摘要目的:探讨基于人工智能(AI)技术动态对比增强磁共振成像(DCE-MRI)预测乳腺癌新辅助化疗疗效的价值.方法:收集2018年1月至2020年12月上海新华医院崇明分院收治的进行新辅助化疗治疗的89例乳腺癌患者,依据治疗效果将其分为有效组(36例)和无效组(53例),新辅助化疗前和第4疗程结束后进行DCE-MRI检查,绘制时间-信号强度曲线,测定容量转移常数(Ktrans)、速率常数(Kep)以及血管外间隙容积比(Ve).扩充原始DCE-MRI图像,提取包含病灶的感兴趣区域,运用深度卷积神经网络进行卷积运算,通过训练集获得分类模型.绘制受试者工作特征(ROC)曲线,选择ROC曲线下面积(AUC)最高的验证集模型作为最终模型,以测试集评价模型性能.结果:化疗后,DCE-MRI检查,有效组患者Ktrans(0.67±0.15)、Kep(1.22±0.24)显著小于无效组,ΔKtrans(1.51±0.18)、ΔKep(2.31±0.26)显著大于无效组,差异均有统计学意义(t=23.072、20.016;P＜0.05);ΔKtrans、ΔKep及ΔVe预测乳腺癌新辅助化疗疗效的AUC分别为0.814、0.839和0.432,三者联合检测的灵敏度、特异度及AUC分别为89.93%、83.48%和0.845,预测价值高于单项检测.DCE-MRI-AI模型对乳腺癌新辅助化疗疗效具有较高的预测效能,其训练集、验证集及测试集的AUC分别为0.897、0.869和0.859.在训练集和验证集中,DCE-MRI-AI模型和DCE-MRI模型对乳腺癌新辅助化疗疗效的预测效能差异具有统计学意义(Z训练集=2.435,P＜0.05;Z验证集=2.147,P＜0.05).结论:AI技术应用于DCE-MRI有助于提高对乳腺癌新辅助化疗疗效的预测效能,为治疗及预后评估提供可靠数据,具有临床应用价值.