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在术前直肠癌 T 分期中的预测价值.方法:回顾性分析我院 100 例经手术病理证实的直肠癌患者的术前影像学资料及临床资料,获取横断面T2WI 序列原始 Dicom 图像(OI),对原始 T2WI 图像进行深度迁移学习生成超分重建图像(super-resolution re-construction,SRI).使用ITK-SNAP 软件对OI 及SRI 进行全瘤标注,获取3D VOI,根据术后病理T 分期,分为T1/2 期组和 T3/4 期组,并按照 7∶3比例随机分为训练集(70 例)和验证集(30 例).对标注图像进行影像组学特征提取,采用最小绝对值收缩与选择算子(LASSO)回归进行影像组学特征筛选并分别建立影像组学模型.通过受试者工作特征曲线下的面积(AUC)评估模型性能.使用决策曲线分析(decision curve analysis,DCA)评估模型的临床价值.结果:基于 OI 的影像组学模型预测术前直肠癌 T 分期,训练集 AUC 值、准确度、敏感度和特异度分别为 0.782、0.727、0.853、0.648;验证集 AUC 值、准确度、敏感度和特异度分别为 0.688、0.682、0.750、0.643.基于 SRI 的影像组学模型预测术前直肠癌 T 分期,训练集 AUC 值、准确度、敏感度和特异度分别为 0.877、0.815、0.730、0.859;验证集 AUC 值、准确度、敏感度和特异度分别为 0.821、0.815、0.667、0.889.两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 影像组学模型较 OI 影像组学模型的诊断效能明显提高,DCA 曲线结果表明 SRI 模型具有更高的临床应用价值.结论:基于 MR 深度迁移学习超分重建图像的影像组学模型可有效提升直肠癌 T 分期的预测精度,为临床决策提供最佳初始治疗策略.