目的:探讨增强CT图像纹理分析对小肾肿瘤良恶性鉴别的诊断价值。材料与方法:回顾性收集本院良性小肾肿瘤患者51例（乏脂血管平滑肌脂肪瘤38例、嗜酸性细胞腺瘤13例）及恶性小肾肿瘤患者65例（均为肾透明细胞癌）,所有病例经手术病理证实。分析并评估两组病灶的CT影像特征。选取皮质期及实质期病灶的轴位最大层面图像,采用MaZda软件提取纹理参数,包括灰度直方图、灰度共生矩阵、灰度游程矩阵、灰度绝对梯度、自回归模型及小波变换6种类型。以费希尔参数法（Fisher）、最小分类误差与最小平均相关系数法（POE+ACC）及相关信息测度法（MI）分别筛选最佳纹理参数。采用两组间独立样本t检验、Mann-Whitney U检验或χ2检验,筛选出差异有统计学意义的影像征象和纹理参数。利用组内相关系数对纹理参数进行一致性分析。Spearman相关分析被用以评估两组间纹理参数的差异。基于差异有统计学意义的CT影像特征,采用多因素logistic回归分析两组间的独立影响因素。利用逻辑回归作为分类器进行建模,并通过五折交叉验证法对预测模型进行验证。绘制ROC曲线,计算分类准确率及AUC值,评价并比较各模型的诊断效能。结果:病灶密度、假包膜、囊变坏死、强化均匀度、强化程度、快进快出、延迟强化和10组纹理参数的组间差异有统计学意义。基于CT影像特征的logistic回归分析结果表明,强化均匀度及延迟强化为区分小肾肿瘤良恶性的独立影响因素。CT影像特征预测模型的平均分类准确率为0.67±0.14,平均AUC为0.65±0.11。CT纹理参数预测模型的平均分类准确率更高,为0.74±0.07;五折交叉验证的 AUC 分别为 0.72、0.66、0.78、0.73 和 0.83,平均 AUC 为 0.74±0.06,敏感度为0.75±0.10,特异度为0.73±0.08。结论:增强CT图像纹理分析对于鉴别良恶性小肾肿瘤具有较好的诊断价值,可能有助于临床决策和预后评估。目的:探讨多期CT图像纹理参数和影像特征在小肾癌风险分层中的应用价值。材料与方法:回顾性收集本院术后病理证实的肾透明细胞癌（≤4cm）共125例,依据术后病理特征将其分为高风险组60例,中低风险组65例。分析两组病灶的CT影像学特征,并采用MaZda软件对平扫、皮质期及实质期薄层图像进行纹理分析。以费希尔参数法（Fisher）、最小分类误差与最小平均相关系数法（POE+ACC）及相关信息测度法（MI）分别筛选最佳纹理参数。采用两组间独立样本t检验、Mann-Whitney U检验或χ2检验,筛选差异有统计学意义的影像特征和纹理参数。利用组内相关系数对纹理参数进行一致性分析。Spearman秩相关分析被用以评估两组间纹理参数的差异。基于CT纹理参数和CT影像特征并联合随机森林机器学习算法建模;共建立六个预测模型,包括平扫-CT纹理参数模型、皮质期-CT纹理参数模型、实质期-CT纹理参数模型、多期-CT纹理参数模型、CT影像特征模型以及影像特征联合多期纹理参数模型。计算各模型鉴别高风险小肾癌的平均分类准确率,进行ROC曲线分析并获得AUC值。结果:4个CT影像特征在两组间存在统计学差异,包括肿瘤最长径、平扫CT值、病灶边界以及形态。12组CT纹理参数的组间差异有统计学意义,其中源自平扫图像5组、源自皮质期图像4组及实质期图像3组。在单期纹理参数预测模型中,平扫-CT纹理参数预测模型的平均分类准确率更高,为0.66±0.10。多期-CT纹理参数预测模型的平均分类准确率为0.67±0.07,平均AUC为0.68±0.07。CT影像特征预测模型的平均分类准确率为0.66±0.16,平均AUC为0.67±0.17。六个模型中,影像特征联合多期纹理参数预测模型的平均分类准确率最高,为0.77±0.10;该模型平均AUC为0.78±0.10,敏感度为0.78±0.06,特异度为0.78±0.19。结论:1.常规CT影像特征及单一 CT扫描期相图像纹理参数在鉴别高风险小肾癌中的诊断效能一般,多期图像纹理参数联合并不能明显提高诊断效能。2.多期CT图像纹理参数联合影像特征能够较好的对小肾癌进行风险分层,有望为小肾癌患者个体化治疗策略的选择提供新的方法。