目的 探讨基于磁共振高分辨率增强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非特殊型浸润性乳腺癌组织分级的价值。材料与方法 回顾性收集2019年1月至2023年12月154例非特殊型浸润性乳腺癌患者的临床-病理-影像学资料，根据病理活检结果将Ⅰ级、Ⅱ级纳入低级别组和Ⅲ级纳入高级别组。按7∶3比例随机分为训练组（n=107）和验证组（n=47）。利用3D slicer勾画病灶边缘并提取影像组学特征。通过多因素分析筛选影像组学特征。通过随机森林（random forest, RF）、logistic回归建立影像组学特征模型，采用logistic回归建立临床模型、影像学模型，以及影像学-临床-影像组学特征联合模型。采用受试者工作特征（receiver operating characteristic, ROC）曲线下面积AUC(area under the curve, AUC)、准确率评估模型的效能，模型比较采用DeLong检验。通过SHAP分析可视化特征在模型中的贡献度和重要性。结果 孕激素受体（progesterone receptor, PR）、肿瘤边界、细胞增殖因子（Ki-67）、雌激素受体（estrogen receptor, ER）在低级别组和高级别组之间差异有统计学意义（P(0.05）。基于影像学-临床-影像组学特征的联合模型术前预测浸润性乳腺癌组织分级的AUC值最高，在训练组和验证组的AUC分别为0.807(95%CI:0.723～0.891)、0.890(95%CI:0.795～0.984)。两种独立的影像组学特征模型中，logistic影像组学模型无明显过拟合，在训练组和验证组的AUC分别为0.750(95%CI:0.655～0.846)、 0.801 (95%CI:0.667～0.936)。临床模型、影像学模型在训练组的AUC分别为0.661 (95%CI:0.551～0.771),0.600 (95%CI:0.493～0.706)，在验证组的AUC分别为0.789 (95%CI:0.645～0.933),0.708 (95%CI:0.565～0.850)。结论联合模型术前预测非特殊型浸润性乳腺癌分级的效能较好，可为临床术前治疗乳腺癌提供一定指导。