第一部分 放射组学在肾肿瘤恶性程度判定中的应用目的探究基于CT扫描的放射组学在不同恶性程度肾肿瘤影像特征提取中的准确性。方法分析回顾2013年1月至2014年6月在我院泌尿外科手术治疗的166例肾脏肿瘤患者,从病人术前肾动脉CTA动脉相的图像中提取出肿瘤组织的放射组学特征,采用LASSO-logistic法进行数据降维、特征筛选。并对筛选出的组学特征采用5折交叉验证,每次使用1折数据作为测试集,其他4折数据作为训练集,共计训练5次,计算模型在5个测试集上的平均表现作为模型整体表现。训练时分别采用Xgboost和Random Forest两种方式进行效能检验,并评估其预测准确性、校准能力。结果对动脉相CT图像进行特征提取后,共提取出851个组学特征。采用LASSO回归后,共筛选出放射组学特征13项,其中3项属于原始特征,10项属于小波特征。对筛选出的特征进行5折交叉验证,他们在Xgboost、RandomForest模型中的模型平均准确率分别为0.77、0.76,曲线下面积（AUC）分别为0.82、0.84,这说明放射组学技术能较好地对肾肿瘤的恶性程度进行识别和判定,具有良好的应用潜力。结论基于CT图像的放射组学特征提取能够客观量化肾肿瘤的异质性,具有广阔的临床转化前景。第二部分放射组学在肾肿瘤预后评估中的应用目的探究放射组学在预测肾肿瘤患者远处转移中的临床应用价值。方法分析回顾2013年1月至2014年6月行手术治疗的肾肿瘤患者,其中术后发生转移的50例患者作为转移组;随机抽取同一时期未发生转移的50例肾肿瘤患者作为恶性组,该时期总计100例病例归为训练集。另将2014年6月至2015年6月肾肿瘤术后发生转移与无转移的各29例患者作为验证集。将训练集中的两组影像资料进行特征提取,将通过一致性检验的影像特征进行LASSO-logistic回归分析,筛选出系数不为0的特征参数。所有筛选出的影像特征乘以其相应的权重系数,加上常数项后再进行相加求和,得到Radscore评分。使用Sigmoid函数进行拟合,得到预测模型的函数式,并确定Radscore的阈值。此时将预测模型在验证集中进行验证,采用受试者工作特征曲线和ROC曲线下面积（areaunder ROC,AUC）来对模型进行评价。结果训练组经特征筛选后,共筛选出特征10个,其中2个属于原始特征,8个属于小波特征。将得到的Radscore作为自变量进行函数拟合后,得到预测模型的函数表达式为:y=1/1+e-Radscore。当y=0.5时,此时确定的阈值为Radscore=0。分别在训练集和验证集检验该预测模型,训练集和验证集的准确率分别为0.90、0.93,曲线下面积（AUC）分别为0.95、0.98,这说明该模型能较好地体现肿瘤发生转移的预测价值。结论基于CT的放射组学特征能够区分原发性和转移性的肾肿瘤特性,在预测肿瘤转移方面具有积极的指导意义。