目的构建基于CT影像组学的尘肺大阴影与周围型肺癌的鉴别诊断模型。方法收集2021年3月至2025年6月来该院就诊的103例尘肺大阴影和85例周围型肺癌患者的常规CT资料，所有患者疾病经尘肺专家组、临床及病理结果证实。患者随机分为训练集（n=132）和测试集（n=56）。所有患者由两名放射科诊断医师（具备尘肺诊断资质）采用ITK软件对病灶进行勾画，从训练集的肺部病灶CT图像中提取领域灰度差矩阵（NGTDM）、一阶统计量、形状（shape,包括二维及三维特征）、纹理［包括灰度共生矩阵（GLCM）、灰度游程长度矩阵（GLRLM）、灰度大小区域矩阵（GLSZM）、灰度依赖矩阵（GLDM）］等影像组学特征，并进行特征降维以构建形态学影像生物标志物。在Python软件中使用逻辑回归（LR）、支持向量机（SVM）、自适应增强算法（AdaBoost）机器学习算法构建鉴别诊断模型。在测试集数据中使用受试者工作者特性（ROC）曲线评估上述模型的鉴别诊断性能。结果经分割得到110个尘肺大阴影感兴趣区（ROI）和85个周围型肺癌ROI，共提取了108个影像组学特征，通过特征降维获得8个最优影像组学特征的子集，最后成功构建鉴别诊断模型。在训练集中LR模型、SVM模型、AdaBoost模型的准确度分别为79.4%、84.0%、80.9%，灵敏度分别为74.1%、74.1%、81.0%，特异度分别为83.6%、91.8%、80.8%，ROC曲线下面积（AUC）分别为0.837、0.886、0.900。在测试集中LR模型、SVM模型、AdaBoost模型的准确度分别为80.7%、82.5%、86.0%，灵敏度分别为89.3%、89.3%、82.1%，特异度分别为72.4%、75.9%、89.7%，ROC AUC分别为0.825、0.855、0.869，AdaBoost模型的ROC AUC值高于LR、SVM。AdaBoost模型在训练集及测试集中的鉴别诊断性能最优。结论基于CT影像组学特征的AdaBoost模型可以用于鉴别尘肺大阴影和周围型肺癌。