目的:旨在探究基于常规磁共振成像(Magnetic Resonance Imaging,MRI)序列的机器学习纹理分析方法,在鉴别诊断单发脑转移瘤(Solitary Brain Metastasis,SBM)与高级别胶质瘤(High-Grade Glioma,HGG)中的应用效能,以期构建一套客观、精准的影像诊断新体系.方法:回顾性分析我院 30 例 SBM、30 例 HGG 患者的的术前常规MRI 数据.利用 MaZda 软件分别在 T1 加权成像(T1-Weighted Imaging,T1WI)增强图像的实体瘤区域及 T2 加权成像(T2-Weighted Imaging,T2WI)图像的瘤周水肿区域手动勾画感兴趣区(Region of Interest,ROI),提取并分析了包括灰度共生矩阵在内的纹理特征参数.运用非线性判别分析(Nonlinear Discriminant Analysis,NDA)机器学习算法构建鉴别诊断模型,并采用受试者工作特征(Receiver Operating Characteristic,ROC)曲线评价其诊断效能.结果:T1WI 增强瘤体及 T2WI 瘤周水肿区的若干纹理参数(能量、熵、对比度、同质性)在 SBM 与 HGG 两组间呈现出显著的统计学差异(P<0.001).基于筛选出的最优纹理特征所构建的NDA分类模型,在鉴别SBM 与HGG 的测试中展现出较高的诊断价值,其总体准确率为 88.33％,敏感度与特异度分别为 0.900 和 0.867,ROC 曲线下面积达到 0.949.结论:基于常规 MRI 的机器学习纹理分析可有效区分单发脑转移瘤与高级别胶质瘤,不失为一种具有良好应用前景的无创性鉴别诊断策略,有望优化当前主要依赖主观经验的诊断现状.