目的:评估基于18F-FDG PET/CT显像的影像组学特征对非小细胞肺癌患者PD-L1表达状态的预测能力,构建和验证影像组学模型、临床模型以及两者相结合的复合模型,并基于最优预测模型进一步开发列线图,从而应用18F-FDG PET/CT显像的影像组学特征预测非小细胞肺癌患者的PD-L1表达状态。方法:回顾性分析2016年9月至2021年7月于河北医科大学第四医院治疗前行18F–FDG PET/CT显像检查且资料完整的非小细胞肺癌患者334例,男性203例,女性131例,年龄15～87岁,平均62.051±8.864岁。按照7:3的比例随机分为训练组（n=233）和验证组（n=101）。其原发病灶均经病理组织学证实且均进行了免疫组织化学技术（IHC）检测以获得程序性细胞死亡受体-配体1（PD-L1）的表达状态。应用影像学软件LIFEx7.0.0,并以40%最大标准化摄取值(SUVmax)为阈值,在PET/CT图像上逐层勾画病灶的感兴趣区域（ROI）,并分别提取了63个PET影像组学特征和63个CT影像组学特征。在训练组中,应用最小绝对收缩与选择算子（LASSO）算法筛选出最佳影像组学特征,根据权重系数建立公式并计算每例患者的影像组学得分,用于构建影像组学模型,通过Logistic回归建立临床模型及两者相结合的复合模型。利用受试者工作特征（ROC）曲线和ROC曲线下面积（AUC）来评价训练组和验证组中这三种模型的预测性能。另外,基于复合模型开发列线图,用于预测NSCLC患者PD-L1的表达状态。结果:本研究共纳入的334例患者,按照7:3的比例随机分为训练组（n=233）和验证组（n=101）。IHC检测PD-L1表达阳性162例,阴性172例。通过LIFEx软件从每例患者的PET/CT图像中各提取了126个影像组学特征,然后应用Mann-Whitney U检验对126个影像组学特征进行初步筛选,筛选出75个与PD-L1表达状态有关的特征,最后使用LASSO算法和10倍交叉验证对这75个特征进行降维处理,最终得到两个最佳影像组学特征,根据公式算出每例患者的影像组学得分（Rad-score）,并且构建影像组学模型。多因素分析显示,临床分期（OR=1.579,95%CI:0.220～0.703,P=0.000）是PD-L1不同表达状态的显著预测因子,故用此因子构建临床特征模型。使用多元逻辑回归建立两者的复合模型。在训练组和验证组中,影像组学模型用于预测NSCLC患者PD-L1表达状态的AUC值分别为0.706和0.761。同时,在训练组和验证组中,临床预测模型的AUC值分别为0.638和0.640。基于影像组学模型和临床变量的复合模型训练组和验证组中的AUC值分别为0.718和0.769。基于复合模型构建列线图,Hosmer–Lemeshow检验证实了在训练组（χ~2=1.463,P=0.481）和验证组（χ~2=1.563,P=0.458）中,预测概率和实际预测概率之间有着良好的一致性。结论:1.基于治疗前18F-FDG PET/CT影像组学特征建立的预测模型（影像组学模型及联合临床变量后的复合模型）在预测NSCLC患者PD-L1的不同表达状态方面具有良好的预测性能。2.NSCLC患者的临床特征模型也能预测其PD-L1的表达状态,在其临床变量中,临床分期是PD-L1不同表达状态的显著预测因子。3.在训练组中,基于影像组学得分（Rad-score）和临床变量（临床TNM分期）创建的列线图具有良好的预测性能,可帮助确认能够从免疫治疗中获益的患者,从而指导NSCLC患者临床免疫治疗,帮助临床医师做出更好的治疗决策,提高NSCLC患者的生存率。