目的:累及或原发于前纵隔的淋巴瘤,因其病理类型繁多,临床数据庞杂,仅靠传统影像学指标或现有的临床相关指标无法进行有效区分,因此早期正确的识别前纵隔淋巴瘤的病理类型对临床诊断及治疗方案的选择具有重要意义。本研究从临床基线~(18)F-FDG PET/CT检查结果中提取的影像组学特征入手,并通过机器学习算法分析累及前纵隔的三大类型淋巴瘤的预测模型,为前纵隔淋巴瘤的鉴别诊断提供良好的预测依据。方法:回顾性分析2017年11月至2023年2月在我院核医学科,行~(18)F-FDG PET/CT基线检查的患者,并有明确病理诊断和完整临床资料的累及前纵隔淋巴瘤患者93名,aromatic amino acid biosynthesis其中累及前纵隔的三大类型淋巴瘤,即T淋巴母细胞淋巴瘤(TLBCL,n=32)、霍奇金淋巴瘤(HL,n=25),弥漫性大B细胞淋巴瘤(DLBCL,n=23)三组患者纳入分析,并分成L_1(DLBCL-HL)组、L_2(DLBCL-TLBL)组和L_3(TLBL-HL)组,三组进行二分类的鉴别诊断分析。将研究患者随机分组,训练组患者占70%,剩余30%作为测试组。采用m RMR和LASSO来选择影像组学特征。首先对冗余和不相关的特征进行m RMR,保留了30个特征。然后采用LASSO,并通过交叉验证选择最佳λ值,选择优化后的特征子集构建最终的模型。来比较建立的影像组学评分(Radiomics scores,Rad-score)模型的诊断效能。应用受试者工作曲线(ROC)及曲线下面积(AUC)进行评估模型间的鉴别诊断效能。结果:经过特征筛选,当λ_(L1)=0.0336055419891073、λ_(L2)=0.0246884888278534、λ_(L3)=0.0175238647432615时,三组模型分别提取了8项影像组学特征用于构建Rad-score模型。在DLBCL和HL的鉴别诊断中当Rad-score分别取临界值0.030和0.019时,AUC在训练集和测试集中为0.72和0.69。在DLBCL和T-LBL的鉴别诊断中当Rad-score取临界值-0.031和-0.505时,AUC在训练集和测试集中为0.83和0.81。T-LBL和HL的鉴别诊断中当Rad-score取临界值0.342和0.787时,AUC在训练集和测试集中为0.89和0.88。三组淋巴瘤的鉴别诊断中,Rad-score在两组间的差异均具有统计学意义(均P≤0.05)。结论:基于~(18)F-FDG PET/CT影像结果提取的影像组学特征而构成的鉴别模型,对累及前纵隔的弥漫性大B细胞淋巴瘤、霍奇金淋巴瘤和T淋巴母细胞淋巴瘤之间具有预测价MS-275体内实验剂量值。在DLBCL-HL、DLBCL-TLBL和ABT-199体外TLBL-HL鉴别组中,log.sigma.3.0.mm.3D＿glcm＿Inverse Variance、log.sigma.2.0.mm.3D＿glrlm＿Long Run Emphasis、wavelet.LLL＿ngtdm＿Strength具有较高鉴别价值。