目的探讨结构MRI和基于机器学习的多参数MRI影像组学模型在术前鉴别成釉型颅咽管瘤与乳头型颅咽管瘤的价值。材料与方法纳入来自两个医学中心的164名患者。来自南方医院的患者被分为训练组（N=99）和内部验证组（N=33）。来自燕岭的患者作为外部独立验证组（N=32）。第一部分,比较成釉型颅咽管瘤与乳头型颅咽管瘤的临床特征和结构MRI图像特征的差异,构建用以鉴别成釉型颅咽管瘤与乳头型颅咽管瘤的临床放射学模型。第二部分,构建基于机器学习的多参数MRI（横断位T1WI、T2WI、CET1WI）影像组学模型。在Darwin科研平台上进行勾画肿瘤VOI,提取影像组学特征。采用SelectKBest、最小绝对收缩选择算子算法（LASSO）和递归特征消除算法的支持向量机（SVM-RFE）进行影像组学特征的筛选。在训练组中使用机器学习算法（支持向量机）建立基于每个序列或序列组合的影像组学模型,在内部验证组中验证这些模型,在外部验证组中进一步验证最佳模型的诊断效能。结果第一部分,在训练组中,乳头型颅咽管瘤和成釉型颅咽管瘤在性别、形状、成分和垂体柄形态方面没有统计学差异（P=0.100～0.777）。然而,在训练组中,年龄、肿瘤位置、平扫T1WI图像上肿瘤囊肿的信号强度以及强化方式在两组之间存在显著性差异。结合年龄、肿瘤部位、肿瘤囊性成分在平扫T1WI上的信号强度和增强方式,建立临床放射学模型。在训练组、内部和外部验证组中,临床放射学模型的AUC值分别为0.677、0.655和0.671。第二部分,三个序列联合的影像组学模型取得了最高的诊断性能。该模型用到了 7个纹理特征,其中3个来自T1WI,2个来自T2WI,2个来自CET1WI。影像组学模型在训练组、内部和外部验证组中的AUC值分别为0.899、0.810和0.920。结论在术前鉴别成釉型颅咽管瘤与乳头型颅咽管瘤方面,基于临床特征和结构MRI特征的临床放射学模型诊断效能较差,而多参数MRI影像组学模型具有较高的鉴别能力。