目的：建立基于PET/MR多模态影像组学机器学习模型预测局部晚期子宫颈鳞癌同步放化疗的早期疗效。研究方法：154例局部晚期宫颈鳞癌患者被纳入研究,并于根治性同步放化疗前行PET/MR扫描。GE Signa PET/MR一体机扫描109例患者按7:3随机分成训练集和验证集;飞利浦Ingenuity TF PET/MR分体机扫描45例患者作为组外测试集。根据患者外照射治疗后肿瘤残余灶>7.5cm3为早期疗效不明显组,肿瘤残余体积≦7.5cm3则为早期疗效明显组。分别人工逐层勾画PET、MR-T2及MR-T1序列肿瘤原发灶感兴趣区,使用AK软件提取影像组学特征。最大相关最小冗余（m RMR）及LASSO算法被用于影像组学特征降维,并分别计算PET影像组学评分（Rad-scorePET）,MR影像组学评分（Rad-scoreMR）以及PET/MR影像组学评分（Rad-scorePET/MR）。训练集使用逻辑回归算法建立PET、MR、PET/MR及联合临床病理信息与PET/MR影像组学的联合模型,验证集和组外测试集使用模型进行预测。Kruskal Wallis秩和检验及皮尔森卡方检验（Pearson’s chi-squared test）测试临床病理信息于训练集和验证集分布是否具有统计学差异。使用Wilcoxon rank-sum test分析三种数据集中GER患者及NGER患者的Rad-scorePET,Rad-scoreMR和Rad-scorePET/MR分布差异。ROC曲线及决策曲线评价模型预测效能。Delong test进行ROC曲线配对比较。结果：秩和检验及卡方检验结果显示训练集和验证集随机抽取的患者临床病理特征在两数据集分布均衡（P>0.05）.而NGER患者的Rad-scorePET/MR在训练集和组外测试集中均高于GER患者（P值分别为<0.001,0.004）,但在验证集中两者之间没有明显统计学差异（p>0.05）.PET/MR模型在训练集（AUC=0.906,P<0.001）和组外测试集（AUC=0.880,P<0.001）中AUC值均高于PET模型（AUCs:0.793,0.691,P<0.001）和MR（AUCs:0.901,0.776,P<0.001）模型。决策曲线显示PET/MR联合临床病理信息模型在训练集、验证集和组外测试集患者净受益均最高且稳定。结论：基于PET/MR的多模态影像组学模型可以预测局部晚期子宫颈鳞癌同步放化疗早期疗效,为临床调整放疗剂量、改进放疗增敏药物以及联合辅助治疗提供新的工具,并且联合临床病理信息的模型鲁棒性更高。同步放化疗早期疗效非显著的患者其PET/MR多模态影像组学评分（Rad-scorePET/MR）明显高于早期疗效显著的患者。