目的:纵隔淋巴结为恶性肿瘤发生淋巴结转移的常见部位之一。且明确淋巴结转移情况在肿瘤分期、治疗方案的选择以及预后预测等方面起到了至关重要的作用。因此术前评估淋巴结的良恶性情况尤为重要。本研究拟建立并验证基于计算机断层扫描（Computed Tomography,CT）增强成像的诊断纵隔淋巴结恶性程度的放射组学模型。方法:本研究为回顾性研究,共纳入了129名被试的201个淋巴结,其中81个淋巴结为良性,120个淋巴结为恶性。所有入组的淋巴结均有病理诊断结果。201个淋巴结以7:3的比例被随机的分为训练组和测试组。本研究选择在静脉期CT图像上进行感兴趣区（region of interest,ROI）的勾画。勾画ROI时,选取增大淋巴结的轴位最大层面,沿着淋巴结边缘进行手动绘制。随后对ROI进行放射组学特征的提取。继而使用最小绝对收缩和选择算子（least absolute shrinkage and selection operator,LASSO）二元逻辑回归的方法对提取的放射组学特征进行选择。再将训练组相应的筛选出来的特征,送入使用后退逐步淘汰法的多元逻辑回归分类器,构建一个用来判别纵隔淋巴结良恶性的逻辑回归模型。本研究评估了该诊断模型的分类性能,并将其与利用其他5种机器学习算法（支持向量机算法、朴素贝叶斯算法、随机森林算法、决策树算法、K最邻近算法）构建的诊断模型的接收者操作特征曲线（receiver operating characteristic curve,ROC曲线）进行了比较,以对比这几种方法的分类性能。本研究使用校准曲线以及Hosmer-Lemeshow检验来评估逻辑回归模型的校准度。并且分别在训练组和测试组内进行了决策曲线分析（decision curve analysis,DCA）,以评估逻辑回归模型的临床应用价值。为了明确不同品牌的CT扫描仪或不同层厚的CT扫描图像对诊断模型的分类性能是否有影响,本研究还进行了分层分析。结果:在6种不同的机器学习算法构建的模型中,利用筛选出的8个放射组学特征训练出的逻辑回归模型在鉴别纵隔淋巴结良恶性方面得到了较好的诊断性能。在训练组/测试组中,其精确性、敏感性、特异性以及ROC曲线下的面积（area under the ROC curve,AUC）分别为0.850/0.803,0.821/0.806,0.893/0.800以及0.922/0.850。Hosmer-Lemeshow检验结果显示P值大于0.05,这一结果证明诊断模型拥有良好的校准度;且校准曲线表明诊断模型的分类结果与淋巴结的真实病理结果之间具有较好的一致性。DCA结果表明,当测试组的阈值概率在30%～90%之间时,放射组学模型将获得更大的收益。分层分析显示不同品牌的CT扫描仪和不同层厚的CT扫描图像对诊断模型的分类性能没有影响。De Long检验结果得出任意两个亚组之间的P值均大于0.05,这说明任意两个亚组的诊断性能之间均无统计学差异;这一结果表明了放射组学评分在不同因素之间的泛化能力。结论:本研究构建的基于增强CT图像的放射组学模型有助于对纵隔淋巴结的良恶性进行术前评估,并且该模型在不同品牌的CT扫描仪和不同层厚的CT扫描图像中具有较好的稳定性。