目的:探讨基于MRI常规序列的影像组学鉴别位于躯干四肢的惰性和侵袭性纤维源性肿瘤的预测效能。材料与方法:回顾性分析89例经手术切除且病理证实为纤维源性肿瘤的患者的临床与MRI影像学资料,其中临床信息包括年龄、性别,影像学信息包括病灶大小（最大横径）、病灶深度（是否超过深筋膜）、病灶边界是否清晰等。应用3D Slicer分别在T1WI和T2WI图像上对肿瘤病灶逐层勾画出三维感兴趣区,提取7类共107个组学特征。对组间具有的统计学意义的特征采用Lasso回归及十折交叉验证进行降维,并对高效能特征之间的相关性进行验证,并将高度相关特征进行剔除（相关性大于0.8为高度相关）,最后将患者按照7:3比例分为训练组及验证组,通过R语言软件应用训练集数据分别训练logistic回归、随机森林和支持向量机三种预测模型,以受试者操作曲线和混淆矩阵分别评价三种模型的诊断效能和验证模型的分类准确度,以寻找最优组合。结果:对于惰性和侵袭性纤维源性肿瘤的鉴别,临床及MRI资料中病灶大小及病灶深度具有统计学意义,二者受试者操作曲线下面积分别为0.673和0.760,当病灶大小为6.0cm时具有最高约登指数（灵敏度+特异度-1,0.309）,灵敏度、特异度分别为0.54、0.77,以深筋膜为界限,鉴别二者的灵敏度、特异度分别为0.70、0.82。基于T1WI图像的有效特征有5种:依赖方差、大依赖高灰度强调、归一化逆差、峰度、伸长率;基于T2WI图像的有效特征有4种:伸长率、偏度、最短轴长度、最大2D直径。基于T1WI图像特征构建的logistic回归模型分类效能最佳,基于T1WI特征构建的logistic回归模型的训练组和验证组的AUC（特异度、灵敏度）分别为0.827（84.6%、72.2%）,0.813（76.9%、92.9%）,基于T2WI特征构建的logistic回归模型的训练组和验证组的AUC（特异度、灵敏度）分别为0.773（65.5%、87.9%）,0.712（70.0%、70.6%）。混淆矩阵验证基于T1WI特征的模型训练组与验证组的分类准确度分别为77.4%,85.1%,基于T2WI特征的模型训练组与验证组的分类准确度分别为77.4%,70.4%。基于T1WI特征的随机森林模型的训练组和验证组的AUC（特异度、灵敏度）分别为0.754（65.4%,86.1%）,0.681（76.9%,71.4%）,基于T2WI特征的随机森林模型的训练组和验证组的AUC（特异度、灵敏度）分别为0.615（75.9%、60.6%）,0.735（70.0%、76.5%）。混淆矩阵验证基于T1WI特征的模型训练组与验证组的分类准确度分别为74.1%,77.4%,基于T2WI特征的模型训练组与验证组的分类准确度分别为67.7%,74.1%。基于T1WI特征的支持向量机模型的训练组和验证组的AUC（特异度、灵敏度）分别为0.821（92.3%、63.9%）,0.780（69.2%、78.6%）,基于T2WI特征的支持向量机模型的训练组和验证组的AUC（特异度、灵敏度）分别为0.760（58.6%、93.9%）,0.718（80.0%,64.7%）。混淆矩阵验证基于T1WI特征的模型训练组与验证组的分类准确度分别为75.8%,74.1%,基于T2WI特征的模型训练组与验证组的分类准确度分别为77.4%,70.4%。可见基于T1WI构建的logistic回归模型具有最好的诊断效能,由随机森林模型可以得出对T1WI特征的预测模型贡献度由高到低依次为归一化逆差、峰度、大依赖高灰度强调、依赖方差、伸长率。对T2WI特征的预测模型贡献度由高到低依次为最短轴长度、最大2D直径、偏度、伸长率。对T1WI和T2WI预测模型贡献度最大的特征分别为归一化逆差和最短轴长度。结论:基于T1WI图像应用logistic回归方法所构建的预测模型对于鉴别惰性和侵袭性纤维源性肿瘤具有最佳的预测效能,对T1WI和T2WI预测模型贡献度最大的特征分别为归一化逆差和最短轴长度。