目的 肝包虫病的 ＣＴ 影像映射了不同亚型包虫病的病理学的差异性，本研究获取了可以 印证包虫病病理学改变的关键的影像组学特征，结合人工神经网络（ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，ＡＮＮ）对肝 包虫病和正常肝脏进行分型，为肝包虫病的诊断、分型提供支持。 方法 提取基于灰度直方图、灰度共生 矩阵、灰度－梯度共生矩阵等 ３６ 维特征值，构建肝包虫图像特征集；选取曲线下面积（ ａｒｅａ ｕｎｄｅｒ ｃｕｒｖｅ， ＡＵＣ） ＞０?? ７２ 以获取反映图像特征变化的关键影像组学特征，并绘制特征分布曲线；构建 ＢＰ 神经网络模 型并采用参数评估、受试者工作特征（ ｒｅｃｅｉｖｅｒ ｏｐｅｒａｔｉｎｇ ｃｈａｒａｃｔｅｒｉｓｔｉｃ，ＲＯＣ）曲线对模型进行定量评价。 结果 ＡＵＣ 特征分布：正常肝脏的特征曲线分布均匀，各特征峰值明显低于肝包虫病影像；单囊型特征分 布曲线均显现出双峰分布，包虫病灶区域与正常组织形成明显灰度纹理差异性；多囊型特征分布集中且 峰值紧凑，灰度级和纹理分布更密集、更复杂，与 ＣＴ 影像中“囊内囊”表现相印证。 ＢＰ 神经网络分型： 多囊型、单囊型和正常肝脏影像的训练、验证、测试、全部样本分类准确率均达到 ９０％以上。 结论 ＢＰ 神 经网络模型对肝包虫病与正常肝脏 ＣＴ 图像灰度纹理特征差异具有较好的感知判别效果，为肝包虫疾 病的早期发现、确诊、治疗提供科学依据