目的： 针对肾上腺腺瘤患者探究增强 CT 影像组学深度学习算法实现肾上腺腺瘤全自动分割与亚分类的可行性。 

方法： 回顾性分析 2 家医院 772 例病理证实为肾上腺腺瘤的患者， 分为训练队列（502 例） 、内部验证队列（157 例）和外部验证队列（113 例）。首先，建立基于深度学习算法的肾上腺腺瘤分割模型用于定位肾上腺及肾上腺腺瘤。其次，基于检测到的肾上腺腺瘤区域， 在训练队列中训练深度学习影像组学融合模型区分肾上腺无功能腺瘤、醛固酮腺瘤及皮质醇腺瘤，并在内部和外部验证队列中比较融合模型与影像组学机器学习模型和深度学习模型的性能。 

结果： 肾上腺腺瘤分割模型的 Dice 中位数为 0.898。 深度学习影像组学融合模型在内部和外部验证队列的总体诊断准确率分别为 80.3% （95% CI: 73.2% ~ 86.2%）和 77.9%(95% CI: 69.1% ~ 85.1%)，平均 F1 评分为 80.0%和 76.9%，均优于影像组学机器学习模型和深度学习模型。

结论：基于两个验证队列的比较实验表明，将深度学习与影像组学相结合可以提高肾上腺腺瘤分类模型的诊断效能。