摘要目的 探讨基于动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)肿瘤异质性定量和深度学习(deep learning,DL)预测乳腺癌新辅助化疗(neoadjuvant chemotherapy,NAC)病理完全缓解的价值.材料与方法 回顾性收集2019年1月至2025年1月在皖南医学院第一附属医院179例经病理证实为乳腺癌的患者临床及影像资料,其中58例患者NAC后病理完全缓解(pathological complete response,pCR),121例患者NAC后病理非完全缓解(non-pathological complete response,non-pCR).按照7∶3的比例将患者随机分为训练组(n=125)和验证组(n=54).所有患者均在NAC前行MRI检查,使用ITK-SNAP软件逐层手动勾画感兴趣区(region of interest,ROI)并进行三维融合,使用高斯混合模型(gaussian mixture model,GMM)进行聚类分析及贝叶斯信息准则(bayesian information criterion,BIC)确定肿瘤病灶亚区,并计算肿瘤内异质性分数(intratumoral heterogeneity score,ITH-score),建立生境组学模型.使用Python软件PyRadiomics包提取肿瘤整体的传统影像组学特征,使用ViT(vision transformer)DL模型提取DL特征,采用最小冗余最大相关(minimum redundancy maximum relevance,mRMR)和最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归方法进行特征降维、筛选,分别构建传统影像组学模型、DL模型,并根据模型中特征权重计算出每例患者的定量得分.采用多因素logistic回归分析构建临床模型及联合模型.绘制受试者工作特征(receiver operating characteristic,ROC)曲线评估各个模型的预测效能,采用DeLong检验比较各模型效能,使用决策曲线分析(decision curve analysis,DCA)分析模型的临床收益.采用SHAP(Shapley Additive exPlanations)方法分析联合模型中各特征的重要性.结果 临床模型、传统影像组学模型、DL模型、生境组学模型及联合模型在训练组中预测NAC后pCR的曲线下面积(area under the curve,AUC)[95%置信区间(confidence interval,CI)]:分别为0.864(0.832～0.895)、0.776(0.745～0.807)、0.728(0.703～0.752)、0.823(0.785～0.881)、0.943(0.903～0.983),在验证组中0.732(0.684～0.781)、0.634(0.589～0.679)、0.757(0.720～0.791)、0.750(0.690～0.840)、0.875(0.821～0.929),以联合模型预测效果最佳.DCA结果显示联合模型的临床获益高于临床模型及其他影像组学模型.在SHAP方法中,ITH-score重要性高于分子分型,其SHAP值越大,预测结果越倾向于pCR.结论 基于DCE-MRI的异质性定量分析及DL的联合模型对乳腺癌患者NAC后pCR具有优越的预测效能,对早期预测NAC后pCR具有一定的临床应用价值,有助于乳腺癌的临床诊疗管理.