目的回顾性探索基于磁共振图像的影像组学在预测垂体腺瘤PRL表达状态中的应用价值材料与方法回顾性收集吉林大学中日联谊医院2013年2月-2018年8月期间的103例垂体腺瘤资料,所有患者术前均行MR平扫及增强检查且具有术后病理、免疫组化结果,其中50例PRL阳性表达,53例PRL阴性表达。对T1WI、T2WI平扫及T1WI增强序列(CE-T1WI)的扫描图像进行手动分割并提取影像组学特征(每个序列图像分别提取1029个组学特征值),运用方差选择法(Variance threshold)、方差分析(Analysis of variance)和最小绝对收缩和选择算法(the Least absolute shrinkage and selection operator,Lasso)筛选出与PRL表达相关性较强的影像组学特征,采用逻辑回归构建机器学习模型(5折交叉验证),模型预测表现通过受试者工作特征曲线(ROC曲线)进行评估,并筛选出结果相对优秀的序列组合模型。基于磁共振影像组学特征,同时联合其他临床特征(血清激素水平和年龄),我们构建了列线图(nomogram)模型对垂体腺瘤的PRL表达状态进行更为准确的预测。结果19个与PRL表达密切相关的影像组学特征被筛选出来,在训练集中基于T1WI&T2WI&CE-T1WI联合序列的组学特征表现出相对良好的预测结果(曲线下面积(AUC):0.76,95%置信区间(CI):0.66-0.85,特异性:0.68,敏感性:0.72,准确性:0.70),结果在验证集中得到验证(AUC:0.77,95%CI:0.65-0.89,特异性:0.66,敏感性:0.80,准确性:0.67)。列线图基于影像组学的预测结果为AUC:0.87,95%CI:0.80-0.93,特异性:0.81,敏感性:0.78,基于其他临床特征的预测结果为:AUC:0.71,95%CI:0.61-0.81,特异性:0.89,敏感性:0.50,联合影像组学特征及其他临床特征构建的列线图预测结果为:AUC:0.91,95%CI:0.86-0.97,特异性:0.87,敏感性:0.84。结论影像组学为术前预测垂体腺瘤的PRL表达状态提供了一种无创性的检测手段,对于PRL阳性垂体腺瘤的术前判定及预后评估具有积极的作用。