目的 利用人工智能分析软件获取的影像学 特征构建原发肺腺癌PD-L1表达的分层预测模型。 方法 回顾性分析2020年6月至2021年6月共129例 经手术证实为原发肺腺癌的患者影像资料，由人工智能肺结节分析软件自动获得病灶影像表征、CT 定量参数及纹理特征，再由1名具有5年胸部CT诊断经验的影像科医师进行复核，有争议时由一名具有25年诊断经验的医师最终阅片决定。采用免疫组织化学染色法检测患者病理标本中PD-L1的表达， 将患者分为PD-L1阳性表达组(TPS≥1%)、PD-L1 阴性表达组(TPS<1%)。采用SPSS 26.0软件进行统 计分析，Logistic回归分析筛选预测因子，构建预测模型，受试者工作特征曲线(ROC)分析评价模型效能。P<0.05为差异有统计学意义。结果 PD-L1 阳性表达组实性体积、实性体积占比均明显高于阴性表达组，P值均<0.001。两组间实性质量分别 为5.57、1.59mg×103 ，差异具有明显统计学意义 (P=0.000)，阳性表达组实性质量占比也明显高于阴性组，分别为0.73、0.41(P=0.000)。阳性组、阴性组总质量分别为6.40、2.76mg×103 (P=0.015)。 PD-L1阳性表达组CT最大值、平均值均高于阴性表 达组(P值均=0.000)。两组间偏度及熵值差异有统计 学意义(P=0.001、0.002)。将实性成分、CT值、纹理特征纳入Logistic回归分析，构建组合变量，ROC曲线分析显示，组合变量预测高危组结节的AUC值为 0.887，敏感度 74.5% ，特异度90.2% ，差异具有统计学意义(P<0.001)。结论 基于人工智能分析软件的影像学定量特征能够用于预测原发肺腺癌PD-L1表达 水平，多参数组合变量的预测模型最佳。