文摘目的:探讨SHAP值在极端梯度提升(Extreme gradient boosting,XGBoost)MRI模型中鉴别腮腺恶性肿瘤(Malignant tumor,MT)与Warthin瘤(Warthin tumor,WT)的价值。方法:回顾分析经手术病理证实的22例22枚MT和38例51枚WT的MRI资料,分析瘤体形态、位置和强化方式,以及T_(1)WI、T_(2)WI、FS-T_(1)WI、FS-T_(2)WI影像征象,经单因素分析筛选有统计学意义的征象,纳入XGBoost模型,使用受试者工作特征曲线下面积(Area under the curve,AUC)、敏感度、特异度评价模型诊断效能。通过可解释机器学习模型(Shapley additive explanations,SHAP)值对模型进行分析,明确各MRI征象在模型中的权重。结果:22枚MT和51枚WT中,持续性强化(P<0.05)、形态不规则(χ^(2)=20.707,P<0.05)、非尾叶(χ^(2)=8.911,P<0.05)、T_(2)WI高信号(χ^(2)=7.581,P<0.05)、FS-T_(1)WI等低信号(P<0.05)、FS-T_(2)WI高信号(χ^(2)=9.016,P<0.05)对鉴别两者有统计学意义,且均更常见于MT中。将6项单因素纳入XGBoost模型分析得出AUC为0.847,敏感度为77.3%,特异度为92.2%;6种MRI征象绝对平均SHAP值为0.21~0.99,其中形态不规则权重最大。结论:形态不规则、T_(2)WI高信号、持续性强化、FS-T_(2)WI高信号、非尾叶、FS-T_(1)WI等低信号对MT和WT鉴别的权重存在差异,对各MRI征象的准确识别,有利于对两者精准诊断。