人体内肝脏与胰腺不同程度的脂肪变性会导致多种代谢相关疾病的发生,影响的人群日益庞大,对于肝胰脂肪变性的检测也愈加重要。传统穿刺活检存在可重复性较差、有创手术具有风险等缺陷,目前临床一般通过超声、计算机断层扫描等医学影像手段诊断肝胰脂肪变性的程度,对于较严重程度的脂肪变性普遍具有较高准确率,但对于轻中度脂肪变性诊断敏感度较低,影响早期干预的开展。核磁共振成像能够更加准确地测量人体内脂肪体积分数,从而为提高轻中度脂肪变性诊断准确率提供可能。影像组学作为一种医学影像决策辅助手段,近年来发展迅速。本文的目的为探索影像组学在肝胰智能诊断的应用。首先基于影像组学方法与特征工程手段,将受试者磁共振成像数据进行预处理并分别提取肝部与胰腺部位的感兴趣区域,进行数据扩增后提取影像组学特征并进行特征转换,并利用特征选择方法分别筛选出与肝脏脂肪变性和胰腺脂肪变性具有高相关性,且冗余度较低的影像组学特征。将特征工程融入影像组学使特征质量得到进一步提高。随后,本文利用随机森林、自适应增强、梯度提升决策树、极端梯度提升四种集成学习原理与传统机器学习方法支持向量机设计相应算法,分别对肝脏与胰腺对应的影像组学特征建立脂肪变性轻中度分级模型,并对不同模型的分类效果进行评估,从而筛选出性能最佳的集成学习模型。实验结果显示,极端梯度提升算法建立的肝脏脂肪变性分级模型与胰腺变性分级模型均具有最高的准确率。本文计算临床信息与脂肪变性之间的相关性,并将具有一定相关性的临床信息作为临床特征输入模型中进行训练,探索其能否提高脂肪变性分级模型性能。经实验,虽然对于模型准确率提高不明显,但临床特征一定程度上提高了胰腺脂肪中度变性样本的检出率。除此之外,本文对肝胰脂肪变性分级模型中特征重要性进行计算排序,并探索其中占据较高重要性特征的实际临床意义,并通过分析这些特征对应的影像学表现,挖掘出影像中潜藏的与脂肪变性相关的有效信息,从而为临床诊断提供帮助。