摘要目的:探讨基于CT影像组学构建的逻辑回归模型及深度学习模型预测胃癌隐匿性腹膜转移(OPM)的价值.方法:回顾性将2016年1月—2023年8月在本院经组织病理学检查证实的133例胃癌患者(OPM组68例,非OPM组65例)纳入本研究,并按照7∶3的比例随机分为训练集(n=94)和验证集(n=39).所有患者术前行腹部CT平扫及多期增强扫描.基于静脉期CT增强图像,分别对肿瘤和腹膜下脂肪组织(SAT)逐层手动勾画ROI并融合成相应容积感兴趣区(VOI),采用Python软件提取手工影像组学(HCR)特征和深度学习影像组学(DLR)特征.然后,依次对肿瘤和SAT的HCR、DLR及HCR-DLR特征进行降维、建立影像组学标签并构建模型.采用多因素logistic回归分析基于组间比较P＜0.05的临床资料、CT特征构建临床-CT征象模型,并基于临床-CT征象模型及表现最优的影像组学标签(HCR-DLR标签)分别构建肿瘤和SAT的联合模型,绘制最优联合模型(SAT)的列线图.利用受试者工作特征(ROC)曲线评价模型的预测效能,应用决策曲线分析(DCA)评估模型的临床应用价值.结果:临床-CT征象模型、肿瘤-HCR模型、肿瘤-DLR模型、肿瘤-HCR-DLR模型、SAT-HCR模型、SAT-DLR模型、SAT-HCR-DLR模型和SAT联合模型在训练集中的AUC分别为0.78(95％CI:0.68～0.87)、0.88(95％CI:0.82～0.95)、0.90(95％CI:0.84～0.96)、0.92(95％CI:0.87～0.98)、0.88(95％CI:0.81～0.95)、0.91(95％CI:0.85～0.96)、0.92(95％CI:0.87～0.97)和 0.94(95％CI:0.89～0.98);在验证集中的 AUC 分别为 0.77(95％CI:0.62～0.93)、0.83(95％CI:0.69～0.97)、0.88(95％CI:0.78～0.99)、0.89(95％CI:0.78～1.00)、0.84(95％CI:0.71～0.97)、0.86(95％CI:0.74～0.98)、0.88(95％CI:0.76～1.00)和 0.89(95％CI:0.78～0.99).DCA 显示,SAT 联合模型的临床获益高于临床-CT征象模型.结论:基于肿瘤和SAT的CT影像组学模型对胃癌患者隐匿性腹膜转移均具有较高的预测效能;除HCR模型外的各种影像组学模型的预测效能均显著优于临床-CT征象模型,以SAT联合模型的临床获益最优.