目的 探索乳腺癌不同分子亚型及受体表达的X线特征。材料和方法 回顾分析439例乳腺癌患者,根据病理结果分析不同分子亚型及受体表达的X线及临床特征。结果 Luminal A型出现毛刺肿块、钙化分数<9分比例皆大于其它三种分子亚型（P<0.0083）;HER2过表达性型表达钙化及钙化分数≥9分比例皆大于其它三种分子亚型（P<0.0083）,肿块长径最大,与Luminal B型及Luminal A型存在统计学差异;三阴性型Ki-67值皆大于其它三种分子亚型（P<0.0083）;非毛刺肿块与高级别导管癌比例最高,与Luminal A型及Luminal B型同时存在统计学差异。ER和（或）PR受体阳性组无绝经、毛刺肿块及钙化分数<9分的比例大于ER和PR受体全阴组（P<0.05）;HER2受体阳性组高级别导管癌、钙化、钙化分数≥9分、肿块长径≥2cm比例大于HER2受体阴性组（P<0.05）;Ki-67≥20%组高级别导管癌、无毛刺肿块及钙化分数≥9分的比例大于Ki-67<20%组（P<0.05）。结论 乳腺癌不同分子亚型及受体表达在X线及临床特征上存在一定相关性,可为临床诊断与治疗方案的选择提供一定依据。目的 探索从全数字化乳腺摄影（FFDM）、数字三维断层摄影（DBT）提取的定量放射学特征及与单纯影像学特征结合在乳腺癌分子亚型中的预测价值。材料 和方法回顾分析207例乳腺癌患者,包括Luminal A型30例,Luminal B型121例,三阴性型30例,HER2过表达型26例。在X线图像中对病灶进行勾勒及标注,提取100个定量放射特征,包括形态学、灰度统计和纹理特征。数据集随机分配到训练集和测试集,比例为7:3。采用Logistic后向回归方法和最优子集方法选择放射组学特征。采用多项logistic回归建立分类模型。结果 从FFDM提取的定量放射学特征预测HER2过表达型性能最好,训练集及测试集曲线下面积（AUC）分别为0.796和0.748;从DBT提取的定量放射学特征预测三阴性型性能最好,训练集及测试集AUC分别为0.749和0.776;FFDM+DBT综合提取的定量放射学特征预测Luminal A、Luminal B、三阴性及HER2过表达型训练集AUC分别为0.913、0.740、0.841、0.896,测试集AUC分别为0.741、0.532、0.867、0.765;FFDM+DBT综合提取的定量放射学特征与单纯影像特征结合预测Luminal A、Luminal B、三阴性及HER2过表达型训练集AUC分别为0.956、0.803、0.889、0.931,测试集AUC分别为0.746、0.569、0.808、0.800。结论 通过提取X线定量放射学特征预测乳腺癌分子亚型是可行的;FFDM+DBT影像组学机器学习与单纯影像特征结合能进一步提高Luminal A、三阴性及HER2过表达型预测效能。