第一部分基于多期CT影像组学模型鉴别腮腺多形性腺瘤与基底细胞瘤目的:探讨基于多期CT的影像组学模型鉴别腮腺多形性腺瘤（PA）及基底细胞瘤（BCA）的CT扫描优势期相及临床价值。材料与方法:回顾性收集我院经病理证实的120例PA及50例BCA患者的术前CT多期影像图像及临床资料,将患者以7:3的比例随机分成训练组（119例）及验证组（51例）。图像预处理、提取组学特征、计算观察者间组内相关系数（ICC）,经最大相关最小冗余（m RMR）及最小绝对收缩和选择算子（LASSO）算法进行降维、筛选后建立了影像组学标签。用单因素分析筛选临床数据,将优势期相的组学标签及临床资料组合构建联合模型并用列线图评估其效能。结果:选取ICC≥0.9的组学特征共1135个,最终筛选出平扫期、动脉期、静脉期及延迟期的特征总数分别为9、9、8、5,影像组学特征及模型最优为动脉期,其曲线下面积（AUC）为0.968（95%CI0.940-0.997）。将年龄、部位、同侧肿大淋巴结及动脉期的组学标签共同纳入联合模型,其AUC为0.973（95%CI 0.949-0.997）,优于各期相的组学标签。结论:CT扫描动脉期的影像组学特征鉴别腮腺PA与BCA优于其他期相,动脉期的组学标签及临床资料共同建立的联合模型有较高的鉴别诊断价值。第二部分基于多期CT影像组学分析不同机器学习模型鉴别腮腺良恶性肿瘤目的:探讨基于多期CT的不同影像组学模型在术前鉴别腮腺良恶性肿瘤中的临床应用价值。材料与方法:回顾性收集我院经手术病理确诊的388例腮腺肿瘤患者的术前临床资料和CT多期影像图像,将患者按7:3随机分为训练组（272例）及验证组（116例）。预处理平扫和动静脉期的CT图像并提取影像组学特征,计算观察者间组内相关系数（ICC）,采用最大相关最小冗余（m RMR）算法及最小绝对收缩和选择算子（LASSO）回归分析进行降维、筛选影像组学特征。不同的影像组学模型采用逻辑回归（LR）、支持向量机（SVM）和随机森林（RF）算法来构建;通过ROC曲线分析选出术前诊断性能最佳的影像组学模型。使用单变量和多变量逻辑回归分析临床特征并选出临床预测因素,结合影像组学特征构建联合模型。通过ROC曲线和决策曲线分析（DCA）评估模型性能及其临床价值。结果:共提取出2874个影像组学特征,经降维、筛选后保留了10个有统计学意义的组学特征。利用这10个组学特征构建不同的影像组学诊断模型,其中SVM模型鉴别诊断效能和鲁棒性最佳,在训练组和验证组中的AUC分别为0.844、0.840。最终筛选出4个临床特征（症状、形态、边界和肿大淋巴结）构建临床模型。联合模型的鉴别诊断效能最佳,在训练组中AUC为0.904,在验证组中AUC为0.854,并且其DCA曲线显示了较高的临床价值。结论:在术前鉴别诊断腮腺良恶性肿瘤中,影像组学特征结合临床特征的联合模型展现了最佳的诊断效能和临床预测价值,提供了一种无创的、高效的方法辅助临床决策。