影像组学是指从影像（CT、MR、PET等）提取大量的图像特征信息,通过对特征信息进行分析、预测等为临床诊断、预后预测及临床决策提供有价值的技术手段。目前,已经有大量研究表明影像组学在肿瘤良恶性预测、肿瘤分化程度预测及靶区自动勾画等方面起着非常重要的作用。本文针对肾癌良恶性分类及肾癌的Fuhrman核分级构建了一种基于影像组学的多期CT多分类器及多特征选择算法的预测模型,具体内容如下:一、基于多期CT的影像组学特征鉴别透明细胞型肾细胞癌与乏脂肪性血管平滑肌脂肪瘤。本研究采用术前CT平扫及动态多期增强扫描（皮髓质期、肾实质期、排泄期）资料。在4个扫描时期病灶最大径层面手工勾画ROI后对其进行特征提取。将4期图像提取的特征进行特征组合,得到15个特征组,基于28个特征选择算法8个分类器构建出224个分类模型。对各分类模型的性能进行比较,最优模型的ROC下面积（AUC）、准确率、敏感度和特异度分别为0.90、0.82、0.83、0.78。基于最优CT时期（平扫期）筛选出最优的前10个特征,利用t-SNE对10个最优特征进行降维可视化分析,观察发现最优的前10个特征具有很好的鉴别性能。二、基于多期CT影像组学的透明肾细胞癌的Fuhrman核分级预测模型。回顾性收集2011年1月到2019年1月137例经病理证实的ccRCC患者,包括96例低级别（Fuhrman核分级为Ⅰ级或Ⅱ级）和41例高级别（Fuhrman核分级为Ⅲ级或Ⅳ级）,并采用ITK-SNAP软件勾画二维ROI、三维VOI。采用上述同样的多分类器多特征选择算法构建预测模型的方法及特征组合的方法,此外还引入VOI周围肾实质、VOI周围脂肪及VOI内缩等多种感兴趣区域。通过对比2D图像ROI及3D图像多种VOI实验结果显示,基于3D图像VOI的平扫期提取的特征具有最佳的预测性能,AUC结果达到0.85。利用3D图像VOI的平扫期筛选得到最优的前10个特征。在本文中,我们采用基于多期CT的多分类器多特征选择算法构建模型,在2D、3D数据上均得到了较好的实验结果,体现出这种方法的可行性和有效性。