目的 探讨术前增强CT影像组学特征的机器学习模型鉴别胃神经内分泌癌与胃淋巴瘤中的诊断价值。方法 选择皖南医学院第一附属医院2012年6月至2023年12月经病理诊断的162例胃肿瘤患者，其中男性109例，女性53例；年龄37～84岁，平均年龄64.38岁；肿瘤类型，胃神经内分泌癌84例，胃淋巴瘤78例。按7∶3比例分层随机分为训练集（n=114）和验证集（n=48）。基于增强CT静脉期图像提取1 037个影像组学特征，经特征筛选获得最优特征子集。分别构建自动编码器、高斯过程、线性判别分析、逻辑回归、朴素贝叶斯和支持向量机6种机器学习模型；选择验证集曲线下面积（AUC）值最高为最优组学模型，并计算最优组学评分。单因素及多因素Logistic回归筛选临床独立预测因子，结合最优组学评分建立联合模型。采用AUC评估诊断性能，DeLong检验比较模型差异，决策曲线分析（DCA）及校准曲线分别评价临床实用性与拟合度。结果 共筛选出13个关键影像组学特征。多因素分析显示年龄[比值比（OR）=0.953,95%可信区间（CI） 0.913～0.994]、位置（OR=2.733,95%CI 1.551～4.814）及密度（OR=0.224,95%CI 0.078～0.637）为临床独立预测因子。高斯过程模型在验证集AUC值最高为0.810；基于独立预测因子和最优组学评分的联合模型在训练集和验证集中均表现最优（AUC分别为0.901和0.864），显著高于高斯过程模型（训练集AUC=0.849,P=0.034）和临床模型（训练集AUC=0.805,P=0.006）。DCA显示联合模型列线图在0.15～0.95阈值概率范围内具有最高临床净获益。结论 术前增强CT影像组学特征的高斯过程机器学习模型，能准确区分胃神经内分泌癌与胃淋巴瘤；结合临床独立预测因子构建的联合模型列线图，可显著提升鉴别诊断效能，能够辅助临床制定治疗方案。
(8.0+极速模式)