目的探讨基于MRI影像组学特征预测模型、临床病理特征预测模型以及联合预测模型预测乳腺癌（Breast Cancer,BC）新辅助化疗（Neoadjuvant chemotherapy,NAC）后达到病理完全缓解的可行性及应用价值。方法本研究回顾性分析就诊于宁夏医科大学总医院经穿刺活检证实为BC,且行NAC后经手术切除病理结果有Miller-Payne（MP）分级系统评价的125例患者,收集患者的临床、病理信息及MRI检查图像。通过手术病理MP分级系统将患者分为病理完全缓解（p CR）（MP,G5）组与病理不完全缓解Np CR（MP,G1-4）组,采用单因素分析法比较两组间临床病理资料的差异,将差异具有统计学意义的临床特征使用多因素Logistic回归分析筛选出独立影响因素,运用Logistic回归算法建立临床预测模型。DCE-MRI、压脂T2WI、DWI图像分别使用3D-slicer勾画感兴趣区（ROI）,利用python软件对其进行特征的提取,提取的影像组学特征用R软件LASSO算法筛选出关键影像组学特征,建立影像组学预测模型;基于放射组学分数（Rad-Score）及临床预测模型,运用Logistic回归算法建立影像组学+临床特征联合预测模型及诺莫图,采用受试者工作特征（ROC）曲线下面积（AUC）来评价模型预测新辅助化疗疗效的效能。结果1.在125例接受NAC的患者中,p CR组与Np CR组患者的分子分型、ER、PR、H ER-2表达状态、Ki-67表达水平高低、NLR值具有统计学差异。Ki-67表达的高低、H ER-2的表达状态及NLR是评价p CR的独立影响因素,将三者构建临床预测模型。2.基于DCE-MRI、T2WI、DWI图像提取了10个关键影像组学特征,建立影像组学预测模型。联合Rad-Score以及NLR、Ki-67、HER-2表达状态3个临床病理特征建立联合预测模型及诺莫图。3.临床预测模型、影像组学预测模型、联合预测模型的AUC值分别为0.747（95%CI,0.646-0.849）、0.848（95%CI,0.776-0.991）、0.888（95%CI,0.830-0.947）。联合预测模型的AUC值高于临床预测模型及影像组学预测模型结论1.NAC前Ki-67表达的高低、HER-2的表达状态及NLR是评价p CR的独立影响因素,临床病理资料联合外周血炎性指标是评价乳腺癌NAC后疗效反应的潜在手段。2.联合预测模型对NAC治疗后达到p CR的预测效能优于单一预测模型。基于联合预测模型可以预测乳腺癌NAC治疗后获得p CR概率,可为临床提供BC患者NAC治疗后获得p CR量化参数,从而为患者个体化治疗方案的制定提供依据。