简介：摘要目的探讨基于早期动态增强MRI（DCE-MRI）瘤内及瘤周的影像组学模型鉴别乳腺影像报告和数据系统（BI-RADS）4类肿瘤良性与恶性的价值。方法回顾性分析蚌埠医学院第一附属医院2016年1月至2020年12月经乳腺MR检查诊断为BI-RADS 4类且有明确病理诊断结果的191例乳腺肿瘤患者，其中良性77例，恶性114例，年龄23~68（46±10）岁。选取DCE-MRI第二期图像上病灶最大层面勾画感兴趣区，并自动适形外扩5 mm，提取瘤内及瘤周影像组学特征。将纳入病例按8∶2的比例随机分为训练集和测试集，通过统计和机器学习方法降维，保留纳入模型的最优特征，采用logistic回归作为分类器，分别建立瘤内、瘤周、瘤内联合瘤周影像组学模型；通过单因素和多因素logistic回归，筛选出能够预测乳腺肿瘤良性与恶性的独立危险因素作为临床、影像特征，建立临床、影像模型；最终瘤内及瘤周影像组学特征联合临床、影像特征建立三者联合模型。采用受试者操作特征曲线（ROC）分析各模型的预测效能并计算曲线下面积（AUC），AUC的比较采用DeLong检验。通过10折交叉验证检验三者联合诊断模型的稳定性，并对三者联合诊断模型绘制列线图和校准曲线将模型可视化。结果训练集中，三者联合诊断模型鉴别乳腺BI-RADS 4类肿瘤良性与恶性的AUC明显高于瘤内影像组学模型（Z=3.38，P<0.001）、瘤周影像组学模型（Z=4.01，P<0.001）、瘤内联合瘤周影像组学模型（Z=3.11，P=0.002）、临床及影像特征模型的AUC（Z=3.24，P=0.001）；三者联合诊断模型的AUC、灵敏度、特异度、准确度、F1分数分别为0.932、91.2%、86.9%、87.0%、0.89。测试集中，三者联合诊断模型也具有最高的AUC值（0.875），诊断灵敏度、特异度、准确度、F1分数分别为95.7%、62.5%、76.9%、0.82。通过10折交叉验证得到的AUC为0.90（0.85~0.92）。校准曲线中三者联合诊断模型的预测曲线与理想曲线一致性较好。结论基于早期DCE-MRI瘤内及瘤周影像组学特征联合临床、影像特征建立的三者联合诊断模型在鉴别乳腺BI-RADS 4类肿瘤良性与恶性中具有较好的性能和稳定性，能够无创地为临床决策提供指导。