研究目的 本研究拟通过回顾性分析101例2017-2019年在北京大学肿瘤医院核医学科行[18F]FDG PET/CT检查并经病理确诊的肺腺癌患者的临床及影像学资料,探究[18F]FDG PE/CT影像组学特征在预测肺腺癌患者中PD-L1表达水平的临床应用价值及其重要特征。资料与方法 本研究共纳入101例于2017-2019年在北京大学肿瘤医院经病理确诊的肺腺癌患者,所有患者在治疗之前均进行[18F]FDG PET/CT检查,并行免疫组织化学检测PD-L1表达水平。PD-L1表达阳性者为44例,阴性者57例。在病例系统收集患者的临床病理资料。分别从薄层CT及PET图像中提取出影像组学特征,同时,在后处理工作站中测量PET传统代谢参数,在薄层CT上判读图像特征。将临床资料及PET/CT影像组学特征、传统代谢参数纳入模型中。（1）使用过滤法、嵌入法进行特征选择,从而筛选出重要特征。基于Logistic回归、随机森林模型、XGBoost模型与LightGBM模型,分别进行训练并评估预测效果,优化出预测PD-L1表达水平的最佳模型参数。（2）在评估各模态影像组学的价值中,使用随机森林进行特征降噪,运用前向逐步回归和最小绝对收缩和选择算子（the least absolute shrinkage and selection operator,LASSO）分别进行特征选择,基于树模型、线性判别模型（Discriminant）、Logistic回归、支持向量机（support vector machine,SVM）模型分别探讨临床资料、薄层CT征象和影像组学特征、PET传统代谢参数和影像组学特征在预测模型中的价值。结果 在PD-L1表达阴性和阳性的预测中,各模型均能表现出一定的预测效果,基于Logistic回归、随机森林模型、XGBoost模型与LightGBM模型的预测准确度分别为0.70、0.73、0.70、0.80,LightGBM模型的效果明显优于其它模型,因此我们选取LightGBM模型作为参考模型。将临床资料与薄层CT所提供图像信息纳入LightGBM模型中,精确率（precision）、召回率（recall）、F1值（F1-score）在阳性组和阴性组中分别为0.71、0.67、0.69和0.69、0.73、0.71,所得到的准确度（accuracy）为0.7,AUC值为0.79;利用临床资料与PET组学特征、传统代谢参数建立预测模型,precision、recall、F1-score 在阳性组和阴性组中分别为 0.79、0.73、0.76 和 0.75、0.80、0.77,准确度为0.76,AUC值为0.80;联合临床资料及PET/CT影像组学特征、传统代谢参数建立预测模型,其precision、recall、F1-score在阳性组和阴性组中分别为0.85、0.73、0.79和0.76、0.87、0.81,所得到的准确度为0.80,AUC值为0.83,从该最佳预测模型筛选出重要特征,包括:SUVmax、SUVpeak、CTMaximum 2DDiameterSlice、PET GLCM correlation、PET Shape elongation 等。在评估各模态影像组学的价值中,将临床资料纳入模型中时,前向逐步回归筛选出特征为临床分期和性别,LASSO筛选出特征为临床分期、吸烟史和性别;将临床资料、CT所提供的信息特征纳入模型中时,前向逐步回归筛选出特征为结节类型、毛刺征和CT Shape Flatness,LASSO筛选出特征为结节类型、毛刺征;将临床资料、PET/CT所提供信息全部纳入模型中时,前向逐步回归筛选出特征为TLGlean、MTV、结节类型、PET Shape Sphericity,LASSO 筛选出特征为 SULmax、MTV、结节类型、PET Shape Sphericity、毛刺征。结论 联合临床资料、PET/CT影像组学特征、传统代谢参数可以有效预测PD-L1表达水平,从而辅助临床筛选免疫治疗获益人群;CT征象及PET传统代谢参数在预测PD-L1表达水平中发挥着重要作用。