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。