目的:通过建立影像组学模型、CT征象模型、影像合并模型及联合模型并比较其诊断效能,探讨基于术前CT的影像组学预测非小细胞肺癌（NSCLC）肿瘤突变负荷（TMB）状态的价值。方法:回顾性收集广州医科大学附属第一医院2019年2月到9月经手术切除病理证实为肺癌且行胸部CT扫描和TMB检测的400例患者术前CT及临床资料。经过纳入、排除标准筛选,最终按高表达与低表达1:2的病例数从中纳入163例作为研究对象,将其以7:3的比例随机分为训练组（113例）和验证组（50例）。统计研究对象的临床资料包括:年龄、性别、吸烟史、临床分期、术前癌胚抗原;统计CT影像学征象包括:肿瘤所在的肺叶,病灶最大径线,分叶征,毛刺征,胸膜凹陷征及病灶密度。采用单因素分析以及多因素逻辑回归分析筛选与TMB表达状态相关的CT影像征象构建CT征象模型。使用ITK‐SNAP软件在平扫高分辨算法CT图像中,手动勾画、分割所有病灶的所有层面,沿病灶轮廓勾画出感兴趣区（ROI）,将所有患者的原始图像及ROI文件导入美国GE公司AK（Artificial Kit）软件从每例患者的CT图像中提取1316个影像组学特征,在AI统计学习智能平台（IPM Statistics,IPMs）使用单因素分析及最小绝对收缩和选择算法（LASSO）对提取的影像组学特征进行降维,建立影像组学模型,并计算影像组学评分Radscore。将影像征象预测因素与影像组学评分Radscore采用Logistics回归模型建立影像合并模型;纳入Radscore及临床预测因素建立联合模型。采用ROC曲线下面积（AUC）评价4种模型对非小细胞肺癌TMB表达状态的预测效能,采用De Long检验比较4种模型的预测效能是否有统计学差异（P<0.05为差异有统计学意义）。通过决策曲线评估各个模型不同阈值概率的获益情况。采用校准曲线对列线图的预测效能进行评价。结果:在临床资料和传统CT影像学指标中,性别、年龄、病灶密度以及病灶最大径线>3cm在TMB高表达组与低表达组之间的差异有统计学意义（P<0.05）。CT影像组学特征经过最小绝对收缩和选择算法（LASSO）降维后剩余4个特征,用于构建影像组学模型,训练组和验证组在上述模型中ROC曲线下面积（AUC）分别为0.787（95%CI为0.695～0.879）和0.779（95%CI为0.634～0.923）。纳入病灶密度及病灶最大径线CT征象特征构建传CT征象模型,训练组和验证组AUC分别为0.725（95%CI为0.628～0.822）和0.783（95%CI为0.682～0.876）。纳入影像组学评分Radscore以及CT征象标签构建的影像合并模型,训练组和验证组AUC分别为0.786（95%CI为0.694～0.878）和0.786（95%CI为0.646～0.926）,纳入临床预测因素年龄、性别及Radscore构建联合模型,训练组和验证组AUC分别0.826（95%CI为0.747～0.906）和0.847（95%CI为0.735～0.959）。De Long检验示联合模型分别与影像组学模型、CT征象模型以及影像合并模型AUC间具有统计学差异。结论:1.性别及年龄作为预测非小细胞肺癌TMB表达状态的临床因素,病灶密度以及病灶最大径线可以作为预测的CT征象。2.影像组学模型对于预测非小细胞肺癌TMB表达状态具有较高的预测价值。3.在4个预测模型中,联合模型具有最高的预测效能。