目的 建立基于MRI术前子宫内膜癌（endometrial cancer,EC）的分子亚型的生境影像组学预测模型。方法回顾性收集2家医学中心经病理证实的EC患者，分别纳入训练组（n=270）和测试组（n=70）。所有患者均进行了术前MRI及病理组织学和分子亚型诊断。首先根据扩散加权成像（diffusion-weighted imaging,DWI）和对比增强（contrast enhancement,CE）图像对肿瘤进行生境亚区域分区，随后从T1加权成像（T1-weighted imaging,T1WI）、T2加权成像（T2-weighted imaging,T2WI）、DWI和CE图像的不同亚区域提取生境影像组学特征。应用3种机器学习分类器，包括逻辑回归、支持向量机和随机森林，分别建立预测p53异常型EC的模型并进行效能验证，表现出最佳综合预测性能的模型被选为生境影像组学模型。采用相同程序，建立基于T1WI、T2WI、DWI和CE共4个序列的全区域影像组学模型及临床模型。采用受试者工作特性曲线评估模型的效能，使用DeLong检验比较模型的差异。使用决策曲线分析评价模型应用的临床收益。结果 经特征选择后保留8个生境影像组学特征建立生境影像组学模型、10个全区域影像组学特征建立影像组学模型和3个临床特征建立临床模型。生境影像组学模型曲线下面积（area under the curve,AUC）最高，分别为0.855(0.788～0.922，训练集)和0.769(0.631～0.907，验证集)。DeLong检验显示训练集的生境影像组学模型效能优于全区域影像组学模型（P=0.001），但测试集差异不显著（P=0.543）；两组生境影像组学模型效能均优于临床模型（P=0.007，训练集；P=0.038，验证集）。DCA曲线显示该模型在阈值概率0.2～0.8之间均可对临床诊断提供收益。结论 基于MRI的生境影像组学模型可以较准确地预测p53异常型的EC，效能优于全区域影像组学和临床模型，有助于术前EC的无创性分子亚型分型。