目的:乳腺癌患者的前哨淋巴结(sentinel lymph node,SLN)状态为指导治疗决策提供了一个有价值的预后因素。本研究旨在探讨基于临床分期CT的深度学习标签在术前无创预测乳腺癌SLN转移的价值。方法:本研究回顾性收集2016年1月至2018年12月行术前多排螺旋CT胸部增强扫描并经病理证实的浸润性乳腺癌患者348例,将其按时间分为训练组184例(2016年1月2017年3月)和验证组164例(2017年4月-2018年12月)。基于训练组病例在CT动脉期增强图像上肿瘤最大层面的感兴趣区域提取深度特征,通过特征筛选并经logistic回归构建深度标签预测SLN转移状态及数目(1-2个或2个以上)。在训练组中评估深度学习标签术前预测乳腺癌SLN转移的效能,分别通过受试者工作特征(receiver operating characteristic,ROC)曲线、校准曲线及决策曲线分析评估深度学习标签的辨别度、校准度及临床实用价值,最后在验证组中验证其效能。结果:在训练组中最终筛选出10个关键特征用于构建预测SLN转移的深度学习标签。该深度学习标签曲线下面积(area under cruve,AUC)在训练组为0.801(95%置信区间[confidence interval,CI]:0.736-0.867),在验证组为 0.817(95%CI:0.751-0.884),显示了良好的辨别度、校准度及临床实用价值。为了进一步区分转移SLN的数目(1～2个或2个以上),我们还构建了另一个深度学习标签,预测SLN的转移数目的深度学习标签也表现出较好的预测效能,在训练组中AUC值为0.777(95%CI:0.660-0.895),在验证组中 AUC 值为 0.770(95%CI:0.611-0.929)。结论:本研究构建并验证了基于临床分期CT乳腺癌病灶的深度学习标签,对于术前预测乳腺癌患者的SLN转移状态和数目(1～2个或2个以上)具有较好的预测价值,可作为一种非侵入性方法来协助临床医生预测乳腺癌患者的SLN转移风险。