摘要目的:探讨基于机器学习的磁共振成像(MRI)影像组学模型术前预测乳头状肾细胞癌(pRCC)世界卫生组织/国际泌尿病理协会(WHO/ISUP)分级的临床价值.方法:回顾性收集2010年1月至2023年12月于解放军总医院第一医学中心行手术治疗术后病理证实为pRCC的153例患者,采用WHO/ISUP病理分级标准将其分为低级别组(Ⅰ和Ⅱ级)和高级别组(Ⅲ和Ⅳ级).通过单因素和多因素分析确定临床独立预测指标.提取MRI图像上的影像组学特征,采用最小冗余最大相关性(mRMR)、最小绝对收缩和选择算子(LASSO)回归等方式筛选影像组学特征,使用使用Logistic回归和支持向量机(SVM)构建临床模型、影像组学模型以及临床-影像组学联合模型.使用受试者工作特征(ROC)曲线下面积(AUC)评估3个模型预测效果,DeLong检验比较3个模型的AUC值,校准曲线评估模型的校准度,决策曲线(DCA)评价临床效能.结果:4个MRI序列共提取到3 776个影像组学特征,筛选后最终获得13个特征用于构建模型.多因素分析确定临床指标中肿瘤最大径和全身炎症反应指数(SIRI)是WHO/ISUP分级的独立预测指标.训练集中,影像组学模型的表现(AUC=0.837)优于临床模型(AUC=0.776),临床-影像组学联合模型预测效能最佳(AUC=0.889),并经DeLong检验显示显著优于临床模型(P=0.017).验证集中,联合模型(AUC=0.853)的表现显著优于临床模型(AUC=0.725,P=0.019)和影像组学模型(AUC=0.826,P=0.106).校准曲线显示,联合模型的WHO/ISUP分级预测在训练集和验证集中与实际结果接近.DCA显示,与影像组学模型和临床模型相比,联合模型具有更高的净效益.结论:基于机器学习的多序列MRI的影像组学模型是一种有效的无创检测工具,在术前预测pRCC WHO/ISUP分级方面显示出良好的效果.