【摘要】目的：探讨基于 CT 平扫影像组学 + 机器学习鉴别诊断原发性肝癌（PHC）与肝血管瘤（LH）的价值。方法：回顾性分析2017 年 6 月—2024 年 6 月在广州医科大学附属清远医院（清远市人民医院）行上腹部 CT 平扫的 PHC 患者 50 例和 LH 患者 48 例的 CT 影像，对图像进行感兴趣容积勾画和特征提取，使用 LASSO 回归对特征进行降维，随后使用降维处理后的最优特征构建 LR 和XGBoost 两种机器学习模型，并采用受试者工作特征曲线下面积评估两种模型的诊断效能。结果：LR、XGBoost 机器学习模型在训练集的灵敏度为 0.943 和 0.800，特异度为 0.879 和 1.000，准确率为 0.892 和 1.000，召回率为 0.943 和 0.800，F1 为 0.917 和 0.889。LR、XGBoost 机器学习模型在验证集的灵敏度为 0.800 和 0.533，特异度为 0.933 和 1.000，准确率为 0.923 和 1.000，召回率为 0.800和 0.533，F1 为 0.857 和 0.696。结论：基于 CT 平扫影像组学特征所构建的 LR 和 XGBoost 机器学习模型在鉴别诊断 PHC 与 LH 方面能够提高诊断的准确性和效率，其中基于 LR 构建的机器学习模型诊断效能最优。

【关键词】影像组学；机器学习；肝细胞肝癌；肝血管瘤