目的 分析探讨基于动态增强磁共振成像(DCE-MR)构建卷积神经网络(CNN)模型预测乳腺癌表达Ki-67状态的临床价值。方法 回顾性分析2020年1月至2023年7月经过病理证实的200例乳腺癌患者的临床资料，根据免疫组化结果，将Ki-67表达状态分为高表达组(133例)和低表达组(67例)，于DCE-MR第三期增强图像中手动勾画ROI并提取其影像组学特征，使用组间相关系数(ICC)、统计分析、 Pearson相关系数筛选、最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)对特征进行筛选降维，分别构建随机森林(random forests)、逻辑 回归(LR)、极度随机树(ExtraTrees)、极度梯度提升 (XGBoost)、梯度提升决策树(LightGBM) 等传统机器学习模型以及深度学习(CNN) 模型，依据样本量8:2随机划分为训练集(160例)和验证集(40例)，使用受试者工作特征(receiver operating charateristic, ROC)曲线及曲线下面积(area under the curve, AUC)评价6种模型的预测效能，利用决策曲线(decision curve analysis, DCA)评估模型的临床效能。结果 基于乳腺DCE-MR图像共提取1197个特征，经过ICC、统计分析、 Pearson相关系数筛选以及LASSO最终筛选出7 个最优影像特征，以之构建Random Forests、LR、 ExtraTrees、XGBoost、LightGBM及CNN模型，各模型预测乳腺癌Ki-67表达状态的AUC分别为0.793、0.674、0.755、0.748、0.766及0.832，其中CNN模型的AUC最高为0.832。结论 基于DCE-MR图像构建的CNN模型对术前乳腺癌Ki-67表达具有较高的预测效能。