目的：术前脑转移（BM）和胶质母细胞瘤（GBM）之间的区分由于它们在常规脑MRI上的相似成像特征，因此在术前具有挑战性。这项研究旨在通过基于MRI放射学数据的机器学习模型来增强诊断能力。方法：这项回顾性研究包括235例确认孤立性BM和273例GBM患者。患者被随机分配到培训（n = 356）或验证（n = 152）队列中。获得了传统的大脑MRI序列，包括T1加权成像（T1WI），对比-Enhanced_T1WI和T2加权成像（T2WI）。在所有三个序列上都描绘了脑肿瘤并分段。从人口统计学，临床和放射线数据中选择了特征。一个集成的集成机器学习模型，即弹性回归SVM-SVM模型（ERSS）和组合人口统计学，临床和放射线数据的多变量逻辑回归（LR）模型是用于预测性建模的。使用歧视，校准和决策曲线分析评估模型效率。此外，使用由47例GBM患者和43例孤立BM患者组成的独立队列进行外部验证，以评估ERSS模型的推广性。Results: The ERSS model demonstrated more optimal classification performance (AUC: 0.9548, 95% CI: 0.9337 – 0.9734 in training cohort; AUC: 0.9716, 95% CI: 0.9485 – 0.9895 in validation cohort) as compared to the LR model according to the receiver operating characteristic (ROC) curve and decision curve for the internal cohort.外部验证队列的最佳性能较低但仍然稳健（AUC：0.7174，95％CI：0.6172 - 0.8024）。具有多个分类器的集成的ERSS模型，包括弹性网，随机森林和支持向量机，产生了可靠的预测性能，并且表现优于LR方法。结论：结果表明，集成的机器学习模型，即ERSS模型，具有有效，准确的BM与GBM的术前分化的潜力，这可能会改善临床决策和脑肿瘤患者的结果。