目的:探讨基于磁共振高分辨率增强延迟期图像的不同特征数的机器学习模型在术前预测肿块型浸润性乳腺癌脉管侵犯(lymphovascular invasion,LVI)的价值。方法:利用3Dslicer软件勾画浸润性乳腺癌患者的病灶靶区，采用一致性检验评价两位医师靶区勾画。采用套索算法和递归特征消除选择8个、16个、24个特征子集。通过决策树(decision tree,DT)、支持向量机(support vector machine,SVM)和Logistic回归算法建立基于不同特征子集的模型。并通过准确率、马修斯相关系数(matthews correlation coefficient,MCC)、F1值、AUC评估模型的预测效能。结果:共收集非特殊型肿块型浸润性乳腺癌患者的磁共振高分辨率增强延迟期图像120例，按照6.9∶3.1的比例随机分为训练组83例和验证组37例。从靶区中共提取了107个特征，一致性检验后剩余81个特征。3种不同特征数下的SVM、Logistic回归、DT模型中，基于24个影像组学特征的SVM模型预测效能较好，在验证组的AUC、准确率最高，其值分别为0.915(95%CI:0.658～0.957)、0.838,F1值为0.769,MCC值为0.697。基于8个特征数的Logistic回归模型在训练组和验证组中的表现较稳定，其在训练组的AUC为0.790(95%CI:0.715～0.865)，在验证组的AUC为0.762(95%CI:0.536～0.916)。DT模型在训练组及验证组中，随着特征数变化AUC变化不明显，基于8、16、24个影像组学特征的DT模型在训练组的AUC分别为0.927(95%CI:0.884～0.970)、0.919(95%CI:0.871～0.965)、0.919(95%CI:0.871～0.965)，在验证组的AUC分别为0.785(95%CI:0.641～0.929)、0.783(95%CI:0.638～0.928)、0.783(95%CI:0.638～0.928)。结论:基于磁共振高分辨率增强延迟期的SVM模型可术前预测乳腺癌LVI状态，并为临床个体化治疗提供一定的指导。