摘要目的 探讨基于动态对比增强(dynamic contrast enhanced,DCE)及高分辨率延迟期图像的夏普利加性解释(SHapley Additive exPlanations,SHAP)机器学习模型术前预测浸润性乳腺癌luminal和非luminal分型的价值.材料与方法 回顾性收集182例经病理证实为非特殊型浸润性乳腺癌患者的临床-病理-影像资料,依据病理结果分为luminal组(121例)和非luminal组(61例).利用3D slicer软件在浸润性乳腺癌患者的DCE及高分辨率延迟期乳腺MRI影像上,勾画病灶边缘并提取影像组学特征.按7∶3比例随机分为训练集和测试集.采用单因素t检验或者U检验、最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)筛选特征.通过logistic、支持向量机(support vector machine,SVM)、AdaBoost算法分别建立临床模型、影像组学模型、联合模型.并通过受试者工作特征曲线下面积(area under the curve,AUC)、准确率、敏感度、特异度评估模型的效能,模型预测效能的比较采用DeLong检验.通过SHAP分析可视化特征在模型中的贡献.结果 组织学分级、糖类抗原-125在两组之间差异有统计学意义(P<0.05).经过降维后DCE和高分辨率延迟期图像分别剩余2个和4个最佳影像组学特征.基于DCE特征-高分辨率延迟期特征-临床特征的logistic、SVM、AdaBoost联合模型效能较好,在训练集的AUC分别为0.854、0.853、0.962,准确率分别为:71.8%、75.1%、89.4%,敏感度分别为:74.0%、77.3%、85.1%,特异度分别为:69.7%、72.9%、93.6%;在测试集的AUC分别为0.828、0.836、0.802,准确率分别为72.5%、76.3%、72.5%,敏感度分别为:74.1%、77.0%、71.8%,特异度分别为67.5%、74.5%、73.5%.logistic、AdaBoost的联合模型在训练集及测试集之间差异有统计学意义(P值分别为:P=0.044,P<0.001).SVM的联合模型在训练集和测试集之间差异无统计学意义(P=0.277).在测试集,SVM的联合模型优于SVM的临床模型,两者之间差异有统计学意义(P<0.001).结论 可解释性机器学习模型可术前预测浸润性乳腺癌luminal和非luminal分型,对患者制订个性化治疗方案和预后评估有着重要的临床应用价值.