目的：胎盘植入谱系疾病（Placenta Accreta Spectrum, PAS）是严重的产科并发症，准确的产前诊断与风险分层对PAS的管理至关重要。本研究旨在结合深度学习超分辨率重建（Super-Resolution Reconstruction, SR）技术与放射组学，以提高放射组学模型在PAS及其侵袭性预测中的效能。并通过Shap值量化各特征对预测结果的具体贡献，增强模型的可解释性。

方法：本研究纳入了245名在三家医院接受胎盘MRI检查的患者，并将机构1患者按7:3比例划分为训练集和测试集，机构2及3作为外部验证集。使用生成对抗网络进行超分辨率重建，生成高分辨率的T2WI图像（SRT2WI）。基于T2WI、SRT2WI以及结合临床特征的SRT2WI-Clinical模型，构建了PAS及侵袭性PAS的预测模型。并使用受试者工作特征曲线和曲线下面积（AUC）评估模型性能。Shap值用于增强模型的可解释性。

结果：在PAS预测中，SRT2WI模型较T2WI模型表现出更优的预测效能。T2WI模型在训练集、测试集、外部验证集1及外部验证集2的AUC分别为0.738、0.697、0.654和0.652；SRT2WI模型的AUC分别为0.879、0.820、0.696和0.768，接近高年资放射科医生的诊断水平。结合前置胎盘这一临床特征后的SRT2WI-Clinical模型在各数据集的AUC分别提升至0.953、0.887、0.793和0.788。在侵袭性PAS预测中，T2WI模型的AUC分别为0.774、0.699、0.575和0.745；SRT2WI模型的AUC分别为0.861、0.794、0.729和0.808；结合临床特征的SRT2WI-Clinical模型在各组数据集中的AUC值进一步提高至0.895、0.875、0.843和0.815。

结论：超分辨率重建技术结合放射组学有效提高了PAS及其侵袭性预测的准确性，整合临床特征后，模型的性能进一步提升，展现出显著的临床应用潜力。Shap值的引入增强了模型的可解释性，为临床医生提供了对模型决策过程的清晰理解。