目的 探究多模态MRI影像组学技术精准鉴别胶质母细胞瘤(primary central nervous system lymphoma,GBM)与原发性中枢神经系统淋巴瘤(primary central nervous system lymphoma,PCNSL)的价值。 方法 选择2021年5月至2024年6月于本院经过手术诊断为GBM( n=52)或PCNSL( n=33)的患者为研究对象。从对比增强T1WI(CE-T1)、T2WI、T2液体衰减反转恢复(T2-Flair)序列分别提取影像组学特征。通过F检验、Pearson相关系数、LASSO筛选特征。选择K最邻近(KNN)、随机森林(RF)、支持向量机(SVM)、逻辑回归(LR)、线性判别分析(LDA)、神经网络分类器,基于影像组学特征构建预测模型,并进行5折交叉验证(5-CV)。采用受试者工作特征(ROC)曲线、校准曲线、临床决策(DCA)曲线评估模型效能。 结果 GBM与PCNSL患者的肿瘤位置、病灶数量、复发/原发、MRI特点(明显均匀强化以及囊变、坏死、出血)比较差异显著( P＜0.05)。经过筛选后,CE-T1、T2WI、T2-Flair序列分别保留15个、20个、15个特征,多参数MRI保留26个特征。KNN分类器多参数MRI模型的平均精确率均最大;SVM分类器多参数MRI模型的平均召回率最大;神经网络分类器多参数MRI模型的平均准确率、平均F1分数均最大。ROC曲线分析显示,LDA分类器CE-T1(0.916)、T2WI(0.930)模型的AUC最大;SVM分类器T2-Flair模型(0.865)的AUC最大;LR分类器多参数MRI模型(0.956)的AUC最大;在6种分类器中,多参数MRI模型的AUC均大于单一序列模型。DeLong检验显示,在KNN、RF、LR、神经网络中,多参数MRI模型的AUC与任何单一序列模型的AUC比较差异显著( P＜0.05)。校准曲线显示,RF分类器多参数MRI模型的预测与实际概率吻合良好。DCA分析显示,6种分类器多参数MRI模型均有较好的临床收益。 结论 通过多参数MRI结合机器学习(Machine learning,ML)分类器所构建的预测模型能够精准鉴别GBM与PCNSL。各分类器中多参数MRI模型的区分度、预测精度、临床价值均优于单一序列模型。