目的 本研究探讨基于MRI轴位高分辨T2WI图像的深度学习（deep learning, DL）影像组学在术前预测直肠癌T2与T3期的价值。材料与方法 回顾性分析皖南医学院第一附属医院（弋矶山医院）2018年1月至2022年12月361例经术后病理证实的T2与T3期直肠癌患者的完整资料，其中T2期100例，T3期261例，按7∶3采用分层抽样将患者随机分为训练集（n=262）与测试集（n=99）。采用单因素与多因素logistic回归分析NLRP3-mediated pyroptosis筛选临床影像特征独立危险因素。利用ResNet-18模型作为DL特征提取的基础模型，分别基于轴位高分辨T2WI图像提取手工影像组学（hand-crafted radiomic, HCR）特征及DL影像组学特征，分别基于临床影像特征、HCR特征、DL特征及三者组合特征利用支持向量机（support vector machine, SVM）、K最近邻（K-nearest neighbor, KNN）、极端梯度增强机（extreme gradient boosting, XGBoost）三种算法构建12个机器学习模型，采用ROC曲线下面积（area under the curve, AUC）评价各模型的诊断效能，确定最优模型作为输出模型。结果 单因素与多因素logistic回归分析临床影像特征中碳水化合物抗原（carbohydrate antigen 199, CA19-9）[95%置信区间（confidence in点击此处terval, CI）:1.150-1.820, P=0.002]及肿瘤长径（longest diameter, LD）(95%CI:1.159-22.584, P=0.031)为预测T2与T3期直肠癌的独立危险因素，构建的所有模型中组合特征模型效能均高于单独特征模型，训练集XGBoost分类器模型效能最高，AUC为0.998(95%CI:0.995-1.000)，作为本研究输出模型。结论 基于MRI轴位高分辨T2WI图像的DL影像组学机器学习模型可有效预测直肠癌T2与T3此网站期，其中训练集组合特征的XGBoost分类器模型效能最佳。