【摘要】目的：应用影像组学模型鉴别肾脏良恶性肿瘤，并评估模型诊断的效能。方法：回顾性分析 2017 年 1 月—2022 年 12 月河北大 学附属医院收治的 227 例肾脏肿瘤患者的影像学资料，将 188 例肾脏恶性肿瘤与 39 例良性肿瘤患者按照 7:3 比例随机分为训练组与测试组 （训练：158 例，测试：69 例）。取患者增强 CT 的影像资料手动勾画肿瘤的感兴趣区，利用 Artificial intelligence-kit 软件提取 396 个影像组 学特征后筛选出 4 个差异最大的组学特征，并建立了 3 个机器学习模型：支持向量机模型、随机森林模型、逻辑回归模型。使用受试者工作 曲线下面积（AUC）值、准确率、灵敏度和特异度评估模型的诊断效能。结果：在训练组上逻辑回归模型鉴别肾脏良恶性肿瘤的 AUC 值 0.89， 灵敏度 0.95，特异度 0.59，阳性预测值 0.92；支持向量机模型的 AUC 值 0.90，灵敏度 0.97，特异度 0.56，阳性预测值 0.91；随机森林模型 的 AUC 值 0.95，灵敏度 1.00，特异度 0.63，阳性预测值 0.93。在测试组上逻辑回归模型鉴别肾脏良恶性肿瘤的 AUC 值 0.96，灵敏度 0.96， 特异度 0.83，阳性预测值 0.97；支持向量机模型的 AUC 值 0.96，灵敏度 0.98，特异度 0.83，阳性预测值 0.97；随机森林模型的 AUC 值 0.95， 灵敏度 1.00，特异度 0.42，阳性预测值 0.89。结论：三种影像组学模型在鉴别肾脏的良恶性肿瘤中随均表现出良好的诊断效能，影像组学方 法具有准确诊断肾肿瘤的潜力，支持向量机模型在测试组灵敏度、特异度均较高，更加稳定可靠。 

【关键词】肾脏肿瘤；影像组学；支持向量机；增强 CT