摘要目的:建立临床-CT影像组学列线图模型并验证其在术前预测胃肠道间质瘤(GIST)危险度分级的应用价值.方法:回顾性搜集266例经病理证实的GIST患者,并将其分为低恶性风险组和高恶性风险组.提取10个临床及CT图像特征(年龄、性别、肿瘤部位、大小、形态、边界、囊变或坏死、钙化、表面溃疡、强化方式)用于构建临床模型.对病例的CT图像分别特征提取,并分为平扫期(N)、动脉期(A)、静脉期(V)及影像3期(N+A+V)4组,对上述4组通过select percentile和最小绝对收缩与选择算子(LASSO)算法降维、筛选组学特征后,分别使用5种分类器(Random Forest、Logistic Regression、SVM、SGD、XGBoost)建立各期组学模型.采用受试者工作特征(ROC)曲线下面积(AUC)进行量化.使用Delong检验比较各模型间AUC值差异,得到最佳影像组学模型.然后组合临床模型和最佳影像组学模型建立临床-CT影像组学列线图模型.结果:肿瘤大小、部位、形态、边界、强化方式及有无囊变坏死在两组中有统计学差异(P<0.05),年龄、性别、有无钙化及溃疡在两组中无统计学差异(P>0.05).肿瘤大小和强化方式2个临床特征LASSO权重系数最高分别为0.08、0.20,临床模型基于XGBoost分类器诊断效能最高,测试组AUC值为0.91(95％CI:0.83～0.96),平扫期组学模型基于SGD分类器诊断效能最高,测试组AUC值为0.84(95％CI:0.75～0.92),动脉期组学模型基于SVM分类器诊断效能最高,测试AUC值为0.87(95％CI:0.80～0.94),静脉期组学模型基于Random Forest分类器诊断效能最高,AUC值为0.84(95％CI:0.75～0.93),影像3期组学模型基于XGBoost分类器诊断效能最高,AUC值为0.88(95％CI:0.79～0.94),基于XGBoost分类器构建的临床-CT影像3期(N+A+V)的联合模型最佳,训练组和测试组的AUC分别达0.98(95％CI:0.97～0.99)、0.95(95％CI:0.89～0.98).结论:临床-CT影像组学列线图模型在术前预测GIST的危险度分级上具有较高价值,从而为GIST的诊疗及预后判断提供参考.