目的 基于颈部淋巴结的超声特征，构建并对比不同机器学习模型诊断淋巴瘤的性能。方法 纳入颈部淋巴结肿大患者714例，按7∶3将患者随机分为建模队列和验证队列。结合临床数据(年龄、性别和肿瘤史)和淋巴结的超声特征，构建K近邻算法(KNN)、支持向量机(SVM)、决策树(DT)、反向传播算法神经网络(BP)及随机森林(RF)模型。通过计算受试者工作特征(ROC)曲线下面积(AUC)、准确度、精准度、召回率、F1-score及Brier-score等指标比较模型诊断效能。结果 KNN模型和RF模型的AUC在训练集中比较高，分别为0.853 1和0.867 4;在验证集中下降为0.698 1和0.662 9。在验证集中，DT模型和SVM模型的AUC(分别为0.758 6和0.747 6)与精准度(分别为0.913 0和0.869 6)均比其他GSK1120212细胞培养3个模型高。同时，也相应高于训练集中的指标。DT模型最终纳PLX3397采购入了网格状回electrodialytic remediation声、淋巴门、血供模式、年龄和淋巴结短轴径5个变量。结论 网格状回声是淋巴瘤最重要的超声特征。与其他4种模型相比，DT模型诊断能力高，且具有更好的泛化能力和可解释性，可以在临床诊断颈部淋巴瘤中发挥重要作用。