Objectif : générer des modèles radiomiques hybrides d’apprentissage automatique capables de classer glioblastomes (GBM) et métastases cérébrales (MC) en imagerie par résonance magnétique (IRM). Matériel et méthodes : l’étude rétrospective incluait les sujets souffrant d’un GBM ou de MC avec preuve histologique, explorés en IRM pré-thérapeutique. Après segmentation semi-automatique, 642 index radiomiques étaient extraits par lésion en séquences T1 injectée et T2 FLAIR dans trois régions : rehaussement T1, hypersignal Flair péri-rehaussement, et lésion entière. Sept classifieurs étaient entrainés sur cinq sélections d’index radiomiques, l’âge, le sexe, la description IRM, et un score de probabilité issu d’un réseau de neurones convolutifs (CNN), avec validation croisée à 5 blocs et 5 répétitions. L’AUC-ROC était calculée sur l’échantillon test. Résultats : 164 sujets (94 GBM et 70 MC) étaient analysés et 185 lésions mesurées (102 GBM et 83 MC). 31 modèles furent entrainés sur 127 lésions (68,6 %, 70 GBM et 57 MC) puis testés sur 58 lésions (31,4 %, 32 GBM et 26 MC). Le modèle hybride RFE11_SVM (Recursive Feature Elimination, Support Vector Machine) avec 11 index radiomiques présentait les meilleures performances : AUCtest = 0,928 IC 95 % [0,853 ; 1], exactitude = 91,4 % IC 95 % [84,2 % ; 98,6 %], sensibilité (GBM) = 96,9 % IC 95 % [92,4 % ; 100 %], spécificité = 84,6 % IC 95 % [75,3 % ; 93,9 %]. Isolément, les 11 index sélectionnés avaient un AUCtest = 0,822 IC 95 % [0,715 ; 0,929] et le score CNN un AUCtest = 0,782 IC 95 % [0,655 ; 0,910] par SVM. Trois index morphologiques rapportaient la sphéricité des MC et 8 index de texture l’hétérogénéité des GBM. Conclusion : un modèle radiomique hybride augmenté par CNN différencie efficacement un GBM d’une MC.