[目的]1.探讨基于CE-T1WI以及T2FLAIR的影像组学分析在预测标准治疗后高级别胶质瘤早期进展发展趋势的应用价值。2.探讨基于 DCE-MRI（Dynamic Contrast Enhanced Magnetic Resonance Imaging）以及 DSC-MRI（Dynamic Susceptibility Contrast Enhanced Magnetic Resonance Imaging）的直方图分析在预测标准治疗后高级别胶质瘤的早期进展的应用价值。[材料和方法]1.收集中心一（2012年1月至2021年5月）、中心二、中心三（2018年1月至2020年1月）三个中心经过标准治疗后HGG患者的随访MRI,包括CE-T1WI和T2FLAIR。最终共纳入患者335例,其中,中心一257例,以7:3比例分为训练组和内部验证组,中心二和三78例作为外部验证组。提取形状特征、一阶特征、纹理特征及经6种滤波器处理后的图像的一阶特征和纹理特征,共收集了每个患者每个序列的107个原始特征和1209个基于过滤器的特征。用4个特征选择方法进一步筛选特征:ANOVA,KW,Relief,RFE。用逐步后退法把前20个重要的特征用于模型构建。我们使用10个机器学习分类器在训练组中进行建模:AB、AE、DT、GP、LDA、LR、LRLasso、NB、RF、SVM。两名放射科医生分别对各影像学特征的观察结果进行记分。决策曲线分析用于测量影像组学模型和放射科医生进行主观评估的临床效用。在训练组、内部验证组和外部验证组中用受试者工作特征（Receiver Operating Characteristic Curve,ROC）曲线分析评估所开发模型的诊断性能。2.连续收集我院从2016年1月至2021年10月经过标准治疗后HGG患者的随访MRI,包括结构MRI、DCE-及DSC-MRI。最终共纳入患者98例,其中复发组55例,非复发组43例。提取NMD的DCE（Ktrars、Kep、Ve及Vp）及DSC（rCBV）的直方图特征,利用二元logistic回归构建单一灌注直方图参数融合、多个灌注参数直方图融合的模型预测下一次随访是否复发。利用操作者特征曲线比较不同模型的预测性能。[结果]1.不同特征选择方法和分类器共建立40个模型,特征选择方法ANOVA+GP组合的模型性能最佳,其训练和内部验证组AUC分别为0.925、0.843,该模型由10个组学特征组成。这10个组学特征包括8个纹理特征（包括2个GLCM,3个GLRLM,3个GLDM）,2个一阶特征。其中6个特征来源于T2FLAIR,4个特征来源于CET1WI。决策曲线分析显示,在预测高级别胶质瘤进展方面,影像组学模型总是比放射科医生的主观评估提供更好的净效益。2.能预测NMD复发的Kep、Vp、Ktrans、Ve及rCBV直方图特征分别为15、10、10、13和14个。在单参数融合模型中,rCBV直方图特征融合模型（90Percentile+Kurtosis+RootMeanSquared）预测复发（P＜0.05）的 AUC 是 0.915。Vp 的 AUC 为 0.915,Kep 和 Ktrans分别为 0.913 和 0.917,Ve 的 AUC 最低（0.884）。不同参数直方图特征融合改善预测价值。融合所有DCE参数的模型由KtransSkewness、Kep10Percentile、KepEnergy 和 VpMinimum 组成,其 AUC值为0.963。融合所有DCE参数和rCBV的模型由KepEnergy、VpMinimum和 rCBV RootMeanSquared 组成,其 AUC 值达到最大（0.970）。[结论]1.基于结构MRI的机器学习影像组学模型可以准确预测HGG标准治疗后的早期进展。2.基于DCE及DSC的直方图特征能准确预测HGG标准治疗后的早期进展,多参数融合模型有助于进一步提高预测效能。