目的:构建基于多模态MRI图像的影像组学及深度学习模型,评估不同模型对肝纤维化分期的价值。材料与方法:1.回顾性收集经病理证实为肝纤维化,并行肝脏3.0T MRI检查的患者224例,肝纤维化分期S0期7例,S1期107例,S2期62例,S3期29例,S4期19例,随机分为训练集和测试集。在MRI图像肝右叶勾画感兴趣区,并提取影像组学特征。在训练集中,采用双样本t检验、LASSO、Spearman相关性分析筛选特征,运用径向基核函数支持向量机（SVM＿RBF）、线性核支持向量机（SVM＿Linear）、随机森林（RF）算法构建基于T1WI、T2WI、ADC图及联合序列的影像组学模型,在测试集中采用受试者操作特征曲线（ROC）评价不同影像组学模型对无显著肝纤维化（S0-1）、显著肝纤维化（S2-4）的预测性能,并比较模型与超声瞬时弹性成像（Fibroscan）、血清学指标（APRI、FIB-4）对肝纤维分期的性能。最后,结合影像组学特征和临床指标,建立列线图模型。2.收集行肝脏3.0T MRI检查224例肝纤维化患者的T1WI、T2WI、ADC图像,按8:2比例随机分为训练集和测试集。对图像进行预处理后,应用训练集图像对模型进行迭代训练网络结构,建立3D-CNN深度学习模型对无显著肝纤维化（S0-1）、显著肝纤维化（S2-4）进行分类。经过优化的CNN由三个卷积层、三个池化层和两个全连接层组成。训练完成后,用测试集数据对CNN模型进行测试,使用ACC、LOSS函数及ROC曲线评价模型的性能。结果:1.基于T1WI序列影像组学模型测试集中AUC分别为:SVM＿RBF0.88;SVM＿Linear 0.80;RF 0.70。基于T2WI序列影像组学模型测试集中AUC分别为:SVM＿RBF 0.86;SVM＿Linear 0.77;RF 0.69。基于ADC图影像组学模型测试集中AUC分别为:SVM＿RBF 0.83;SVM＿Linear 0.73;RF 0.64。基于联合序列影像组学模型测试集中AUC分别为:SVM＿RBF 0.94;SVM＿Linear 0.89;RF 0.79。基于联合序列的模型有最高分类性能（P<0.05）。基于SVM＿RBF及SVM＿Linear分类器模型的诊断效能高于Fibroscan（AUC=0.76）,所有组学模型的诊断效能均高于血清学指标APRI（AUC=0.60）、FIB-4（AUC=0.57）。联合Radscore及Fibroscan建立了基于不同序列的列线图模型,用于肝纤维化个体化评估。2.基于多模态MRI的3D-CNN深度学习模型在训练集中对肝纤维化分类的AUC值为0.94,在测试集中的AUC为0.98。结论:1.基于T1WI、T2WI及ADC图的影像组学模型有助于肝纤维化的分类诊断,联合多参数图像建模可进一步提升预测效能。此外,影像组学列图可以更直观、个体化的评估肝纤维化。2.多模态3D-CNN深度学习模型可对无显著肝纤维化和显著肝纤维化进行分类,为肝纤维化的无创性诊断提供了另一种选择。