摘要目的 探讨基于多参数磁共振成像(magnetic resonance imaging,MRI)的影像组学模型对非肿块型乳腺癌和非哺乳期乳腺炎(non-lactating mastitis,NLM)的鉴别诊断价值.材料与方法 回顾性收集2020年6月至2024年6月于新疆医科大学附属中医医院经病理证实为非肿块型乳腺癌和NLM的患者MRI资料共193例,其中非肿块型乳腺癌100例,NLM 93例.两组患者病灶总数 225个,其中乳腺癌 110个(48.89%),NLM 115个(51.11%).按 7∶3随机划分为训练集(157例)和测试集(68例),采用支持向量机(support vector machines,SVM)机器学习算法对动态增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)第1、4、7期(即CE1、CE4、CE7)、T2加权成像(T2-weighted imaging,T2WI)和扩散加权成像(diffusion weighted imaging,DWI)这5个序列的数据分别构建单序列模型、多参数MRI模型,并联合5个序列数据和临床特征建立融合模型,通过受试者工作特征(receiver operating characteristic,ROC)曲线、校准曲线、决策曲线分析(decision curve analysis,DCA)评价不同模型的性能,并使用SHAP图形对模型进行解释及可视化.结果 单序列模型进行对比,CE1、CE4、CE7、T2WI和DWI序列在测试集的曲线下面积(area under the curve,AUC)分别为0.768、0.804、0.746、0.769、0.812,DWI在测试集的AUC最高,其次是CE4;多参数MRI模型在测试集的AUC为0.840(95%置信区间:0.749～0.932)],而融合模型在测试集的AUC为0.866(95%置信区间:0.783～0.948),与CE1、CE4、CE7、T2WI单序列模型相比差异均有统计学意义(P<0.01).结果 显示,融合模型的准确度最高(77.94%);融合模型敏感度最高(90.00%);融合模型和CE4序列的特异度最高(均为68.42%).结论 多参数MRI联合临床特征的融合模型准确度、敏感度和特异度较高,与单序列模型、多参数MRI模型相比预测性能更优,可以为非肿块型乳腺癌和NLM的鉴别诊断提供较高价值.