摘要目的:探讨CT影像组学鉴别小直径肾透明细胞癌(clear cell renal cell carcinoma,ccRCC)和非肾透明细胞癌(non-clear cell renal cell carcinoma,non-ccRCC)的可行性.方法:收集 2018年2月—2023年12月在甘肃省人民医院经病理证实的109例小肾癌(small renal cell carcinoma,sRCC)患者,其中ccRCC 62例,non-ccRCC 47例,按照1∶1的比例随机将患者分为训练组(54例)和验证组(55例).用ITK-SNAP软件在动脉期增强CT图像上勾画感兴趣区域(region of interest,ROI),并用FAE工具包提取CT影像组学特征,共提取到影像组学特征851个.使用最小绝对收缩与选择算子(least absolute shrinkage and selection operator,LASSO)算法进行特征的降维及构建,然后基于被选中的特征,使用多个机器学习分类器构建预测模型;收集患者临床指标,构建临床预测模型.绘制受试者工作特征(receiver operating characteristic,ROC)曲线并计算曲线下面积(area under curve,AUC)以评估CT影像组学模型和临床指标区分ccRCC和non-ccRCC的效能,临床决策曲线分析(decision curve analysis,DCA)用于对比不同模型临床决策的净收益情况.结果:最终筛选出12个与sRCC鉴别密切相关的影像组学特征,建立了不同机器学习分类器的模型.其中较好的模型为多层感知机(multi-layer perceptron,MLP)模型,在训练组和验证组的AUC分别为0.970、0.967;DCA曲线表明模型具有较好的临床净收益;但临床指标除年龄外与sRCC鉴别相关性很小.结论:基于CT影像组学开发的机器学习预测模型可以很好地鉴别sRCC的亚型;而临床指标对sRCC鉴别价值有限.