基于logistic回归、SVM、神经网络、随机森林、极端梯度提升算法的CT检查三期联合影像组学模型预测肾肿瘤良恶性的受试者工作特征（ROC）曲线的曲线下面积（AUC）分别为0.838、0.839、0.835、0.841、0.844，均高于5种机器学习算法CT检查单期指标预测肾肿瘤良恶性的AUC（0.744～0.831）。集成5种机器学习算法后的CT检查三期联合影像组学模型预测肾肿瘤良恶性的AUC为0.847，高于5种算法单独的CT检查三期联合影像组学模型。结合临床特征和CT检查结果的临床-影像组学模型在验证组中预测肾肿瘤良恶性的AUC显著高于放射科医生[0.919（95%CI 0.889～0.950）与0.835（95%CI 0.786～0.883），P＜0.01。
联合CT影像组学特征、临床特征、CT检查结果构建的预测模型对肾肿瘤的良恶性具有出色的区分能力。
肾癌是泌尿系统常见的恶性肿瘤之一，近年来我国的肾癌发病率呈逐年上升的趋势。2020年统计数据显示，我国肾癌发病率为3.99/10万，病死率为1.39/10万。超声、CT等影像学检查的普及提高了肾癌的检出率。手术作为肾癌的主要治疗手段，其决策往往依赖于影像学诊断，术前缺乏明确的组织学诊断依据。这种诊断方式导致约30%的肾良性肿瘤患者接受了不必要的手术，给患者带来了身心和经济上的负担。因此，探索一种能够术前准确区分肾肿瘤良恶性的方法，对于提高诊断的准确性和减少不必要的手术具有重要意义。
CT作为临床常用的肾肿瘤检查手段，在区分肾肿瘤良恶性方面存在一定的局限性。影像组学作为一种新兴的技术，通过提取高通量的定量特征，为肿瘤性质的判别和分类提供了更准确的依据。尽管影像组学在肾肿瘤的鉴别中已经得到应用，但多数研究受限于样本量小和病理类型单一等问题，且多数研究中未纳入与病理结果相关的临床特征。因此，本研究基于接受肾部分切除术患者的大样本数据库，涵盖多种病理类型，联合CT影像组学特征、临床特征和CT检查结果，构建临床-影像组学模型，探讨该预测模型区分肾肿瘤良恶性的效能。
