摘要目的:探讨基于对比增强能谱乳腺X线摄影(CESM)的机器学习模型在乳腺影像报告和数据系统(BI-RADS)4类病灶良恶性鉴别中的诊断价值.方法:回顾分析2019年3月至2023年4月期间120例经超声初诊为BI-RADS 4类并接受CESM检查的患者(共计135枚病灶,其中良性61枚,恶性74枚).以病理诊断为金标准,通过组间比较分析(t检验、χ2检验及Fisher精确概率法)筛选具有鉴别意义的影像特征,采用LASSO回归(10折交叉验证)进行特征降维.构建极端梯度提升树(XGBoost)模型,学习率 0.01.模型效能通过受试者工作特征曲线下面积(AUC)、灵敏度(Sen)、特异度(Spe)、阳性预测值(PPV)和阴性预测值(NPV)进行量化,并与超声和乳腺X线BI-RADS分类进行比较.使用Hosmer-Lemeshow检验模型校准.结果:乳腺X线BI-RADS 4类评分、内外斜位相对强度、年龄、病灶大小是鉴别乳腺BI-RADS 4类病灶良恶性的重要因子并最终纳入CESM-ML模型.CESM-ML模型鉴别BI-RADS 4类病灶的AUC达0.912(95%CI:0.861～0.963),敏感度为87.8%,特异度为83.6%,阳性预测值(PPV)为93.2%.与超声BI-RADS相比,模型显著提升特异度(83.6%vs.62.3%,P=0.022)和PPV(93.2%vs.74.4%,P=0.021),敏感度差异无统计学意义(87.8%vs.90.5%,P=0.060);较X线BI-RADS分类,模型在敏感度(+5.0%,P=0.041)、特异度(+13.1%,P=0.018)及PPV(+14.9%,P=0.032)方面均具有显著优势.模型校准度良好(P=0.412).结论:本研究构建的CESM-ML模型显著提高BI-RADS 4类病灶的鉴别诊断效能,为乳腺病灶精准管理提供新策略.