目的 探討人工智能（artificial intelligence，AI）量化參數鑒別臨床Ⅰ期浸潤性腺癌（invasive adenocarcinoma，IAC）病理分級的應用價值。方法 回顧性分析2018年10月—2023年5月煙臺山醫院收治IAC患者的臨床資料。依據2021年WHO肺腺癌病理分級標準，將267例IAC分為Ⅰ級48例、Ⅱ級89例和Ⅲ級130例，比較各組間參數的差異，并采用logistic回歸分析評估AI量化參數對Ⅲ級IAC的預測效能。通過LASSO回歸分析篩選參數，并基于這些參數構建三種機器學習模型來預測Ⅲ級IAC，并進行內部驗證以評估其效能，用列線圖進行可視化描述。結果 共納入261例IAC患者的臨床資料，其中男101例、女160例，年齡27～88（61.96±9.17）歲。6例為雙原發病灶，且同一患者的不同病灶作為獨立樣本進行分析。（1）三組組間比較：實性成分占比（consolidation/tumor ratio，CTR）、長徑、短徑、惡性概率、CT平均值、CT最大值、CT最小值、CT中位值、CT標準差、峰度、偏度和熵等參數差異均有統計學意義（P＜0.05）；（2）兩組組間比較：將Ⅰ級和Ⅱ級合并，與Ⅲ級進行單因素分析，結果提示除了年齡外，其余變量差異均有統計學意義（P＜0.05）。多因素分析提示CTR和CT標準差是鑒別Ⅲ級IAC的獨立危險因素，兩者呈負相關。（3）病理特征的比較：Ⅰ級無淋巴結轉移，Ⅱ級有2例發生淋巴結轉移且均伴有微乳頭成分，Ⅲ級有19例發生淋巴結轉移。Ⅲ級IAC有更晚的TNM分期、更多的病理高危因素、更高的淋巴結轉移率和高級別結構占比。（4）相關性分析：在所有患者中CTR與高級別結構占比呈正相關。在Ⅲ級中兩者呈正相關，而在Ｉ級與Ⅱ級中無相關性。（5）采用LASSO回歸分析篩選出CTR和CT中位值2個參數，分別構建并驗證logistic、隨機森林和XGBoost模型。其中，XGBoost模型預測效能最佳。結論 當CTR＞39.48%、CT標準差＜122.75 Hu時，需警惕為Ⅲ級IAC。基于聯合CTR和CT中位值構建XGBoost模型對Ⅲ級IAC有較好的預測效果，有助于臨床醫師做出個性化的臨床決策。