The prediction of refractory Mycoplasma pneumoniae pneumonia (RMPP) remains a clinically significant challenge. This study aimed to develop an early predictive model utilizing artificial intelligence (AI)-derived quantitative assessment of lung lesion extent on initial computed tomography (CT) scans and clinical indicators for RMPP in pediatric inpatients. A retrospective cohort study was conducted on patients with M. pneumoniae pneumonia (MP) admitted to the Children's Hospital of Nanjing Medical University, China from January 2019 to December 2020. An early prediction model was developed by stratifying the patients with Mycoplasma pneumoniae pneumonia (MPP) into two cohorts according to the presence or absence of refractory pneumonia. A retrospective cohort of 126 children diagnosed with Mycoplasma pneumoniae pneumonia (MPP) was utilized as a training set, with 85 cases classified as RMPP. Subsequently, a prospective cohort comprising 54 MPP cases, including 37 instances of RMPP, was assembled as a validation set to assess the performance of the predictive model for RMPP from January to December 2021. We defined a constant Φ which can combine the volume and CT value of pulmonary lesions and be further used to calculate the logarithm of Φ to the base of 2 (Log