摘要目的 探讨多模态超声与磁共振成像(magnetic resonance imaging,MRI)特征参数构建的XGBoost模型在乳腺结节良恶性早期诊断中的价值.方法 回顾性分析 237 例经手术病理证实为乳腺癌患者的临床及术前影像学资料,根据病理检查结果分为良性结节组(n=136)和恶性结节组(n=101).绘制受试者操作特征(receiver operating characteristic,ROC)曲线并使用曲线下面积(area under the curve,AUC)评估多模态超声联合MRI对乳腺结节的诊断价值;采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)以及10 倍交叉验证筛选与乳腺癌恶性结节相关的最佳变量,并使用多因素回归分析对最佳变量进行进一步筛选;使用极端梯度提升算法(eXtreme gradient boosting,XGBoost)对筛选变量进行重要度排序并通过SHAP方法对模型进行可视化分析.结果 两组患者在常规超声、多普勒彩超特征及MRI定性参数,包括血流信号、有无微小钙化、边界、形态、内部回声、肿瘤形状、边缘、内部强化及时间-信号强度曲线(time-signal intensity curve,TIC)曲线类型间均存在差异(P＜0.05).恶性肿瘤组中剪切波弹性成像(shear wave elastography,SWE)参数——最硬和局部区域平均、最小、最大应变弹性模量和模量标准差,MRI 特征参数——容量转移常数(volume transfer constant,Ktrans)、速率常数(rate constant,Kep)和血管外细胞外间隙容积分数(extravascular extracellular volume fraction,Ve)均高于良性肿瘤组,而表观扩散系数(apparent diffusion coefficient,ADC)均低于良性肿瘤组(P＜0.05).LASSO和多因素回归筛选年龄、最大直径、ADC、Ktrans和Emax是预测乳腺结节良恶性的最佳变量,SHAP算法分析XGBoost模型各变量的决策权重,结果显示Emax、Ktrans及ADC 在XGBoost中对于预测乳腺癌恶性结节具有较高的决策权重.结论 本研究初步证明基于多模态超声(Emax)与MRI特征(Ktrans和ADC)构建的XGBoost模型在乳腺癌良恶性结节鉴别诊断中具有可行性和有效性.