第一部分基于多参数MRI影像组学模型术前鉴别鼻腔鼻窦肿瘤良恶性的双中心研究研究目的:探讨基于多参数MRI的影像组学模型术前鉴别鼻腔鼻窦肿瘤良恶性的价值。研究方法:本研究回顾性分析了244例鼻腔鼻窦肿瘤患者的医疗数据（训练集=192例,验证集=52例）。所有患者术前均行常规MRI平扫检查,其中101例行MRI增强检查（训练集=74例,验证集=27例）。本研究筛选预测鼻腔鼻窦恶性肿瘤的临床风险因子用于构建临床模型,并对其鉴别诊断效能进行了评估。通过应用最大相关-最小冗余（Maximum relevance minimum redundancy,m RMR）及套索（Least absolute shrinkage selection operator,LASSO）算法,本研究将所提取的影像组学特征进行降维和选择来构建7种影像组学标签（Radiomics signature,RS）。随后,本研究联合临床模型和影像组学标签构建了影像组学诺模图,包括基于MRI平扫图像的诺模图（Radiomics nomogram based on pre-contrast MRI,RNWOC）和基于MRI平扫和增强图像的诺模图（Radiomics nomogram based on pre-contrast and post-contrast MRI,RNWC）。本研究所建模型的性能评估指标包括采用受试者工作曲线（Receiver operating curve,ROC）的曲线下面积（Area under the curve,AUC）、校准曲线和决策曲线（Decision curve analysis,DCA）。结果:在验证集中,基于增强序列的临床模型（AUC=0.81）的鉴别效能优于基于平扫序列的临床模型（AUC=0.76）。基于影像组学算法的AUC值无明显统计学差异。影像组学标签RS-T1T2及RS-T1T2T1c（AUC=0.74/0.81）实现了良好的良恶性区分效果。诺模图RNWOC和RNWC（AUC=0.82/0.89）均达到了优秀的鉴别诊断效能。诺模图的决策曲线显示了其临床获益大于临床模型或影像组学标签。结论:本研究表明联合临床模型和影像组学标签的诺模图可实现准确、安全、有效地鉴别鼻腔鼻窦肿瘤良恶性。第二部分基于多参数MRI影像组学模型术前预测鼻腔鼻窦恶性肿瘤Ki-67增殖指数的双中心研究研究目的:探讨基于多参数MRI的影像组学模型术前预测鼻腔鼻窦恶性肿瘤Ki-67增殖指数的价值。研究方法:本研究回顾性分析了双医疗中心的128例鼻腔鼻窦恶性肿瘤患者的临床及影像学资料,所有患者术前均行常规MRI平扫及增强检查。训练集由一所医疗中心的77例鼻腔鼻窦恶性肿瘤患者组成,验证集则由另一所医疗中心的51例组成。本研究分析临床数据和传统MRI特征来确定Ki-67高表达（＞50%）的临床危险因素。本研究采用m RMR及LASSO算法降维及筛选影像组学特征,随后构建影像组学标签。本研究所建模型预测性能评估指标包括校准曲线、准确度、DCA和AUC。结果:在训练集中,未发现基于临床数据及传统MRI征象的独立风险因素。本研究分别基于T1WI、T2WI、T1c图像构建了影像组学标签模型RS-T1,RS-T2,和RS-T1c,基于多参数MRI（T1WI、T2WI、T1c）图像构建了影像组学标签联合模型RSCombined。在验证集中,影像组学标签联合模型RS-Combined达到了最强的预测效能,其AUC值和准确度分别为0.852（0.733–0.971）和86.3%。校准曲线和DCA曲线显示联合模型RS-Combined具有良好的拟合性和临床获益。结论:本研究表明基于多参数MRI的影像组学模型可实现准确、安全、有效地预测鼻腔鼻窦恶性肿瘤Ki-67增殖指数。