后并发症的准确预测模型。[方 法]收集了 2017年至2021年88名患者的信息,主要为患者术前的头颈部CT图像和患者术后的并发症发生情况。选择CT图像上患者颈动脉体瘤及其侵犯部位作为兴趣体积,并对选择出的兴趣体积进行129个影像组学特征的特征提取。基于与患者术后并发症结果的相关性,对选择出的影像组学特征进行特征选择。然后,使用6种分类器:支持向量机（SVM）、k-最近邻（KNN）、逻辑回归（LR）、决策树（DT）、随机林（RF）和XGBoost利用5折交叉验证法建立了 CBT术后的并发症预测模型。并评估了所有模型的预测模型。[结 果]基于lasso回归和随机森林算法,选择出了 9个影像组学特征作为CBT术后预测的相关影像组学特征。随机分配患者参加训练组和实验组,比例为8:2。实验组中有3种机器学习算法的精度超过了 70%。k最近邻模型实验组的准确率、精确度、召回率、F1分数、AUC分别为72.2%、73.3%、91.7%、81.5%和0.72,XGBoost模型实验组的准确率、精确度、召回率、F1分数、AUC分别为72.2%、81.8%、75.0%、78.3%和0.81,随机森林模型实验组的准确率、精确度、召回率、F1分数、AUC分别为83.3%、80.0%、100%、88.9%和0.81,其中随机森林具有最佳的预测性能。[结 论]利用影像组学和机器学习,建立了颈动脉体瘤术后并发症的预测模型。随机森林模型返回了最佳的精度。