目的：探究Stacking集成机器学习算法的价值，并全面比较影像组学模型、生境模型、临床模型及融合模型在IA期肺腺癌（LUAD）脏层胸膜侵犯（VPI）术前预测中的效能。

材料与方法：本研究回顾性纳入来自两家医疗中心术后病理确诊的491例IA期LUAD患者，划分为训练集（n=272）、内部验证集（n=117）和外部验证集（n=102）。采用基于CT图像的Stacking集成机器学习算法构建以下预测模型：基于大体肿瘤体积（GTV）和4 mm瘤周体积（PTV4）的影像组学模型（PM_GTV和PM_PTV4）；通过无监督K-means聚类识别肿瘤内亚区建立的生境模型（PM_Habitat）；以及基于临床特征的临床模型（PMClinical）。最后，采用后融合策略整合上述四个模型的标签，构建融合模型（PM_Fusion）。采用曲线下面积（AUC）等指标全面评估模型性能，并采用SHapley加性解释（SHAP）进行可解释性分析。

结果：Stacking集成模型的性能在绝大多数情况下优于单一子模型。通过后融合策略构建的多维度PMFusion取得了最优的综合预测性能，其在训练集、内部验证集和外部验证集的AUC（95% CI）分别为0.911（0.878–0.943）、0.815（0.735–0.895）和0.792（0.682–0.901）。SHAP分析验证了PM_Fusion的可解释性，并确定PM_Habitat标签为最重要的特征。

结论：Stacking集成机器学习模型性能优于单一机器学习模型，同时整合了GTV、PTV4、生境及临床特征的PM_Fusion可作为IA期肺腺癌患者VPI状态的可靠预测工具。