目的 探讨基于CT影像特征提取结合机器学习在肺腺癌（Adenocarcinoma,ADC）与肺鳞状细胞癌（Squamous Cell Carcinoma,SCC）病理分型鉴别诊断中的应用价值。Hepatocyte apoptosis方法 回顾性分析1013例经手术病理证实为肺ADC或SCC的患者资料，根据病理结果将肺ADC分为第1组（n=515），肺SCC分为第2组（n=498），比较两组患者的性别和年龄差异。采用特征提取软件MaZda(Version 4.6)提取病灶最大层面的纹理特征参数，通过Standardization的方式对数据进行标准化处理，随后采用Univariate＿Logistic、LASSO和MultiVariate＿LogCB-839istic算法对数据进行降维，保留2组间差异明显的图像纹理特征，用以构建和筛选最佳诊断模型。将数据集按7∶3的比例分为训练组和验证组，采用6种机器学习算法对数据集进行处理，并根据验证组的准确度、ROC曲线下面积（Area Under Curve,AUC）、特selleckchem GSK1120212异度和敏感度择最佳分类器。结果 共提取病灶最大层面纹理特征参数306个，其中特征值之间差异明显的图像纹理特征共有114个，最终保留16个最佳图像纹理特征以构建预测模型，Logistic回归模型在验证集测试中的准确度最高，为本研究的最佳分类器。该模型在训练组的具体参数为AUC 0.826，其准确率、特异度、敏感度分别为75.7%、72.7%、78.7%；在验证组的具体参数为AUC 0.817，其准确率、特异度、敏感度分别为74.9%、74.1%、75.6%。结论 CT影像特征提取方法结合机器学习算法建立的分析诊断模型在肺ADC和肺SCC病理分型的预测中具有一定的研究价值。