目的 采用XGBoost机器学习算法构建一个临床影像模型，预测肺结节病理浸润性，并在一个外部验证组中对模型进行泛化性验证。方法 回顾性纳入CT诊断为孤立性肺结节患者248例，分别提取肺结节区域和结节周围3mm、5mm区域的放射组学特征。经过从粗到细的特征选择后，使用最小绝对收缩和选择算子(LASSO)方法计算Radscore。采用单因素和多因素Logistic回归分析筛选与肺结节浸润性相关的临床放射学因素。然后，利用Logistic和XGBoost算法构建临床-放射组学联合模型，在一个独立的外部验证组(n=147)中评估模型的泛化性能。结果 综合Radscore、CT值、肺结节长度、月牙征的临床放射学XGBoost联合模型对肺结节浸润性的预测效果优于放射组学模型、临床放射学Logistic联合模型，在训练队列中的曲线下面积AUC为0.889 (95% CI, 0.848~0.927)，在外部验证组中曲线下面积AUC为0.889 (95% CI, 0.823~0.942)。结论 我们采用XGBoost机器学习算法构建了一种预测肺结节浸润性的临床放射学模型，结果显示出令人满意的预测效能，并在一个独立外部验证组中得到了良好的泛化性验证，可以帮助临床医生指导肺结节的诊疗并制定评估策略。