目的:探讨CT扫描层厚对PET/CT多模态影像组学预测良恶性肺结节的影响。研究方法:我院2013年1月—2020年12月接受18F-FDG PET/CT检查的205例患者,患者平均年龄59±9.6（34-81）岁,其中恶性115例,良性90例。所有患者图像按7:3的比例随机分为训练集和测试集。分别由两名医师采用双盲法在PET图像及薄厚层CT图像所有肺结节所在层面上沿病灶边缘逐层对结节进行感兴趣区（ROI）的勾画,并提取直方图、形态、纹理等396个影像组学特征。最大相关最小冗余及最小绝对值收缩和选择算子算法被用于进行特征降维,并线性整合出薄层CT模态、厚层CT模态、PET模态、PET/厚层CT模态、PET/薄层CT模态的影像组学标签。应用上述组学标签在训练集基于逻辑回归算法构建PET影像组学模型（PET model）,厚层CT影像组学模型（HCT model）、薄层CT影像组学模型（BCT model）、PET联合厚层CT影像组学模型（PH model）以及PET联合薄层CT影像组学模型（PB model）。多因素逻辑回归选择与恶性肺结节存在联系的临床信息,并将其分别与PET/厚层CT影像组学标签及PET/薄层CT影像组学标签结合,构建临床信息联合PET/厚层CT模型（CPH model）和临床信息联合PET/薄层CT模型（CPB model）。7种模型于测试集中进行预测。采用曲线下面积（AUC）、敏感度和特异度等标准来评估模型性能。Delong检验进行配对ROC曲线比较。克鲁斯卡尔-沃利斯检验及皮尔森卡方检验用于分析临床病理信息在训练集和测试集之间的分布差异。结果:205例患者中肺结节恶性115例,良性90例。训练集144名患者,测试集61名患者。克鲁斯卡尔-沃利斯检验/皮尔森卡方检验显示所有临床病理信息在训练集和测试集分布无明显统计学差异（p>0.05）。年龄（OR,1.04,95%CI,1.01-1.08,p=0.01）、吸烟史（OR,3.9,95%CI,1.91-7.98,p<0.001）及慢性病史（4.5,95%CI,1.22-17.04,p=0.02）与恶性肺结节存在密切联系。训练集中CPB model模型预测表现最好（AUC,0.91,95%CI,0.86-0.95,p<0.001）。然而,在测试集中PH model预测准确性最高（AUC,0.84,95%CI,0.74-0.94,p<0.001）,并且灵敏度最高（SEN=1）。Delong检验发现训练集中CPB model与CPH model的AUC值无明显统计学差异（p=0.23）,同时PH model及PB model的AUC值同样没有统计学差异（p=0.43）。在测试集中,CPB model与CPH model的AUC值同样无明显统计学差异（p=0.80）;并且PH model及PB model的AUC值也没有统计学差异（p=0.87）。结论:PET/CT多模态影像组学机器学习模型能够预测病理恶性的肺结节,为临床医生治疗前无创性判断肺结节良恶性提供新的方法,并且胸部CT扫描层厚对机器学习模型可重复性影响较小。更进一步发现年龄、吸烟史及慢性病史与恶性肺结节密切相关,但其对PET/CT多模态影像模型预测的效能提升有限。