目的:探讨基于多序列MRI的影像组学方法对鼻腔鼻窦内翻性乳头状瘤（sinonasal inverted papilloma,SNIP）和恶性鼻腔鼻窦肿瘤（malignant sinonasal tumor,MST）的鉴别诊断价值,并进一步探讨联合影像组学特征和临床-影像学特征构建综合模型能否获得更高的诊断效能。方法:回顾性分析本院2015年1月至2021年1月间经病理证实的225例鼻腔鼻窦肿瘤患者的术前平扫及增强MRI图像和相关临床资料,其中包括98例SNIP和127例MST。将所有病例按6:2:2的比例随机分为训练集（n=135）、验证集（n=45）和内部测试集（n=45）,训练集用于特征提取及模型构建,验证集用于模型参数的调整和优化,内部测试集用于模型性能的评估。两名放射科医师盲法独立评估并记录所有患者的临床-影像学特征（包括性别、年龄、位置、形态、边界、范围、T1WI高信号、T2WI低信号、坏死、信号均匀性、周围骨质改变、周围软组织侵犯等）,比较SNIP和MST间的临床-影像学特征差异。采用ITK-SNAP软件分别在轴位T2WI和对比增强T1WI（CE-T1WI）序列上逐层手动勾画整个肿瘤的容积感兴趣区（volume of interest,VOI）,并使用Py Radiomics软件提取影像组学特征。然后,采用递归特征消除（recursive feature elimination,RFE）算法对临床-影像学特征和影像组学特征进行降维、筛选处理。基于筛选出的临床-影像学特征和影像组学特征,采用随机森林（random forest,RF）机器学习算法分别构建临床模型和组学模型,并联合两者构建综合模型。通过受试者工作特征曲线（receiver operating characteristic curve,ROC）、准确度、敏感度和特异度评估各模型的诊断效能,并用De Long检验比较不同模型间曲线下面积（area under the curve,AUC）的差异。结果:临床-影像学特征分析结果显示,SNIP和MST间的信号均匀性、周围骨质改变、周围软组织侵犯在训练集、验证集和内部测试集中差异均有统计学意义（P＜0.05）。从T2WI和CE-T1WI图像中分别提取了1089个影像组学特征。经RFE算法筛选后,保留了16个最有诊断价值的特征,包括13个影像组学特征和3个临床-影像学特征（肿瘤信号均匀性、周围骨质改变,周围软组织侵犯）。在建立的3个诊断模型中,综合模型的诊断效能最高,在训练集和内部测试集中AUC值分别为0.892、0.793。组学模型的诊断效能次之,在训练集和内部测试集中AUC值分别为0.826、0.677。临床模型在训练集和内部测试集中均表现出较差的诊断效能,AUC值分别为0.736、0.513。在内部测试集中,综合模型的诊断效能明显优于组学模型和临床模型,且差异具有统计学意义（P=0.011,P＜0.001）。结论:基于多序列MRI的影像组学方法有助于SNIP和MST的术前鉴别诊断,并且联合影像组学特征和临床-影像学特征构建综合模型可进一步提高模型的诊断效能。