在医学影像领域，挑战赛是一种旨在公平比较针对共同问题的不同方法解决方案的竞争活动。这些挑战通常关注解决现实世界的问题，如分割、检测和预测任务，并使用各种类型的医疗图像及相关数据。本文描述了一个这样的挑战组织及其结果，该挑战的目标是通过基线¹⁸F-FDG PET/CT影像组学数据集来比较用于预测弥漫性大B细胞淋巴瘤患者生存期的机器学习模型。方法：此挑战旨在预测弥漫性大B细胞淋巴瘤患者的无进展生存期（PFS），既可以作为二元结果（短于2年与长于2年）也可以作为连续结果（以月为单位的生存期）。所有参赛者都提供了一个影像组学训练数据集，其中包括用于设计预测模型的真实生存信息和一个没有真实生存信息的测试数据集。评估模型性能的指标包括连续结果的均方根误差以及1、2、3年PFS二元结果的C指数。该挑战由核医学与分子成像学会的人工智能工作组发起并认可。结果：共收到了来自15个团队的19种用于预测连续生存期（以月为单位）的模型。在这其中，外部验证确定了6种模型的表现与仅使用标准摄取值（SUV）和总代谢肿瘤体积（TMTV）的简单线性参考模型类似。有9个团队提交了12种用于预测二元结果的模型。外部验证显示，有一种模型在C指数上的表现比仅使用SUV和TMTV的简单逻辑回归模型高一些，但差异不具有统计学意义。结论：尽管观察到的一些影像组学特征与机器学习方法的性能指标略高于基于SUV和TMTV的简单线性或逻辑回归模型，但在挑战数据集中这些额外复杂特性的添加并没有显示出现实价值。这表明，在开发用于预测结果的模型时，使用复杂的影像组学特征和机器学习技术并不能显著提升性能。

关键词：PET；淋巴瘤；机器学习；预后；影像组学。