摘要目的:探讨基于多序列磁共振成像(magnetic resonance imaging,MRI)手工影像组学(hand-crafted radiomic,HCR)和深度迁移学习(deep transfer learning,DTL)特征的机器学习(machine learning,ML)模型在术前预测脑胶质瘤分级的效能.方法:选取BraTS2019数据集中332例患者的影像数据[高级别胶质瘤(high-grade glioma,HGG)258例,低级别胶质瘤(low-grade glioma,LGG)74例],随机抽取30例HGG和8例LGG作为测试数据集,其余294例作为训练集和验证集.从T1、T2、T1c和Flair序列中提取病灶的HCR特征和DTL特征,并筛选出影响力前10的特征子集,基于HCR特征、DTL特征和两者组合的深度学习影像组学(deep learning radiomics,DLR)特征,分别建立7种ML模型,评估模型预测HGG和LGG的效能.选择最佳模型后,使用SHAP法对模型特征重要性进行量化及归因分析.结果:基于HCR和DTL组合的DLR特征构建的ML模型预测效能最高,当使用支持向量机的递归特征消除(support vector machine-recursive feature elimination,SVM-RFE)筛选特征后,使用T2+T1c+Flair序列组合的支持向量机(support vector machine,SVM)分类器的预测模型效果最佳.在验证集上,受试者工作特征曲线下面积达到0.996(95％CI:0.991～1.000),约登指数、准确度、灵敏度和特异度分别为0.920、0.976、0.988和0.932,在测试集上同样具有较高的分级预测效能.SHAP特征权重分析显示Flair序列的特征贡献较大,其次为T2及T1c序列,HCR和DTL特征均有重要贡献.结论:基于多序列MRI的DLR特征构建的ML模型可有效预测脑胶质瘤的肿瘤分级,其中经过SVM-RFE筛选后的T2+T1c+Flair序列组合的SVM分类器模型效能最佳.