目的:探讨动态对比增强MRI（DCE-MRI）影像组学特征和临床特征构建的列线图对乳腺癌新辅助化疗（Neoadjuvant chemotherapy,NAC）病理反应的预测价值。方法:回顾性分析2016年2月-2020年5月我院收治的129例行乳腺癌NAC患者的影像和病理资料。记录患者的免疫组化指标:雌激素受体（Estrogen receptor,ER）、孕激素受体（Progesterone receptor,PR）、类表皮生长因子受体2（Human epidermal growth factor receptor 2,HER-2）和细胞增殖核抗原（Nuclear-associated antigen,Ki-67）的表达状态,依据Miller-Payne分级系统将患者分为病理完全缓解组（n=42）和非病理完全缓解组（n=87）,并按照7:3的比例分为训练组（n=88）和验证组（n=41）。使用Ma Zda软件对NAC 4周期后的DCE-MRI图像勾画肿瘤区,软件自动提取感兴趣区的一阶统计特征、绝对梯度、灰度共生矩阵、游程长度矩阵、小波特征、自回归模型六大类影像组学特征,共计386个特征参数,应用最小绝对收缩与选择算子（LASSO）算法、以十折交叉验证方法筛选最优特征参数建立影像组学标签。采用受试者工作曲线（ROC）对标签的预测性能进行评价;对临床病理特征进行单因素Logistic回归分析,联合影像组学标签建立预测模型并绘制列线图,通过绘制校正曲线评估其标定,计算出预测模型的AUC、敏感性、特异性。最后采用决策分析曲线评价列线图的临床净获益情况。结果:129例患者的平均年龄（60.3±5.3）岁,从DCE-MRI序列中共提取出386个特征参数,利用LASSO算法筛选出9个最优特征构建影像学标签,训练组和验证组的AUC分别为0.746和0.779。训练组中,p CR组和non-p CR组的影像组学分数、病理分期、ER和PR表达状态的差异具有统计学意义（P<0.05）;年龄、绝经状态、HER-2和Ki-67表达状态的差异不具有统计学意义（P>0.05）。联合病理分期、PR和影像组学标签构建的训练组预测模型的AUC、敏感性、特异性分别为0.895、88.89%和83.33%,验证组预测模型的AUC、敏感性、特异性分别为0.887、83.33%和86.67%。决策曲线显示影像组学列线图在14%-100%阈值范围内表现出良好的临床应用效能。结论:基于DCE-MRI图像提取的9个组学特征在化疗早期可以较好的预测乳腺癌NAC疗效,基于影像组学标签和临床、病理特征构建的列线图可以作为一种量化工具对乳腺癌NAC的病理反应进行预测,这种无创性的方式为指导临床医师制定个性化治疗方案提供了一种新的医学途径。