目前，肺癌仍是全球医学技术攻克的难点，有效降低每年高发的致死率和发病率同样是棘手的问题。由于肺癌中约85%的患者为非小细胞肺癌(non-small cell lung cancer，NSCLC)类型。因此，非小细胞肺癌是目前研究的重点和热点。随着医疗水平的不断提高，非小细胞肺癌的预后治疗水平已经到了基因的层面，表皮生长因子受体(EGFR)基因突变状态的检测对非小细胞肺癌患者个体化治疗和改善预后都有重要的临床意义。当处于晚期的非小细胞患者被确切诊断为表皮生长因子受体突变，采用酪氨酸激酶抑制剂(TKI)来进行治疗己成为广泛接受的方式。现阶段比较流行的检测病人是否发生EGFR突变的方式是通过扩增阻滞突变系统（amplification refractory mutation system，ARMS）和直接测序进行特异性靶点检测。然而，直接测序需要对样本病变组织进行活检，虽然准确率很高，考虑到该方法需要进行局部手术穿刺来获取肿瘤组织，检查过程会花费高额费用，且检查结果需要较长时间。再者，该测序方法对所采用的技术和测试材料都有高标准的要求。而ARMS检测方法采用较新的检测技术，同样无法普及。此外，当癌变发生后才进行检测，多数患者在确诊后已经属于晚期，不采取一些有效的及时治疗，生存率基本在10％以下。如果病人及时被发现EGFR突变，可采取靶向药物治疗，可有效减少其进行化疗所带来的较大的副作用和在一定程度上改善发病期间生活状况。针对上述临床难题，本文提出利用新兴的影像组学方法对EGFR突变进行了理论和统计学的研究。　　首先本章通过严格的入组标准，筛选出180例病人作为研究对象。然后对每个病人的计算机断层扫描（Computed Tomography，CT）影像中进行高标准手动分割，将得到的感兴趣区域进行统一化处理。接着对每个病人提取485个三维影像组学特征进行量化。为了使研究更有临床意义，在影像组学特征的基础上，该研究收集了5个和EGFR突变高度相关的临床特征进行分析，采用套索回归算法(Least absolute shrinkage and selection operator，Lasso)从提取的485个高维特征和5个临床变量中自动地选择出具有预测EGFR突变能力的10个特征，利用逻辑斯特回归算法建立模型来预测EGFR突变。为了直观体现模型的性能，绘制了受试者工作特征曲线（Receiver operating characteristic curve,ROC），其中训练集的受试者工作特征曲线下面积（Area under ROC curve，AUC）为0.8618，验证集的AUC为0.8725，最后绘制了诺模图(nomogram)来直观反映出每个病人突变的风险，从而为诊断非小细胞肺癌的患者是否有EGFR突变提供了新思路。