目的 基于CT影像加权组学评分构建非小细胞肺癌（NSCLC）的免疫治疗疗效预测模型。方法 选择2021年1月—2023年12月徐州医科大学附属沭阳医院收治的185例接受免疫治疗的NSCLC患者为研究对象，所有患者接受纳武利尤单抗（240 mg）连续治疗3个疗程，并根据实体瘤临床疗效评价标准1.1版评估疗效，根据疗效将患者分为治疗有效组和治疗无效组。基于治疗前动脉期CT图像，采用PyRadiomics工具对所有容积感兴趣区域进行重采样，并进行图像预处理（包括小波变换和拉普拉斯滤波器等方法），提取两组患者的多病灶影像组学特征，并通过Dr.Wise科研平台上对提取的特征进行标准化处理。同时，采用基于注意力机制的多示例学习（a-MIL）算法、最小绝对收缩和选择算子（LASSO）回归、logistic回归构建CT影像加权组学评分模型，并计算每例患者的CT影像加权组学评分。基于R软件（R4.3.3）和rms程序包绘制列线图，同时通过一致性指数（C-index）评估模型的一致性，采用受试者操作特征（ROC）曲线评估列线图模型对NSCLC的免疫治疗疗效预测性能，校准曲线用于评估模型预测概率与实际结果的一致性，决策曲线用于评估模型在不同阈值下的净收益。结果 治疗有效组（66例）与治疗无效组（119例）患者的性别（χ2=3.86，P=0.049）、病理类型（χ2=8.41，P=0.015）、吸烟史（χ2=5.70，P=0.017）、治疗前肺内转移（χ2=5.88，P=0.015）比较，差异均有统计学意义。采用a-MIL算法对多病灶的原始组学特征在病例层面加权求和，共提取342个影像组学特征，其中162个特征一致性较好（组内相关系数>0.80）；经方差分析后剔除134个特征，剩余28个特征，经LASSO进行降维后，最终获得7个影像组学特征，分别为GLCMEnergy_angle45_offset、ShortRunEmphasis_angle90_offset1、最大灰度值、Spiculation、GLCMEnergy_angle45_offset7、Sphericity、Vessel。基于上述影像组学特征构建加权组学评分模型为：Radscore=0.624+0.022×GLCMEnergy_angle45_offset-0.227×ShortRunEmphasis_angle90_offset1+0.395×最大灰度值-8.687×Spiculation+0.384×GLCMEnergy_angle45_offset7-0.012×Sphericity-0.284×Vessel。治疗有效组NSCLC患者的CT影像加权组学评分（0.75±0.10）明显高于治疗无效组（0.43±0.14），差异有统计学意义（t=18.00，P<0.001）。ROC曲线分析显示，CT影像加权组学评分预测NSCLC免疫治疗疗效的曲线下面积（AUC）为0.96（95%CI为0.92~0.98），最佳截断值为0.62。多因素分析显示，CT影像加权组学评分≥0.62分（OR=14.77，95%CI为3.25~22.35，P<0.001）、病理类型（鳞状细胞癌）（OR=1.74，95%CI为1.35~3.52，P=0.035）、有吸烟史（OR=4.01，95%CI为1.05~15.30，P=0.042）和治疗前肺内转移（OR=1.20，95%CI为1.01~1.38，P=0.010）均为NSCLC免疫治疗有效的独立预测因素。基于上述4个变量构建预测NSCLC免疫治疗疗效的列线图模型，其模型验证结果显示，C-index为0.96（95%CI为0.93~0.99）。校准曲线分析显示，预测概率与实际概率一致性较好，趋近于理想曲线。ROC曲线分析显示，AUC为0.97（95%CI为0.94~0.99）。决策曲线分析显示，在2%~100%预测范围内，模型净获益。结论 基于CT影像加权组学评分构建预测NSCLC患者免疫治疗疗效的列线图模型，具有较好的预测效能。