目的 近年机器学习的影像组学在肿瘤诊断及鉴别等领域表现出极大的潜力。本研究拟通过基于机器学习的儿童室管膜瘤(ependymoma, EP)与髓母细胞瘤(medulloblastoma, MB)的MRI影像组学特征提取，构建T2液体衰减反转恢复序列(T2Flair)特征模型(平扫特征模型)、对比增强T1加权(ceT1WI)特征模型(增强特征模型)、融合特征模型，比较这3种模型对EP和MB分类的准确率与AUC值。方法 回顾性分析组织病理或临床诊断证实的50例EP以及60例MB。应用影像组学技术对EP与MB的T2Flair和ceT1WI磁共振图像进行特征提取和融合，采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)算法筛选出各特征集的最优特征集，并采用支持向量机(support vector machine, SVM)、随机森林(random forest, RF)、极端随机树(extra trees)和逻辑回归(logistic regression, LR) 4种分类器进行分类。结果 从T2Flair中提取特征构建的4个分类模型的准确率分别为：0.762、0.714、0.762、0.714,AUC值分别为：0.806、0.750、0.796、0.731。从ceT1WI中提取特征构建的4个分类模型准确率分别为：0.841、0.841、0.818、0.818,AUC值为0.929、0.908、0.904、0.923。融合特征模型的准确率分别为：0.864、0.909、0.909、0.909,AUC值分别为：0.958、0.975、0.983、0.992。结论 增强特征模型的准确率和AUC值均高于平扫特征模型，融合特征模型的分类准确率和AUC值最高，且融合特征中的4个模型对EP与MB分类的准确率和AUC值均高于0.85。这表明基于机器学习的T2Flair和ceT1WI影像组学能够较好地分类EP与MB,且融合后的特征模型能进一步提高分类的准确率及AUC值。