目的探讨基于腹腔镜超声的不同影像组学机器学习模型预测最大直径≤4 cm的肾脏肿块良、恶性的价值。方法回顾性分析2012年12月至2019年12月在华中科技大学同济医学院附属同济医院行腹腔镜手术肾脏实质性肿块患者的术中腹腔镜超声检查资料,根据病理结果分为恶性组（n=80）和良性组（n=62）,随机选取60%的病例为训练组（n=84）,40%的病例为验证组（n=58）。采用Pyradiomics包提取良性组和恶性组病灶的107个影像组学特征。采用独立样本t检验或Mann-Whitney U检验对训练组中的特征进行筛选,基于支持向量机（SVM）、随机森林（RF）、逻辑回归（LR）、极限学习机（ELM）和K最近邻（KNN）这5种机器学习方法建模,采用ROC曲线评估模型诊断效能,并通过验证组数据验证模型的稳定性。结果一共142个病灶纳入研究,影像组学方法初步提取107个特征,筛选出在肾脏肿块良、恶性分类中起主要作用的10个高度重复且非冗余的稳定特征。5种机器学习模型的预测性能分别为:SVM（ROC下面积、敏感度、特异度、准确度分别为0.816、0.882、0.750、0.828）、RF（ROC下面积、敏感度、特异度、准确度分别为0.881、0.971、0.792、0.897）、LR（ROC下面积、敏感度、特异度、准确度分别为0.866、0.794、0.708、0.759）、ELM（ROC下面积、敏感度、特异度、准确度分别为0.808、0.824、0.792、0.810）和KNN（ROC下面积、敏感度、特异度、准确度分别为0.831、0.912、0.750、0.845）。结论基于腹腔镜超声影像组学的机器学习模型可以区分肾脏小肿块的良、恶性。