目的:探讨基于CT平扫纹理分析创建影像组学模型鉴别肾透明细胞癌（CCRCC）和非透明细胞癌（non-CCRCC）的诊断效能。方法:回顾性分析2017年1月至2020年12月期间在赣南医学院第一附属医院和南昌大学第一附属医院行Revolution CT平扫检查发现的肾局灶性占位性病变中,经手术病理证实为CCRCC和non-CCRCC的73例患者,随机分为训练组52例和验证组21例（约7∶3）。利用在3Dslicer软件勾画CT平扫图像上肿瘤的三维立体感兴趣区（region of interest,ROI）,并同时提取517个纹理特征,包括shape、firstorder、GLCM、GLDM、GLRLM、GLSZM及NGTDM等七类特征,利用最大相关最小冗余算法（m RMR）和最小绝对收缩与选择算子算法（LASSO）对已提取的517个纹理特征进行降维、筛选,并计算影像组学评分（Rad?score）建立模型。以病理分型结果为依据,采用logistic回归构建cc RCC和non-CCRCC病理分型的预测模型。采用ROC曲线及校准曲线（Calibration cure）对预测模型的性能进行评价,计算出ROC曲线下面积（AUC）、准确度、灵敏度和特异度。最后采用决策曲线（Decision curve analysis）评估该模型对患者的临床受益。结果:经降维后筛选,共获得12个最优纹理特征（firstorder 2个,GLCM 3个、GLDM2个、GLSZM 5个）,根据这12个特征及其对应权重,采用logistic回归构建模型,计算预测cc RCC和non-CCRCC病理分型的影像组学积分（Radscore）。训练组中,AUC值为0.88,准确度为0.827（95%CI 0.697～0.918）,灵敏度为86.2%,特异度为78.3%,校准曲线（Calibration Curve）提示该模型的校准度好（Hosmer-Lemeshow test,P=0.800）。测试组中,AUC值为0.79,准确度为0.714（95%CI0.478～0.887）,灵敏度为83.3%,特异度为55.6%,校准曲线（Calibration Curve）提示该模型的校准度好（Hosmer-Lemeshow test,P=0.797）。决策曲线提示该模型对患者有很好的临床获益。结论:基于CT平扫纹理分析的影像组学模型可以较为准确的鉴别cc RCC和non-cc RCC病理分型。