目的:探讨基于腮腺ZOOMit DWI成像的影像组学模型在预测原发性干燥综合征诊断中的应用价值。方法:本研究共选取38例临床诊断原发性干燥综合征的患者为实验组,同时匹配38例性别、年龄相仿且符合条件的非p SS志愿者为对照组。所有患者检查均在西门子Prisma 3.0T MRI完成。基于ZOOMit DWI图像（b=800 s/mm~2）,依次手动绘制双侧腮腺感兴趣区（Region of interest,ROI）并进行影像特征的提取,筛选所提取到的特征,运用十折交叉验证（10-Fold cross validation）方法构建模型。训练集选择逻辑回归（Logistic regression,LR）、支持向量机（Support vector machine,SVM）、随机森林（Random forests,RF）以及极限梯度提升（Extreme gradient boosting,XGBoost）分类器训练模型,得到相应分类器训练模型及验证预测模型性能。采用受试者工作曲线（Receiver operating curve,ROC）评估4组模型性能指标:ROC曲线下面积（Area under curve,AUC）、特异性、敏感性、准确度、F1分数等;采用Delong检验两两比较模型组间AUC值是否存在统计学差异。结果:1.LR模型训练集:AUC值为0.9307、准确度为0.8553、敏感性为0.9474、特异性为0.7632、F1分数为0.8675;验证集:AUC值为0.9044、准确度为0.8026、敏感性为0.8421、特异性为0.7632、F1分数为0.8101。2.SVM模型训练集:AUC值为0.9335、准确度为0.8553、敏感性为0.9474、特异性为0.7632、F1分数为0.8675;验证集:AUC值为0.9044、准确度为0.8289、敏感性为0.8947、特异性为0.7632、F1分数为0.8395。3.RF模型训练集:AUC值为0.9841、准确度为0.9079、敏感性为0.9474、特异性为0.8684、F1分数为0.9114;验证集:AUC值为0.883、准确度为0.8026、敏感性为0.8421、特异性为0.7632、F1分数为0.8101。4.XGBoost模型训练集:AUC值为0.9273、准确度为0.8684、敏感性为0.9737、特异性为0.7632、F1分数为0.881;验证集:AUC值为0.903、准确度为0.8158、敏感性为0.8684、特异性为0.7632、F1分数为0.825。5.Delong检验结果显示:训练集中,RF模型与LR、SVM以及XGBoost均存在显著性统计学差异（P=0.012、0.035、0.013）,RF模型AUC值最高为0.9841;余三组模型两两比较均无显著性统计学差异（P＞0.05）。验证集中四组模型均无显著性统计学差异（P＞0.05）。结论:1.LR、SVM以及XGBoost预测模型训练集及验证集均具有较高的AUC值,对于预测原发性干燥综合征的模型取得很好的诊断效能。2.RF构建的预测模型存在过拟合情况,整体模型诊断效能较差。