目的:提取mp-MRI中ADC图像的纹理特征,进而构建基于影像组学纹理分析的机器学习模型,探讨其在PI-RADS 4/5分中鉴别前列腺良恶性结节的效能和价值。材料与方法:本研究为回顾性研究。选取我院2017年8月-2020年1月期间进行mp-MRI检查并接受经直肠超声与磁共振融合成像（TRUS-MRI）靶向前列腺穿刺并取得病理证实的103位患者作为研究对象,分为PCa组和BPH组,同时收集对应的系统炎症指标和代谢指标。首先,将MRI与组织病理学结果进行匹配,根据T2WI和DWI确定病灶位置,基于ADC图像手动勾画出每层病灶,导出全层病灶体积的纹理特征参数;通过R语言对纹理特征参数进行标准化处理,利用Lasso回归对多个特征参数进行降维以选取几个最具代表性的特征变量;然后,分别从PCa组和BPH组随机抽取70%病例作为训练集,剩余30%作为测试集,利用Logistic回归对选择出的特征构建基于影像组学纹理特征和Logistic回归的前列腺良恶性结节分类模型（简称“R-Logistic分类模型”）,并分别与R-SVM、R-AdaBoost模型进行实验对比。其次,再对患者的临床指标进行独立样本t检验,并通过对具有统计学意义的指标进行ROC曲线分析,选取AUC值最大的三个临床指标建立基于临床指标和Logistic回归的前列腺良恶性结节分类模型（简称“C-Logistic分类模型”）。最后,利用ROC曲线对比R-Logistic分类模型和C-Logistic分类模型对PI-RADS 4/5分中对前列腺良恶性结节的识别效能。结果:利用Lasso算法对纹理特征参数进行降维后选取出4个特征以构建基于影像组学纹理持征的R-Logistic分类模型。实验结果显示,该模型测试集的AUC为0.838,均高于R-SVM、R-AdaBoost分类模型,当约登指数最大时,鉴别良恶性结节的截点值为1.216,其敏感度和特异度分别为87.9%和79.0%,说明Logistic回归适用对影像组学的纹理特征构建鉴别前列腺良恶性结节的分类模型,此时对应的R-Logistic分类模型公式为:Yradiomics=9.396-7.464*median ADC-0.584*kurtosis+0.627*skewn ess+0.576*MRI lesions volume;利用ROC曲线对临床指标进行分析,鉴别效能最高的3个指标为PSA、Fib、LDL-C,对其构建基于临床指标的C-Logistic分类模型公式为:Yclinical=-2.608+0.324*PSA-3.045*Fib+4.147*LDL-C,对应模型训练集的 AU C值为0.860,小于训练集R-Logistic分类模型AUC值0.936,即基于影像组学纹理特征构建的R-Logistic分类模型效能优于基于临床指标的C-Logistic分类模型。结论:基于多参数磁共振成像（mp-MRI）的影像组学纹理特征建立机器学习分类器模型,在PI-RADS 4/5分中鉴别前列腺良恶性结节中具有良好的分类性能。这对前列腺癌患者采取不同治疗方法及预后有着一定的潜力和临床价值。