目的:探讨多参数MRI影像组学对乳腺癌分子分型的评估价值,比较联合序列与单个序列模型的预测效能及联合序列基于不同分类器模型的预测效能。方法:回顾性收集山西白求恩医院2019年3月-2022年1月乳腺癌患者301例,所有患者在手术之前均行MRI检查,依据病理免疫组化结果分为Luminal A型、Luminal B型、HER2过表达型及三阴性乳腺癌。采用方差分析、卡方检验及Fisher精确检验对患者临床病理资料进行分析。将所有患者的ADC、T2WI及DCE-MRI病灶强化最明显期相的图像导入达尔文科研平台,沿病灶边界逐层手动勾画VOI,提取影像组学特征。对分子分型以是与非进行二分类,按2:1比例随机分为训练组和测试组,通过标准化、最优特征筛选（方差分析）及LASSO回归进行特征筛选降维。采用LR分类器构建单个序列影像组学模型,采用SVM、LR、RF及XGBoost四种分类器构建联合序列影像模型,绘制ROC曲线并评价各模型诊断效能,比较联合序列较单个序列的预测效能,采用Delong检验比较联合序列不同分类器、单个序列与联合序列模型的AUC值差异有无统计学意义。结果:本研究共纳入Luminal A型乳腺癌患者53例、Luminal B型142例、HER2过表达型52例及三阴性乳腺癌患者54例,不同分子亚型乳腺癌患者年龄、绝经状态、脉管浸润等临床病理特征差异皆无统计学意义（P＞0.05）。通过特征筛选降维构建了基于ADC、T2WI、DCE及三者联合序列的乳腺癌分子分型二分类模型,测试组AUC值在0.63-0.83不等。其中用RF分类器构建的基于联合序列鉴别Luminal A型与非Luminal A型乳腺癌模型AUC值最高,特异度及敏感度分别为0.83、0.78。在联合序列不同分类器的模型效能比较中发现XGBoost分类器构建的模型准确率较高,分别为0.84、0.76、0.85、0.72,各分类器模型AUC值各有高低,但除Luminal A型乳腺癌基于RF与XGBoost分类器建立的影像组学模型外,其余各模型AUC值差异均无统计学意义（P＞0.05）。在比较单个序列及联合序列模型效能时发现联合序列模型效能略有提高,但检验发现联合序列较单个序列诊断效能差异均无统计学意义（P＞0.05）。结论:在乳腺癌分子分型的鉴别诊断中,基于多参数MRI的影像组学模型有较好的表现,有望无创预测四种分子亚型。此外,研究发现联合序列中不同分类器模型诊断效能差异大部分无统计学意义,联合序列的鉴别诊断效能较单个序列提升无统计学意义。