摘要目的:探索多参数磁共振成像(multiparametric magnetic resonance imaging,mpMRI)影像组学结合机器学习模型预测乳腺癌前哨淋巴结(sentinel lymph node,SLN)转移的潜在价值.方法:回顾并分析经病理学检查证实的乳腺癌患者影像学及临床资料,并按7∶3分为训练组和验证组.基于T2加权成像(T2-weighted imaging,T2WI)、表观弥散系数(apparent diffusion coefficient,ADC)、动态对比增强MRI(dynamic contrast-enhanced MRI,DCE-MRI)第2期,提取肿瘤整体感兴趣区(ROI_Whole)以及亚区(ROI_Sub)的影像组学特征,结合临床、病理学及影像学特征,构建多个机器学习模型,通过受试者工作特征(receiver operating characteristic,ROC)曲线、决策曲线分析法(decision curve analysis,DCA)及校准曲线评价不同机器学习模型的预测效能.结果:纳入193例乳腺癌患者,其中80例为SLN转移阳性,113例为SLN转移阴性,对患者的临床、影像学及病理学资料进行单因素和多因素logistic回归分析并筛选出与乳腺癌SLN转移相关的独立危险因素.最后分析得出,瘤周水肿和淋巴管血管侵犯(lymphovascular invasion,LVI)在SLN阳性组与阴性组间差异有统计学意义(P＜0.01),且LVI为独立预测因子(P＜0.05).采用T2WI、ADC、ROI-Whole、ROI-Sub影像组学特征及LVI构建的多层感知机(multi-layer perceptron,MLP)模型效能最佳,在训练集中曲线下面积(area under curve,AUC)为0.947,在验证集中AUC为0.932.结论:基于乳腺mpMRI的影像组学模型在术前能够有效预测乳腺癌SLN转移.