摘要目的 探讨术前基于静脉期增强CT影像组学特征构建的 7 种机器学习模型对胃癌人表皮生长因子受体 2(HER2)表达的预测价值.方法 选取胃癌患者 119 例,按 7∶3 随机分为训练集 83 例、测试集 36 例.术前均行上腹部或全腹部CT扫描,获取静脉期CT图像.采用 3D Slicer软件对静脉期图像进行瘤体三维勾画,使用Pyradiomics包提取影像组学特征.使用组内相关系数(ICC)、Pearson相关性分析及最小绝对收缩和选择算子(LASSO)算法等进行影像组学特征降维与筛选.选取决策树(DT)、K最邻近(KNN)、线性支持向量机(Linear SVC)、极端梯度提升树(XGBoost)、随机森林(RF)、支持向量机(SVM)、逻辑回归(Logistic Regression)7 种机器学习方法,根据最优影像组学特征子集构建机器学习模型.采用受试者工作特征(ROC)曲线及其曲线下面积(AUC)来评估模型的预测效能.结果 术前基于静脉期增强CT图像提取了 129 个影像组学特征,通过ICC、Pearson相关性分析及LASSO算法进行特征筛选和降维,最终保留 33 个最优影像组学特征子集.在训练集中,基于DT、KNN、Linear SVC、XGBoost、RF、SVM、Logistic Regression等 7 种机器学习模型术前预测胃癌HER2 表达的AUC分别为 0.912、0.922、0.966、0.968、0.961、0.941、0.947;在测试集中,7 种机器学习模型术前预测胃癌HER2 表达的AUC分别为 0.665、0.720、0.809、0.732、0.780、0.874、0.776;7 种机器学习模型在训练集与测试集中的预测效能两两比较,差异均无统计学意义(P均>0.05).测试集校准曲线显示,7 种机器学习模型的理论曲线和实际曲线接近参考线.结论 术前基于静脉期增强CT影像组学特征构建的 7 种机器学习模型对胃癌HER2表达均具有较高的预测效能;在 7 种机器学习模型中,SVM模型对胃癌HER2 表达的预测效能最高.