摘要目的 探讨基于扩散加权成像(diffusion-weighted imaging,DWI)、脂肪抑制T2加权成像(fat-suppressed T2-weighted imaging,T2-FS)和 T1 加权对比增强成像(T1-weighted contrast-enhanced imaging,T1CE)多参数MRI构建的深度学习(deep learning,DL)模型在预测直肠癌术前肿瘤沉积(tumor deposit,TD)状态中的价值.材料与方法 回顾性分析了 321例来自两个中心行全直肠系膜切除术并经病理证实为直肠腺癌患者的资料.根据患者的病理结果分为TD阳性组(n=81)和TD阴性组(n=240).将中心1的患者(n=273)按照8∶2的比例随机分为训练集和测试集,将中心2的患者(n=48)作为外部验证集.利用ResNet18 DL网络,构建DWI-DL模型、T2-FS-DL模型、T1CE-DL模型及组合-DL模型.绘制受试者工作特征(receive operating characteristic,ROC)曲线,计算曲线下面积(area under the curve,AUC),评估各个DL模型的预测性能.结果 在单序列模型中,T1CE-DL模型在训练集、测试集及外部验证集中的AUC分别达0.842[95％置信区间(confidence interval,CI):0.808～0.891]、0.792(95％CI:0.752～0.828)和 0.747(95％CI:0.700～0.777),预测性能优于 T2-FS-DL 和 DWI-DL 模型;T2-FS-DL 模型的 AUC 分别为 0.805(95％CI:0.774～0.843)、0.766(95％CI:0.724～0.801)和 0.725(95％CI:0.690～0.767);DWI-DL 模型的 AUC分别为 0.801(95％CI:0.753～0.832)、0.745(95％CI:0.703～0.775)和 0.747(95％CI:0.702～0.779).组合-DL 模型的 AUC 最高,达到 0.909(95％CI:0.877～0.956)、0.875(95％CI:0.834～0.919)和 0.816(95％CI:0.767～0.852),且显著优于其他三个单序列模型的诊断性能(DeLong检验,均P＜0.05).结论 组合-DL模型对于直肠癌患者术前TD状态具有良好的预测价值,且泛化能力良好.