摘要目的 探索基于MRI多序列图像影像组学在三角纤维软骨复合体(TFCC)损伤诊断的临床应用.方法 回顾性分析2019年1月～2024年10月在滨州医学院附属医院行关节镜检查的96例患者,将其分为TFCC损伤组(n=62)、TFCC正常组(n=34).基于MRI多序列图像勾画感兴趣区并提取相应组学特征.按照7∶3的比例将数据集随机分为训练集与测试集,采用LASSO算法筛选出最佳影像组学特征,采用支持向量分类(CSVC)、核支持向量分类(NuSVC)、随机森林(RF)、逻辑回归(LR)、自适应增强(AdaBoost)、极限梯度提升(XGBoost)分别建立组学模型.根据AUC选择最佳算法构建影像组学模型,相同算法构建临床模型根据临床数据,并进一步整合两者以构建Nomogram列线图模型.为评估模型的诊断性能,应用ROC及临床决策曲线,并据此计算比较核心指标.结果 CSVC、NuSVC、LR、RF、Adaboost、XGBoost 6种算法组学模型的训练集与测试集的AUC值分别为0.7568、0.8355;0.8570、0.8421;0.8052、0.8092;0.8848、0.8026;0.8202、0.8224;0.7926、0.7796.临床模型的训练集AUC值为0.6890,测试集为0.7417.Nomogram模型训练集AUC值为0.9738,测试集为0.9250.Nomogram模型与临床模型差异有统计学意义(P<0.05),Nomogram的AUC高于组学模型,但在测试集差异无统计学意义(P>0.05).结论 基于RF算法影像组学模型在TFCC损伤诊断中优于其他算法;Nomogram模型相较于临床模型和组学模型,在TFCC损伤诊断中展现出了更为优越的诊断效能,显著提高了临床诊断的精确度.