目的 观察T2WI及对比增强T1WI(T1C)影像组学模型确认细节鉴别纤维型与非纤维型脑膜瘤的价值。方法 回顾性分析423例经病理证实的单发低级别脑膜瘤患者，按7∶3比例分为训练集(n=296)和验证集(n=127);提取训练集T2WI和T1C中病灶3 376个影像组学特征，以SelectPercentile单因素分析法及最小绝对收缩和选择算子(LASSO)筛选最优影像组学特征，分别以分类器逻辑回归(LR)、支持向量机(SVM)、随机森林(RF)、线性SVC(LinearSVC)、自适应增强(Adaboost)及决策树(DT)构建鉴别纤维型与非纤维型脑膜瘤的影像组学模型，即模型_(LR)、模型_(SVM)、模型_(RF)、模型_(linearSVC)、模型_(Adaboost)及模型_(DT),以验证集验证其效能。结果 基于T2WI和T1C共筛出13个最优影像组学特征，以之构建的模型_(LR)、模型_(SVM)、模型_(RF)、模型_(linearSVC)、模型_(Adaboost)及模型_(DT)鉴别训练集纤维型与非纤diABZI STING agonist维型脑膜瘤的AUC分别为0.755、0.739、0.819、0.746、0.990及0.607;在验证集的AUC分别为0.698、0.636、0.7Immune defense52、0.670、0.591及0.609。模型_(Adaboost)鉴别训练集纤维型与非纤维型脑膜瘤的AUC为0.990,在验证集为0.591,出现过拟合；模型_(RF)在训练集及验证集中的AUC均高于模型_(SVM)、模型_(linearSVC)及模型_(DT)(Z=2.65～8.25,P均<0.05);模型_(RF)在训练集中的AUC高于模型_(LR)(Z=3.27,P<0.01),在验证集的AUC与模型_(LR)差异无统计学意义(Z=7.95,P=0.05)。模型_(RF)诊断效能最佳。结论 术前T2WI及T1C RF影像组学模型可有效鉴别纤维型与非纤维型脑膜瘤。