目的探讨基于CT图像组学的机器学习方法在预测胰腺癌CD8＋T细胞浸润和预后中的价值。方法回顾性分析2011年12月至2017年1月在复旦大学附属肿瘤医院手术切除并经术后病理证实的150例胰腺癌患者。采用简单随机法，将患者按73%的比例分为训练组（n=105）和验证组（n=45）。通过免疫组织化学染色评估CD8＋T细胞的浸润情况。以中位数为界，将患者分为高浸润组和低浸润组，共75例。对Kaplan－Meier法和log－rank检验的生存数据进行了比较。基于训练集术前静脉期增强CT图像，提取图像组学特征，采用最大相关和最小冗余方法选择最佳特征集合。在此基础上，构建了决策树、随机森林和极端随机树三种监督学习模型。验证集验证了它们在预测胰腺癌CD8＋T细胞渗透状态方面的有效性。评价指标包括：受试者操作特征曲线以下的产品（AUC）、F1分数、准确度、准确度和召回率。结果高侵袭组和低侵袭组患者的总生存时间分别为875天和529天，差异有统计学意义（2=11.53，P<0.001）。在训练集中选择了10个图像组学特征。基于这十个最佳图像组学特征的决策树、随机森林和极端随机树模型在AUC分别为0.620、0.704和0.745，在F1分数分别为0.457、0.667和0.744，准确率分别为57.8%、68.9%和75.6%，准确率分别为66.7%、73.7%和80.0%，结论CD8＋T细胞高浸润组的胰腺癌预后优于低浸润组。基于图像组学的极端随机树模式在预测胰腺癌CD8＋T细胞渗透方面具有很高的价值。