摘要目的 探讨并对比分析机器学习多种算法构建MRI影像组学模型预测膀胱癌(BCa)病理分级的效能.方法 回顾性分析本院2016年10月至2020年3月符合入组标准的187例膀胱癌患者.采用ITK-SNAP软件进行T2WI、扩散加权成像(DWI)及表观扩散系数(ADC)图像上的感兴趣区分割,通过AK软件提取MRI影像组学特征.依次采用最大相关最小冗余(mRMR)、最小绝对收缩和选择法(LASSO)及支持向量机-递归特征消除法(SVM-RFE)筛选出最优特征集,分别采用决策树(DT)、逻辑回归(LR)、K最近邻(KNN)、支持向量机(SVM)、多层感知机(MLP)、可解释增强机(EBM)、随机森林(RF)等7种机器学习算法构建MRI影像组学预测模型.绘制不同模型的受试者工作特征曲线(ROC),并计算曲线下面积(AUC)、准确度、敏感度和特异度评估模型的效能.结果 通过T2WI、DWI及ADC图像共提取了 3948个组学特征,依次采用mRMR、LASSO及SVM-RFE算法降维筛选出最优特征集,包括 T2 WI_wavelet-LLL_glszm_Size Zone Non Uniformity Normalized、DWI_wavelet-HLH_glszm_Gray Level Vari-ance、DWI_original_first order_Interquartile Range、ADC_wavelet-HHH_first order_Kurtosis、ADC_exponential_glrlm_Run Length Non Uniformity Normalized.采用 DT、LR、KNN、SVM、MLP、EBM、RF 等 7 种机器学习算法构建 MRI 影像组学模型,在训练集预测BCa病理分级的AUC值分别为0.832、0.831、0.844、0.893、0.923、0.993、0.937,在测试集分别为 0.765、0.796、0.810、0.829、0.830、0.903、0.929.其中,在测试集中 RF 模型的 AUC 值最高,EBM 的 AUC 值次之,且 Delong检验显示RF模型与EBM模型之间AUC值的差异无统计学意义(P＞0.05).结论 基于机器学习多种算法构建的MRI影像组学模型对BCa病理分级均具有良好的预测效能,且RF与EBM模型可作为预测BCa病理分级的优选模型.