目的基于人工智能建立鉴别CT表现为混合磨玻璃结节（mGGN）的腺体前驱病变(PGL)与微浸润腺癌（MIA）的有效模型。方法回顾性分析温州医科大学附属第一医院2017年1月至2023年6月经手术病理证实且CT表现为mGGN的180例肺腺癌患者的临床和CT影像资料，包括PGL患者66例和MIA患者114例。采用完全随机法以8∶2的比例将患者分为训练集（n=144）和测试集（n=36）。使用AI软件（联影科研平台uRP）全自动提取CT图像中病灶的定量参数及影像组学特征；通过降维纳入组学的最明显相关特征，建立5种机器学习分类器，包括逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）、高斯过程（GP）及决策树（DT），以训练集曲线下面积（AUC）最高的分类器作为最佳影像组学模型，并将其结果输出为影像组学评分（Rad-score）。将两组患者的临床信息、CT形态特征及定量数据纳入多因素logistic回归分析，筛选有效鉴别PGL和MIA的独立影响因素，并建立临床模型。最终基于Rad-score和临床危险因素构建综合预测模型。采用受试者工作特征（ROC）曲线的AUC、灵敏度、特异度和准确度评价三种模型的诊断性能。结果通过LASSO降维得到11个鉴别PGL与MIA的影像组学特征。在5种机器学习分类器中，GP具有最佳的诊断效能，其在训练集和测试集的AUC分别为0.865、0.762。单因素、多因素logistic回归分析进行临床特征筛选，使用mGGN的平均CT值、长短径平均值和实性部分长径构建的临床模型，得到训练集和测试集的AUC分别为0.870和0.794。综合预测模型表现出更优的诊断效能，在训练集中的AUC、灵敏度、特异度、准确度分别为0.948、81.1%、91.2%、87.5%；在测试集中的AUC、灵敏度、特异度、准确度分别为0.883、76.9%、91.3%、86.1%。结论基于人工智能对肺结节定量及组学特征分析建立的综合预测模型能够较好地鉴别CT表现为mGGN的PGL与MIA，可用于指导临床治疗决策。