目的 基于肺结节瘤灶及瘤周影像组学特征开发反向传播神经网络(BPNN)深度学习模型，结合CT影像学特征及临床信息，构建用于预测肺结节浸润性的列线图模型。方法 回顾性收集经手术切除的242例GGN患者，分为腺体前驱病变(AAH/AIS)和浸润性肺腺癌(MIA/IAC)，比较两组患者影像征象、临床特征的差异性。从肺部CT图像勾画肺结节及瘤周靶区，通过单因素秩和检验及相关性分析，对影像组学特征进行筛选，采用反向传播神经网络深度学习算法构建预测模型，以受试者工作特征(ROC)曲线下面积(AUC)评估模型预测性能，在外部队列中对模型进行泛化性验证。结果 BPNN模型在训练组、内部验证组和外部验证组中的AUC分别为0.883(95%CI：0.830-0.929)、0.854(95%CI：0.786-0.909)和0.854(95%CI：0.786-0.909)。经过单因素及多因素分析得出月牙征、CT值、GGN长径是预测肺结节浸润性的独立危险因素(P<0.05)，由此构建临床模型在训练组及验证组中的AUC分别为0.889(95%CI：0.835-0.934)、0.778(95%CI：0.668-0.879)和0.901(95%CI：0.856-0.940)。结合BPNN模型及临床模型构建联合模型，模型在训练组和验证组中的AUC分别为0.952 (95%CI：0.920-0.977)、0.891(95%CI：0.807-0.959)和0.939(95%CI：0.899-0.968)。相比其他两个模型，联合模型评估肺结节病理浸润性展示了更强的模型性能。结论 基于瘤灶及瘤周放射组学特征联合临床-放射学信息构建的列线图模型，表现出较好的预测性能，联合模型在外部队列中得到较好的泛化性验证，可辅助临床对肺结节诊疗提供参考意见。