【摘要】目的：基于放射组学、深度学习、病理组学多组学分析成像表型特征与膀胱癌（BLCA）肿瘤蛋白 53（TP53）突变模式的关系。 方法：基于公共数据库下载 57 例 BLCA 患者的多组学数据。以术前动脉期 CT 提取放射组学和深度学习特征，从术后苏木精 - 伊红 染色病理图提取病理组学特征。主成分分析和 Relief 双重降维特征后，基于随机森林算法开发 TP53 突变列线图。使用受试者操作特 性曲线下面积（AUC）评估列线图的性能。结果：经过 21 个放射组学特征、9 个深度学习特征和 9 个病理组学特征降维后确定 24 个 特征开发列线图，训练队列和验证队列的曲线下面积分别为 0.95 和 0.87，准确率为 0.88 和 0.88，灵敏度为 0.87 和 0.90，特异度 为 0.88 和 0.86。结论：利用多组学成像表型信息互补作用阐明了成像表型特征与 BLCA—TP53 突变模式的关系，可作为 TP53 突变 的非侵入性替代标记，为精准医学管理提供依据。 

【关键词】膀胱癌；TP53 突变；放射组学；深度学习；病理组学；多组学分析