本研究旨在使用多种机器学习方法构建基于18FFDG PET/CT的放射组学模型，以预测肺腺癌的EGFR突变状态，并评估纳入临床参数是否可以提高放射组学模式的性能。对515名患者进行回顾性收集，并将其分为训练集（n?=?404）和独立的测试集（n?=?111）根据他们的检查时间。在对PET/CT图像进行半自动分割后，提取放射组学特征，并筛选出CT、PET和PET/CT模式的最佳特征集。使用逻辑回归（LR）、随机森林（RF）和支持向量机（SVM）方法构建了九个放射组学模型。根据测试集中的性能，保留了三种模式的最佳模型，并计算了其放射组学评分（Rad评分）。此外，结合有价值的临床参数（性别、吸烟史、结节类型、CEA、SCC Ag），建立了联合放射组学模型。与LR和SVM相比，RF-Rad评分在CT、PET和PET/CT三种放射组学模型中表现最佳（训练和测试集AUC:0.688、0.666和0.698对0.726、0.678和0.704），PET/CT关节模型表现最好（训练集和测试集AUC:0.760 vs.0.730）。进一步的分层分析发现，CT_RF对I–II期病变的预测效果最好（训练集中和测试集的AUC:0.791vs.0.797），而PET/CT联合模型对III–IV期病变的预测效果最好（训练和测试集AUC:0.722vs.0.723）。结合临床参数可以提高PET/CT放射组学模型的预测性能，尤其是对晚期肺腺癌患者。
