目的：探讨基于CT平扫影像组学+机器学习鉴别诊断原发性肝癌(PHC)与肝血管瘤(LH)的价值。方法：回顾性分析2017年6月—2024年6月在广州医科大学附属清远医院(清远市人民医院)行上腹部CT平扫的PHC患者50例和LH患者48例的CT影像，对图像进行感兴趣容积勾画和特征提取，使用LASSO回归对特征进行降维，随后使用降维处理后的最优特征构建LR和XGBoost两种机器学习模型，并采用受试者工作特征曲线下面积评估两种模型的诊断效能。结果：LR、XGBoost机器学习模型在训练集的灵敏度为0.943和0.800，特异度为0.879和1.000，准确率为0.892和1.000，召回率为0.943和0.800，F1为0.917和0.889。LR、XGBoost机器学习模型在验证集的灵敏度为0.800和0.533，特异度为0.933和1.000，准确率为0.923和1.000，召回率为0.800和0.533，F1为0.857和0.696。结论：基于CT平扫影像组学特征所构建的LR和XGBoost机器学习模型在鉴别诊断PHC与LH方面能够提高诊断的准确性和效率，其中基于LR构建的机器学习模型诊断效能最优。