文摘目的探讨基于机器学习的影像组学模型对子宫内膜癌患者无病生存期(disease-free survival,DFS)的预测价值。材料与方法回顾性分析双中心212例接受过根治性手术并正规随访的子宫内膜癌患者资料。提取所有患者T2WI序列中原发灶及瘤周5 mm区域的影像组学特征。采用5种机器学习方法(梯度提升机、最小绝对收缩和选择算法、随机生存森林、支持向量机和极端梯度上升)构建影像组学模型并计算最佳影像组学评分(radiomics score,Radscore)。分析Radscore对现有临床预测指标的增量价值并构建联合模型。最后,采用生物信息学分析揭示影像组学模型的生物学机制。结果基于梯度提升机的影像组学模型预测效能最佳,其在训练集和验证集预测1年、3年、5年DFS的曲线下面积(area under the curve,AUC)分别为0.977、0.986、0.995和0.745、0.764、0.802。多因素Cox回归分析显示临床分期、糖类抗原125(carbohydrate antigen 125,CA125)和Radscore为子宫内膜癌患者DFS的独立预测因素。联合模型在训练集和验证集预测1年、3年、5年DFS的AUC分别为0.926、0.894、0.864和0.828、0.839、0.873。同时,生信分析提示Radscore与子宫内膜癌患者免疫水平显著相关。结论基于机器学习的影像组学模型有助于子宫内膜癌DFS及免疫水平的预测。影像组学和临床指标的联合能进一步提高预测精度,为子宫内膜癌患者的预后预测和个体化治疗提供参考依据。