目的:基于~(18)F-FDG PET/CT双模态图像,构建临床结合传统PET特征的集成式机器学习模型,并再添加影像组学评分构建组合模型,用以个体化评估弥漫大B细胞淋巴瘤(DLBCL)患者的2年无事件生存期(2-EFS),比较两模型的效能并进行模型的可解释性分析。方法:回顾性收集我院自2017年12月至2020年12月经病理证实的91例连续性DLBCL患者的临床、病理及免疫组化结果等资料。所有患者均在任何干预治疗前接受我院~(18)F-FDG PET/CT扫描。按照8:2的比例,随机将患者分为训练集(n=72)和测试集(n=19)。根据随访结果将患者分为非进展组和进展组。使用LIFEX软件对PET/CT图像中最大靶病变的淋巴瘤病灶进行三维感兴趣区容积(Volume of interest,VOI)的分割,计算传获悉更多统PET半定量参数,及病灶变异系数(Coefficient of Variation,COV)。分别提取PET及CT影像组学特征,每个患者共328个组学特征。使用最小绝对收缩和选择算子(Lasso)对影像组学特征进行降维与选择后,计BIBW2992配制算影像组学评分(Radiomics score,RS)。通过组间差异分析,筛选有意义的临床特征及传统PET影像半定量特征纳入模型。分别构建基于临床结合传统PET影像特征、RS联合临床及传统PET影像特征的XGBoost集成学习模型,绘制受试者工作特征(ROC)曲线,通过曲线下面积(AUC)、灵敏度、特异度等评估各模型预测效能;通过Delong检验比较两模型AUC的差异。使用SHAP方法进行模型可解释性分析,并通过shapley值对纳入模型的各个特征进行排名分析。结果:本研究符合纳排标准的共91例DLBCL患者(42名男性,49名女性),其中训练集有72例,发生2-EFS事件的进展患者有25例;测试集有19例,疾病进展患者为7例。训练集与测试集两组间临床数据之间无统计学差异(均r>0.05)。通过两组间比较,Ann Arbor分期、IPI、MYC、MTV、TLG具protozoan infections有统计学差异(均r<0.05)。通过Lasso筛选出7个影像组学特征(2个PET影像组学特征、5个CT影像组学特征)。基于临床-传统PET模型构建的XGBoost模型,在训练集中的AUC为0.74,测试集AUC为0.54;而基于RS联合临床-传统PET的XGBoost模型在训练集的AUC为0.81,测试集AUC为0.74。RS联合临床-传统PET模型的效能优于临床-传统PET模型(r<0.05)。SHAP的结果表明,在临床-传统PET构建的XGBoost模型中,shap分析得到各特征贡献Ann Arbor分期>MTV>MYC>IPI评分;在基于RS联合临床-传统PET特征的XGBoost模型中,shap分析得到各特征贡献RS>Ann Arbor分期>MTV>MYC>IPI评分。结论:基于临床、影像和RS的联合模型在评估接受治疗后DLBCL患者的2-EFS时,展现出了较好的效能,并且在测试集中具有良好的泛化能力。基线~(18)F-FDG PET/CT影像组学异质性指标有望成为预测2–EFS的有力工具。