儿童甲状腺结节的恶性风险较高，且其生物学行为与成人存在显著差异。目前临床常用的超声检查在儿童甲状腺结节诊断中存在一定局限性。本研究旨在探索基于CT影像组学的机器学习模型在儿童甲状腺结节良恶性鉴别诊断中的应用价值，以期为临床提供一种新的无创诊断方法。

1）影像组学特征提取：使用3D Slicer软件手工勾画甲状腺结节的感兴趣区域（ROI），并利用PyRadiomics包从平扫和动脉期增强CT图像中提取影像组学特征。经过预处理和降维，最终筛选出关键影像组学特征。

（2）机器学习模型构建：采用支持向量机（SVM）、逻辑回归（LR）、K近邻（KNN）、决策树（DT）、随机森林（RF）、高斯朴素贝叶斯（GNB）和极端梯度提升（XGBoost）等七种机器学习算法构建预测模型，并通过训练集和测试集评估模型的性能。

（3）模型评价：采用灵敏度、特异度、准确度和受试者工作特征曲线下面积（AUC）等指标对模型进行量化评估。

在本研究中，通过平扫和动脉期CT影像提取了大量影像组学特征，并经过相关性分析、递归特征消除和Lasso回归等步骤，分别筛选出动脉期13个和平扫期14个关键影像组学特征。在平扫期，支持向量机（SVM）模型在测试组的AUC为0.840，准确度为0.792，表现相对稳定；逻辑回归模型的AUC为0.854，准确度为0.750，提示其泛化能力有限。动脉期中，逻辑回归模型在测试组的AUC为0.903，准确度为0.833，表现最为稳定；支持向量机（SVM）模型的AUC为0.833，准确度为0.750。复杂模型如随机森林和极端梯度提升（XGBoost）在训练组表现优异，但在测试组中出现显著过拟合，准确度和AUC值大幅下降。此外，对于临床资料的二元逻辑回归分析显示，FT3可能对结节性质产生显著正向影响，而FT4和年龄可能产生显著负向影响，但BMI、TSH等指标未显示出显著相关性。

基于CT影像组学的机器学习模型在儿童甲状腺结节的良恶性鉴别诊断中具有较好的预测性能，尤其是支持向量机和逻辑回归模型。动脉期增强CT影像组学特征在模型构建中表现优于平扫期特征。然而，模型的效能和适用性仍需通过多中心和前瞻性研究进一步验证，以期更好地应用于临床实践，为儿童甲状腺结节的精准诊断提供支持。