目的 探究基于磁共振双参数纹理分析的机器学习模型在临床显著性前列腺癌(clinically  significant prostate cancer, csPCa)中的诊断价值。方法 回顾性纳入2018年1月-2023年1月期间进行术前磁共振检查并通过穿刺活检经病理证实为前列腺癌的患者222例，其中临床显著性癌 (Gleason≥7)117例，非临床显著性癌(Gleason＜7)105例。所有患者均采用ITK-SNAP软件勾画病灶的全部层面为感兴趣区(region of interest， ROI)，通过影像组学软件FeAture Explorer (FAE) (V.0.54)提取ROI内504个影像组学特征。222例患者随机按照7：3比例分成训练组和测试组。影像组学特征采用线性判别分类器(linear discriminant  analysis，LDA)、随机森林(random forest，RF)、 罗杰氏回归(Logistic regression，LR)、支持向量机(support vector machine，SVM)等不同方法对模型进行筛选。根据模型在测试集上的曲线下面积 (AUC)、敏感性、特异性、阳性预测值(PPV)、阴性预测值(NPV)、95%置信区间等来选择一个最优模 型。结果 基于dwi_original_firstorder_Variance、 dwi_original_glcm_ClusterProminence、 adc_original_firstorder_Mean、adc_original_ firstorder_Median4个特征的线性判别分类器LDA 模型在验证数据集上可以得到最高的曲线下面积 (AUC)，AUC和精度分别达到0.764和0.769，模型的 AUC和精度对测试数据集的影响分别达到了0.950和 0.909。结论 磁共振双参数影像组学机器学习模型在诊断临床显著性前列腺癌中的准确率更高，采用 LDA方法的机器学习模型与其他模型相比具有更高的诊断效能。