摘要目的:探讨基于MR深度迁移学习超分重建图像的影像组学模型术前预测早期宫颈癌(CC)淋巴血管间隙浸润(LVSI)的价值.方法:回顾性分析经术后病理证实的100例早期CC患者的MRI及临床资料,对矢状面T2WI抑脂非增强序列原始图像(OI)进行深度迁移学习超分重建图像(SRI),并采用ITK-SNAP软件在OI及SRI上对全肿瘤区域进行3D标注,根据病理结果分为LVSI阳性与LVSI阴性组,并按照8:2比例随机分为训练集(80例)和验证集(20例).对OI、SRI标注图像3D VOI进行特征提取及最小绝对收缩与选择算子(LASSO)回归筛选影像组学特征,并分别建立LightGBM影像组学模型,使用AUC评估模型的诊断效能,使用决策曲线分析(DCA)评估模型的临床价值.结果:基于OI影像组学模型预测宫颈鳞癌LVSI状态,训练集AUC=0.795(95％CI:0.696～0.894),敏感度为 0.533,特异度为 0.920;验证集 AUC=0.637(95％CI:0.350～0.924),敏感度为 0.429,特异度为0.923.基于SRI影像组学模型预测宫颈鳞癌LVSI状态,训练集AUC=0.817(95％CI:0.722～0.913),敏感度为 0.920,特异度为 0.717;验证集 AUC=0.815(95％CI:0.625～1.000),敏感度为0.667,特异度为0.786.两组图像训练集和验证集中均显示出良好的校准和区分能力,SRI较OI影像组学模型的诊断效能明显提高,DCA结果表明模型具有较高的临床价值.结论:基于MR深度迁移学习SRI影像组学模型对术前预测宫颈癌LVSI状态具有良好的应用价值,较OI影像组学模型的诊断效能有所提高,有助于更好地指导临床治疗决策.