目的:本研究基于超声影像组学方法,对乳腺癌患者新辅助化疗（Neoadjuvant chemotherapy,NAC）前和NAC两周期后的二维超声图像进行研究,提取有效影像组学特征并联合有效病理特征,构建集成临床病理和影像等多元信息的NAC疗效预测模型,以探讨超声影像组学特征与NAC疗效之间的联系以及早期预测乳腺癌NAC疗效的价值。方法:本研究回顾性纳入2018年1月至2020年12月于贵州医科大学附属肿瘤医院确诊乳腺癌患者217例。根据治疗后超声（Ultrasound,US）联合磁共振（Magnetic resonance imaging,MRI）影像学检查,基于实体瘤反应评价标准（Response evaluation criteria in solid tumors,RECIST）将患者分为NAC有效组和NAC无效组,分析两组患者治疗前的临床病理特征及治疗前、早期治疗后的二维超声影像特征;将患者按照7:3随机分层抽样分为训练组和验证组,训练组用于构建预测模型,验证组用于验证模型有效性。由影像科医生使用AK软件手动勾画感兴趣区（Region of interest,ROI）,利用ROI进行特征提取,提取包括治疗前影像组学特征（Radiomic signature,RS1）和治疗早期（RS2）,并计算治疗前后特征的差值,即Delta RS,使用套索（Least absolute shrinkage and selection operator,LASSO）回归得到最终影像组学标签,采用逻辑回归（Logistics）构建影像+临床的综合预测模型,用接受者操作特性曲线（Receiver operating characteristic curve,ROC）对模型的预测性能进行评价,再运用训练组模型中最大约登指数（灵敏度+特异性-1）的最佳临界值对验证组进行验证,分别计算训练组和验证组ROC的曲线下面积（Area under curve,AUC）、灵敏性和特异性,使用以上参数评估模型的准确性以及预测效能。结果:最终纳入217例患者,127个（58.5%）NAC有效,90个（41.5%）无效;NAC有效组与无效组在Ki-67表达状态的差异中具有统计学意义（P＜0.05）。使用LASSO回归最终RS1筛选出9个特征,RS2筛选出11个特征,Delta RS筛选出8个与NAC疗效相关性最佳的影像组学特征用于构建预测模型。经多因素分析,RS1、RS2、Delta RS和临床病理特征Ki-67的表达与乳腺NAC反应独立相关。在训练组中,Delta RS的AUC值为0.743,RS1的AUC值为0.722,RS2的AUC值为0.811;结合RS1、RS2和Ki-67表达的多因素列线图在验证组中的AUC值为0.866,比单一RS1（AUC 0.725）、RS2（AUC 0.793）或Ki-67（AUC 0.643）对NAC疗效的预测能力更好。结论:相较于传统的治疗前单一的特征分析,基于治疗前和治疗早期的超声影像组学特征和Ki-67表达所构建的联合预测模型对乳腺癌的NAC疗效早期预测具有较高的预测价值,从而为个体化治疗和及时调整化疗方案提供了有价值的信息。