目的:基于常规髋部CT图像,通过影像组学分析,建立老年人髋部骨质疏松性骨折预测模型。方法:根据纳排标准回顾性收集2018年6月至2022年1月期间到贵州医科大学附属医院影像科进行髋部CT扫描的60岁以上患者共252例,年龄60～97（74.96±8.89）岁,其中男性102名,女性150名,单侧髋部骨折（股骨颈、粗隆间）患者118例作为骨折组,未骨折者134例作为对照组。骨折组与对照组髋部CT图像分别按7:3的比例随机分为训练队列与测试队列。收集2021年12月至2022年3月期间到贵阳市第四人民医院影像科进行髋部CT扫描的60岁以上患者共89例作为外部验证队列,年龄60～95（77.17±8.63）岁,其中男性35名,女性54名,单侧髋部（股骨颈、粗隆间）骨折患者48例,未骨折者41例。训练队列用于特征筛选及模型建立,测试队列及外部验证队列用于验证模型效能,并全程独立于特征筛选及建模过程。使用开源软件3D Slicer（v4.13.0）勾画骨折者健侧及未骨折者左侧股骨头至小转子区域作为感兴趣区,随后进入软件Radiomics CLI模块,导入参数设置文件提取影像组学特征。在Python（v3.6.7）语言环境下,计算特征组内相关系数（Intraclass Correlation Coefficient,ICC）,排除重复性差的特征（ICC＜0.9）,采用T检验对特征进行初步过滤,随后分别使用递归式特征消除法（Recursive Feature Elimination,RFE）及最小收缩和选择算子（Least Absolute Shrinkage And Selection Operator,LASSO）两种方法继续筛选出与标签相关的10个特征,分别对应7种不同的分类算法建立14种模型。采用准确度、精确度、特异性、F1分数等评估模型的准确性,绘制受试者工作特征曲线（Receiver Operating Characteristic Curve,ROC）、计算曲线下面积（Area Under The Curve,AUC）对比模型性能。选择出最优模型并绘制混淆矩阵、校准曲线及决策曲线评估其临床应用价值。采用SPSS 25.0、Med Calc（version 20.027）统计软件进行数据分析及部分图表制作。计量资料用平均值±标准差表示,采用两独立样本T检验比较组间差异;分类资料组间比较采用卡方检验。模型间AUC值比较采用Delong检验。p＜0.05为差异有统计学意义。结果:在本次研究样本中,骨折组年龄较对照组大,且女性占比较大,其差异有统计学意义（p＜0.001、p=0.006）。绝大部分特征具有较高的可重复性,其中,一阶统计量组别最高（ICC=0.99±0.01）,形状特征组别最低（ICC=0.95±0.07）。骨折人群相对于非骨折人群,其骨小梁纹理分布的复杂性和体素分布的平均值更低,而其骨小梁纹理的不均匀性更高。在常见的机器学习分类算法中,随机森林表现最优,选择出性能最优且与完美校准拟合最佳模型为RFE与随机森林（Random Forest,RF）组合模型RFE＿RF,其在外部验证队列的预测性能如下:准确度0.76、精确度0.80、特异性0.75、F1分数0.77,预测老年人髋部骨质疏松性骨折的AUC值达0.817（95%置信区间:0.745-0.908）,且通过决策曲线显示其在临床决策中可获得较大的净效益。结论:基于常规髋部CT图像,影像组学能够挖掘出与老年人髋部骨质疏松性骨折骨质异质性相关的定量特征,结合影像组学特征和机器学习分析对老年人髋部骨质疏松性骨折的预测具有较高的有效性,利用机器学习分析和常规髋部CT图像对老年人髋部骨质疏松性骨折进行机会性筛查具有很高的潜在可行性。