背景肺癌是世界上所有恶性肿瘤中发病率排名第二,死亡率排名第一的恶性肿瘤,其中非小细胞肺癌（Non-small Cell Lung Cancer,NSCLC）患者占肺恶性肿瘤患者总数的80%以上。美国国立综合癌症网络（National Comprehensive Cancer Network,NCCN）指南指出,对于可手术的NSCLC患者,手术治疗是首选的治疗方法。NSCLC患者的胸腔内淋巴结是否转移是制定手术策略的决定性因素之一。快速冰冻病理检测是目前术中常用的诊断方法,但其耗时长,并且准确率只有80%-90%。近年来,由于其在人体的恶性组织与正常组织中具有明显差异,介电特性受到了临床医生的广泛关注,提示着其拥用被用于正常组织与恶性组织鉴别的可能。介电特性是生物组织的固有物理属性,包括介电常数和电导率。当人体正常组织逐渐转化成恶性组织时,组织内部的含水量、蛋白质含量以及离子浓度也会发生相应的变化。然而,介电特性数据具有高通量的特点,并且由于介电特性目前没有统一的测量标准,这可能会出现测量误差高、重复性较低的问题。因此,我们引入了 XGBoost（the Extreme Gradient Boosting）算法,它是目前主流的机器学习模型之一。因此,本研究引入介电特性和XGBoost模型,评估其可否用于NSCLC患者术中快速检测胸腔内淋巴结良恶性。目的本研究通过搭建介电特性联合XGBoost机器学习模型,验证其自动鉴别NSCLC患者胸腔内淋巴结良恶性的能力。方法本研究提出收集NSCLC患者胸腔内淋巴结在1MHz-4000MHz频率下介电特性数据,建立XGBoost模型用于鉴别胸腔内淋巴结良恶性的方法。使用开端同轴探头检测手术中切除的胸腔内淋巴结在1MHz-4000MHz频率下的介电特性数据,并使用XGBoost模型建立NSCLC患者胸腔内淋巴结的介电特性模型。通过计算它们的 ROC 曲线（the Receiver Operator Characteristic Curve）及 AUC值（Area Under the Curve）。并使用 SMOTE（the Synthetic Minority Oversampling Technique）算法来平衡良性和恶性淋巴结的数据,计算相应的AUC值及准确率。结果本研究一共纳入了来自67位NSCLC患者的204个胸腔内淋巴结,其中良性淋巴结164个,恶性淋巴结40个。在1MHz-4000MHz频率下,良性淋巴结和恶性淋巴结的介电常数和电导率均具有统计学差异（P＜0.001）。未使用XGBoost模型,介电常数和电导率的AUC值分别为0.850（95%置信区间confidence interval,CI:0.786-0.915,P＜0.001）and 0.887（95%CI 0.828-0.946,P＜0.001）。介电常数和电导率联合统计的AUC值则达到0.893（95%CI 0.834-0.951,P＜0.001）。使用XGBoost模型,AUC值为 0.968（95%CI 0.918-1.000,P＜0.001）,准确率为87.80%。由于良性和恶性淋巴结数量不均衡,使用SMOTE算法后平衡良恶性淋巴结数量差异,再使用XGBoost模型运算得到的AUC值为0.954（95%CI 0.883-1.000,P＜0.001）,准确率为 92.68%。结论本研究说明介电特性联合XGBoost用于术中快速检测淋巴结介电特性的方法是可行的,这可为胸外科医生手术中做决策提供有效的信息。