目的:分析难定性良性结节的临床特征、CT特征,提取其影像组学特征,并构建预测模型鉴别难定性良性结节。方法:本研究回顾性筛选空军军医大学第一附属医院2016年6月到2023年12月的肺结节多学科会诊病例,入组难定性良性肺结节(定义为术前会诊诊断为恶性或难以定性而术后病理为良性的肺结节)60例,并为良性病例按1:2随机匹配同样经过多学科会诊的恶性病例120例,按7:3的比例将入组结节分为训练集和验证集。然后收集其临床资料和影像资料,对临床特征和CT特征进行分析。使用3D Slicer勾画病灶,使用python提取其影像组学特Immune reconstitution征。最后在训练集中构建临床模型、影像组学模型和联合模型,并使用ROC曲线、校准曲线和DCA曲线对模型诊断性能在不同类型的结节中进行探索性验证,并在单独的验证集中进一步评估。结果:(1)在临床和CT特征分析中,良性组和恶性组的结节整体上在性别、年龄、结节直径和位置、形状、分叶征、细毛刺征、胸膜牵拉征、支气管征、空泡征存在统计学差异(P<0.05),将结节按密度分类后进一步分析,发现两组间p GGN的所有特征均无统计学差异(P>0.05),mGGN的年龄、结节直径存在统计学差异(P<0.05),SN的结节直径、分叶征、细毛刺征、胸膜牵拉征存在统计学差异(P<0.05)。(2)难定性良性结节的病理类型中以慢性炎最为常见,在p GGN中,慢性炎占比81.82%,乳头状腺瘤和硬化性肺泡细胞瘤分别占比约9%。在mGGN中,慢性炎占比70%,结核、平滑肌瘤、炎性假瘤等不足10%。SN中,结核占比最高,达30%,慢性炎为20%,其次是炎性假瘤和慢性肉芽肿性炎。(3)依据临床资料、影像及组学数据分别建立了临床模型、影像组学模型和联合模型用以预测难定性良性肺结节。在不同类型的结节中测试了模型的诊断性能,在p GGN、mGGN和SN中,临床模型的AUC分别为0.715、0.764、0.864,影像组学模型的AUC分别为0.744、0.738、0.819,联合模型的AUC分别为0.777、0.875、0.868。三个模型均在SN中表现最好,均能达到0.8以上。临床模型和影像组学模型在mGGN中诊断性能出现明显的降低。在p GGN中三个模型的诊断性能均有不同程度的下降,但联合模型下降幅度最小。(4)在验证集中对临床模型、影像组学模型、联合模型诊断性能进行验证,AUC分别为0.745、0.765、0.808,最佳截断值分别为0.412、0.451、0.412,敏感度分别为0.474、0.579、0.737,特异度分别为0.949、0.919、0.892。联合模型拥有最佳的诊断性能。结论:(1)难定性良性结节影像学特征不典型,即使经过会诊也难以和恶性结节区分,给患者带来手术风险和经济负担。特别是在p GGN和mGGN中,难定性良性结节与恶性结节影像学特征的差异不明显。(2)在病理分布中,难定性良性结节以慢性炎为主,其中p GGN和mGGN中的病理类型以慢性炎为主,SN则以结核和慢性炎为主。(3)在不同类型结节的良恶性鉴别中,联合模型的性能最优,SN、m购买GW-572016GGN和p GGNSCH772984临床试验的AUC分别为0.868、0.875和0.777。(4)在验证集中,联合模型的表现最佳,AUC达到0.808,敏感度为0.737,特异度为0.892,因此联合模型有望成为辅助临床鉴别难定性良性结节的有力工具。