目的:探讨基于不同MRI序列的影像组学特征构建的机器学习(ML)模型预测胶质瘤IDH1突变的价值。方法:回顾性搜集经手术病理证实的161例胶质瘤患者(70例IDH1突变型/91例野生型)的临床资料，主要包括年龄、性别、Karnofsky功能状态(KPS)评分和肿瘤的病理分级。所有患者术前行MRI检查获得T_2WI、T_2-FLAIR、ADC图及对比增强T_JQ11WI图像，术后病理标本均行IDH1检测。将161例患者按照7∶3的比例随机分配为训练集和测试集。由2位影像医师利用Image J软件共同对病灶在配准过的T_2-FLAIR或对比增强T_1WI序列上进行逐层ROI的勾画，最后BMS-354825形成感兴趣区容积(VOI),然后使用FAE软件在各序列图像上提取VOI的影像组学特征，基于训练集的数据，通过均值归一化、方差分析的特征选择方法、皮尔逊相关系数的特征降维方法、4种ML分类器(线性判别分析、LASSO回归、逻辑回归、支持向量机)以及十折交叉验证法构TORCH infection建15种ML模型，并采用ROC曲线和Delong检验在测试集中筛选出最佳序列或序列组合；再基于最佳序列或序列组合，使用均值归一化、2种特征选择方式(方差分析、特征权重算法)、2种降维方式(皮尔逊相关系数和主成分分析法)、4种ML分类器构建了16种ML模型，通过FAE软件的one-standard error法、Delong检验和ROC曲线筛选拟合度较好且AUC最高的ML模型，并将此模型联合临床参数构建联合模型，评价各联合模型的诊断效能。结果:基于ADC图+对比增强T_1WI序列组合提取的组学特征构建的4种ML模型在测试集中的AUC分别为0.888、0.872、0.896和0.877,均高于其它序列或序列组合构建的ML模型；利用此序列组合构建的16种ML模型中，以方差分析特征选择法、主成分分析方法的降维方式及分类器为LASSO回归时所构建的ML模型具有较好的拟合度且测试集中的AUC最高，为0.829(95%CI:0.658～0.966),此模型结合KPS评分和肿瘤病理分级所构建的联合模型在测试集中的AUC为0.874(95%CI:0.722～0.985)。结论:基于ADC图+对比增强T_1WI序列组合提取的组学特征构建的ML模型对胶质瘤IDH1突变有具有较好的预测效能，联合KPS评分和病理分级可提高预测效能。