摘要目的:探讨双能量CT影像组学联合不同机器学习算法在术前预测弥漫型胃腺癌中的价值.方法:回顾性分析两个医疗中心209例手术切除的进展期胃腺癌患者,分为训练集(中心1,122例)、内部验证集(中心1,5 3例)和外部验证集(中心2,34例).使用单因素逻辑回归筛选与弥漫型胃癌相关的传统特征(P＜0.1),构建临床模型.基于静脉期融合图像和碘图提取影像组学特征,采用组内相关系数(ICC＞0.8)、稳定性特征限定及LASSO方法筛选特征,应用逻辑回归(LR)、支持向量机(SVM)和随机森林(RF)3种机器学习算法分别构建影像组学模型.通过受试者操作特征(ROC)曲线、DeLong检验、校准曲线、临床决策曲线(DCA)评价预测模型效能及临床收益,并采用Shapley Additive Explanations(SHAP)方法对最优模型进行可解释性分析.结果:单因素结果显示肿瘤位置是弥漫型胃癌的预测因素,以其建立的临床模型在训练集、内部验证集、外部验证集中的AUC分别为0.599(95％CI:0.509～0.691)、0.625(95％CI:0.474～0.762)和 0.495(95％CI:0.306～0.661).从融合图像和碘图中共筛选出18个影像组学特征,以其构建的LR模型、SVM模型、RF模型在训练集中AUC分别为0.869(95％CI:0.806～0.926)、0.847(95％CI:0.772～0.916)和 0.838(95％CI:0.764～0.905),均优于临床模型(P＜0.05),其中LR模型预测效能最佳;内部验证集中LR模型AUC为0.833(95％CI:0.701～0.938),优于临床模型(P＜0.05);外部验证集中LR模型AUC为0.682(95％CI:0.476～0.856),优于临床模型(P＞0.05).相比于其他模型,LR模型校准曲线最接近参考线,且临床收益较高.结论:采用LR算法的双能量CT影像组学模型在术前区分弥漫型胃腺癌方面具有较高的价值.