目的:利用多参数磁共振成像图像进行纹理分析,训练机器学习模型,初步探究其对前列腺癌骨转移的诊断价值。研究方法:研究队列为我院2016年1月至2019年9月进行磁共振检查的经组织病理学证实的前列腺癌患者。112例被纳入研究。匹配T2加权成像(T2WI)、表观弥散系数(ADC)图像与病理学结果,确定病灶范围。使用ITK-SNAP图像处理软件逐层勾画病灶感兴趣区(ROI),融合后得到感兴趣体积(VOI)。使用MIKT平台的A.K.软件进行影像组学特征的提取、降维及建模,同时对模型分类器进行训练。使用MedCalc软件(Version3.1.0)进行统计学分析及ROC曲线绘制。采用R语言(Version3.6.2)软件绘制决策曲线,验证模型的临床价值。结果:分别有5个ADC纹理特征及7个T2纹理特征可用于预测前列腺癌同期骨转移。在六种机器学习模型中,基于ADC图像纹理特征训练的Logistic Regression分类器模型训练组ROC曲线下面积AUC值为0.767,测试组AUC为0.790,表现出中等的分类性能。基于T2图像纹理特征训练的C＿SVC&LINEAR分类器模型训练组AUC值为0.760,测试组AUC为0.806,表现出较好的预测能力。两种模型预测前列腺癌同期骨转移的决策曲线中,基于T2纹理特征的C＿SVC&LINEAR分类器模型阈值概率范围为0.2-0.8,净收益较大,临床价值较高。而基于ADC纹理特征的Logistic Regression分类器模型阈值概率范围为0.2-0.4,说明此模型预测前列腺癌骨转移的临床应用价值受到一定限制。结论:影像组学的纹理特征可以应用于临床前列腺癌骨转移的预测;基于MRI影像组学纹理特征可以建立具有良好分类性能的预测前列腺癌骨转移的机器学习模型。这对前列腺癌患者治疗方法的选择及预后的评估有着重大的潜力和临床价值。