摘要目的 针对胶质母细胞瘤(glioblastoma,GBM)与原发性中枢神经系统淋巴瘤(primary central nervous system lymphoma,PCNSL)影像学鉴别难题,探讨临床-影像组学联合模型对两者术前无创性鉴别的价值.材料与方法 回顾性纳入173例经病理或诊断性放疗确诊的颅内占位患者病例(GBM 118例,PCNSL 55例),按7∶3随机分为训练集(n=121)与验证集(n=52).收集术前临床数据(血清学指标、影像学表现)及多模态MRI序列[对比增强 T1 加权成像(contrast-enhanced T1-weighted imaging,CE-T1WI)、T2液体衰减反转恢复(T2 fluid-attenuated inversion recovery,T2-FLAIR)序列、扩散加权成像(diffusion weighted imaging,DWI;b=1000 s/mm2)、表观扩散系数(apparent diffusion coefficient,ADC)],勾画肿瘤核心区(排除瘤周水肿)作为感兴趣区(region of interest,ROI).通过Z-score标准化后,联合Mann-Whitney U检验、Spearman相关性分析及最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)算法筛选关键特征,采用极端梯度提升(extreme gradient boosting,XGBoost)分类器及10折交叉验证法建模并验证.建立临床模型、4个单一序列影像组学模型、多模态影像组学模型及临床-影像组学联合模型,比较以上各个模型预测效能,选出最佳模型.基于受试者工作特征(receiver operating characteristic,ROC)曲线及曲线下面积(area under the curve,AUC)、敏感度、特异度及准确度评估模型效能,采用DeLong检验比较AUC差异,校准曲线评价模型拟合能力,决策曲线评估模型的临床价值.结果 临床模型在训练集和验证集AUC分别为0.83(95%CI:0.76～0.90)和 0.74(95%CI:0.61～0.87).影像组学模型中,多模态的T1+ADC+T2+DWI Model表现最佳,训练集和验证集AUC分别为0.93(95%CI:0.88～0.98)和 0.84(95%CI:0.72～0.96).临床-影像组学联合模型进一步提升诊断效能,训练集AUC 0.94(95%CI:0.90～0.98)(准确度90.2%,敏感度96.7%),验证集AUC 0.85(95%CI:0.74～0.96)(准确度88.6%,敏感度83.3%),其预测准确性及临床净获益均显著优于单一模型.结论 临床-多模态影像组学联合模型可精准区分GBM与PCNSL,其无创性诊断效能为术前决策提供可靠依据,有望减少活检需求并优化诊疗路径.