目的:随着体检筛查的普及,通过胸部计算机断层扫描（Computed Tomography,CT）检测到的肺结节越来越多,早期准确诊断其良恶性至关重要,随后的治疗方法也相应变化。相对而言,肺磨玻璃结节（Ground-Glass pulmonary Nodule,GGN）诊断较复杂,组织学活检是诊断的金标准,但鉴于其病灶小、缺少实变成分,无论纤维支气管镜或CT穿刺、胸腔镜均非常难以获取组织且具有一定创伤性,因此在临床应用上受到一定程度的制约。影像组学（Radiomics）是利用人工智能（Artificial Intelligence,AI）结合影像学使用计算机软件来提取大量预定义的高通量特征,然后采用机器学习的方法来建立诊断和预测模型。目前,影像组学在磨玻璃肺结节的诊断和评估中的应用受到广泛关注。本研究应用CT影像组学探讨其在磨玻璃肺结节良恶性性质判定中的应用价值,比较两种不同影像特征降维分析方法对影像组学模型效能的影响,并分析基于不同分类器算法所建立的影像组学模型的诊断效能。方法:收集2018年4月-2019年4月就诊于皖南医学院第一附属医院且具有病理结果的107例GGN患者胸部影像学资料,107位患者均拥有完整DCM格式的CT图像序列,将获取的CT影像序列以及临床相关信息上传至Radcloud云端。使用影像组学云平台提供的工具对磨玻璃肺结节病灶逐层划定病变边缘的感兴趣区域（Region of Interest,ROI）,后进行影像学特征值计算。对特征值分别采用主成分分析（Principal Components Analysis,PCA）和移除低方差特征法（Lo W Variance）进行降维分析。然后使用支持向量机（Support Vector Machine,SVM）、K近邻算法（K-Nearest Neighbor,KNN）、随机森林（Random Forests,RF）、极端梯度提升（Extreme Gradient Boosting,XGBoost）、决策树（Decision Tree,DT）、逻辑式回归（Logistic Regression,LR）这六种分类器对降维后的数据进行模型建立与验证。采用曲线下面积（Area Under Curve,AUC）、准确率及F1分数评价各模型效能,以及评价两种降维方式对模型建立的影响效果。结果:在PCA组中,基于SVM（AUC=0.646,准确性=0.73,F1分数=0.60）、RF（AUC=0.651,准确性=0.82,F1分数=0.66）、LR（AUC=0.969,准确性=0.91,F1分数=0.65）影像组学模型的诊断效能优于XGBoost（AUC=0.630,准确性=0.53,F1分数=0.65）、DT（AUC=0.554,准确性=0.67,F1分数=0.57）、KNN（AUC=0.380,准确性=0.68,F1分数=0.55）。Lo W Variance组中,基于SVM（AUC=0.832,准确性=0.77,F1分数=0.78）、RF（AUC=0.844,准确性=0.73,F1分数=0.74）、DT（AUC=0.920,准确性=0.58,F1分数=0.50）影像组学模型的诊断效能优于XGBoost（AUC=0.550,准确性=0.57,F1分数=0.49）、LR（AUC=0.730,准确性=0.68,F1分数=0.59）、KNN（AUC=0.740准确性=0.73,F1分数=0.66）。SVM以及RF分类器在上诉两种降维分析方法中均表现较高的诊断效能。而XGBoost分类器则在上述两种降维分析方法中诊断效能均较低。Lo W Variance降维处理组得到的诊断模型效果要优于PCA降维处理组得到的诊断模型效果。结论:CT影像组学有助于磨玻璃肺结节良恶性的鉴别,可辅助临床磨玻璃肺结节的诊疗。基于Lo W Variance降维处理的影像组学模型诊断效能优于PCA法。基于SVM以及RF机器学习所建立的影像组学模型具有较好的诊断效能。