目的本研究目的在于建立和验证基于超声图像影像组学、临床资料、实验室检查及超声图像特征的预测模型,无创地评估肾脏肿瘤的良、恶性。方法本研究回顾性分析了2017年2月1日至2021年1月31日期间在广西医科大学第一附属医院因肾脏肿瘤行外科手术的患者202位,共203个肾脏肿瘤病灶,分析并记录各患者的临床资料及各病灶的实验室检查和超声图像特征。通过Ma Zda纹理分析软件对病灶最大切面进行手工勾画感兴趣区域,并提取感兴趣区域内的图像纹理特征。将总体病例按照7:3的比例分为训练集和测试集,经过最小绝对收缩与选择算子（Least Absolute Shrinkage and Selection Operator,LASSO）回归算法及10折交叉验证,将训练集中超声图像的279个纹理定量特征进行降维,并筛选影像组学特征,计算各病灶的影像组学评分（Radiomic Score,Radscore）,通过威尔科克森秩和检验（Wilcoxon rank-sum test）分析其在良恶性病灶间的差异,并用受试者工作特征曲线（receiver operating characteristic curve,ROC）下面积（Area Under Curve,AUC）评估Radscore对良、恶性肾脏肿瘤的鉴别能力。通过t检验、非参数秩和检验或卡方检验,筛选出训练集良、恶性肾脏肿瘤间有统计学差异的临床资料、实验室检查及超声图像特征指标,随后同Radscore一起进行多因素Logistic回归分析,确证为恶性肾脏肿瘤的独立危险因素将被纳入预测模型的构建。使用训练集和测试集分别检验预测模型对肾脏肿瘤良、恶性鉴别的诊断效能。用AUC来评估基于超声影像组学的预测模型诊断效能。绘制列线图可视化预测模型。结果经过LASSO回归及10折交叉验证,279个超声图像纹理特征降维至8个,并计算各病例的Radscore,其在训练集、测试集中鉴别良、恶性肾脏肿瘤的AUC分别是0.767、0.724。经过单因素分析、多因素Logistic回归分析,性别、肿块形状、肿块内囊性成分有无、Radscore 4个指标作为独立危险因素被纳入预测模型Logit（P）的构建。模型在训练集中的AUC为0.907,在测试集中的AUC为0.828。结论基于超声影像组学、临床资料及超声图像特征的预测模型能够有效鉴别良、恶性肾脏肿瘤。为术前无创评估肾脏肿瘤患者的病灶性质,辅助诊疗策略的制订提供了新思路。