目的研究基于T2WI和DCE图像的影像组学模型在鉴别乳腺良恶性肿瘤及预测浸润性乳腺癌组织学分级的临床应用价值。方法回顾性分析宁夏医科大学总医院2017年1月至2019年12月经术后病理证实为乳腺良恶性肿瘤患者185例,包括131例乳腺癌患者和54例良性乳腺肿瘤患者,浸润性乳腺癌低级别（Ⅰ级+Ⅱ级）78例、高级别（Ⅲ级）38例。采用GE Signa 1.5T超导磁共振扫描仪进行检查,获取T2WI、DWI和DCE图像。由两名具有经验的医生测量病变区的常规定量参数（ADC值和IER值）,分别对ADC值和IER值采用Logistic回归分析,建立预测乳腺良恶性肿瘤及浸润性乳腺癌组织分级的模型。使用ITK-SNAP分别在T2WI和DCE图上勾画感兴趣区,在AK软件（Artificial Intelligence Kit,version3.6.3,GE Healthcare）上对其进行影像组学分析;基于T2WI、DCE、T2WI和DCE联合序列提取的关键特征,分别采用Logistic回归、支持向量机（support vector machine,SVM）、决策树（decision tree）和随机森林（random forest,RF）四种不同的机器算法建立模型,并以病理检查结果为金标准,绘制各模型的受试者工作特征（ROC）曲线,计算ROC曲线下面积（AUC值）、灵敏度、特异度、准确度、阳性预测值和阴性预测值并评估模型的预测效能。利用Delong检验进行不同机器算法模型AUC值的比较,采用决策曲线分析法（decision curve analysis,DCA）评估不同模型的临床应用价值。结果（1）ADC值和IER值鉴别乳腺良恶性肿瘤的AUC值分别为0.980（95%CI0.962-0.995）和0.797（95%CI0.723-0.865）。ADC值和IER值预测浸润性乳腺癌组织学分级的AUC值分别为0.828（95%CI0.765-0.886）和0.546（95%CI0.449-0.641）。（2）T2WI和DCE联合序列采用随机森林（RF）算法鉴别乳腺良恶性肿瘤效能最佳,AUC值为0.982（95%CI0.966-0.994）,灵敏度、特异度、准确度、阳性预测值和阴性预测值分别为0.759、1.000、0.930、1.000和0.910;T2WI和DCE联合序列采用RF算法模型与Logistic回归、SVM、Tree算法模型的AUC值之间具有统计学差异（P<0.001）;在决策曲线分析中,T2WI和DCE联合序列采用RF算法模型的诊断效能高于采用Logistic回归、SVM和Tree算法模型。（3）T2WI和DCE联合序列采用决策树（Tree）算法预测浸润性乳腺癌组织学分级效能最佳,AUC值为0.961（95%CI0.931-0.985）,灵敏度、特异度、准确度、阳性预测值和阴性预测值分别为0.711、1.000、0.905,1.000和0.876;T2WI和DCE联合序列,采用Tree算法模型与Logistic、SVM、RF算法模型的AUC值之间具有统计学差异（P<0.001）;在决策曲线分析中,T2WI和DCE联合序列采用Tree算法模型的分级效能高于采用Logistic回归、SVM和RF算法模型。结论（1）在乳腺常规磁共振定量参数中,ADC值在鉴别乳腺良恶性肿瘤临床价值较高,IER值临床价值相对较低。基于DCE和T2WI联合序列的随机森林（RF）算法模型在鉴别乳腺良恶性肿瘤具有较高的价值,可作为常规定量参数的有效补充,为乳腺良恶性肿瘤精准诊断提供参考依据。（2）在乳腺癌分级应用中,ADC值在区分浸润性乳腺癌分级中具有一定的临床应用价值,IER临床应用价值不高。基于乳腺MRI图像的影像组模型可以在体无创预测浸润性乳腺癌组织学分级,T2WI和DCE联合序列采用决策树（Tree）机器算法模型预测效能最佳,可为临床决策提供有价值的信息。