目的 探讨基于增强CT的深度学习模型术前无创预测胃肠道间质瘤(GIST)Ki-67 表达的价值.方法 回顾性收集2所医院经手术病理证实且行免疫病理学染色的 262 例GIST病人的临床及影像学资料,其中男140 例、女 122例,平均年龄(55.82±10.13)岁.将一所医院收集的190 例病人使用随机分层抽样法以 7∶3 的比例分为训练组(133 例)和内部验证组(57例);将另一所医院收集的病人作为外部验证组(72 例).应用Resnet34、Resnet50、Densenet、Efficientnet和Efficientnetv2 等 5 种基础网络进行模型训练和优化.采用受试者操作特征曲线下面积(AUC)、准确度、特异度、敏感度评估模型的预测效能.使用DeLong检验比较各模型间AUC值差异,得到最佳网络模型.应用梯度类加权激活映射(Grad-CAM)可视化的方法在原始CT图像上生成注意力热图.结果 当学习率(Lr)为 0.000 5 时,5 种模型在训练组、内部验证组、外部验证组中预测Ki-67 表达的AUC值均高于Lr=0.000 1 时.Densenet(Lr=0.0005)模型在训练组、内部验证组、外部验证组中对Ki-67 表达的预测效能、准确度均最佳,AUC分别为 0.983、0.930、0.925,预测准确度分别为 92.77%、88.14%、87.77%.Efficientnet 模型的预测敏感度最佳,Efficientnetv2 模型的预测特异度最佳,但两者准确度均低于其他模型.注意力热图显示模型可以从矩形兴趣区(ROI)中正确识别肿瘤区域,合理解释模型的决策逻辑.结论 基于增强CT的深度学习模型具有良好的稳定性和诊断效能,是一种无创预测GIST Ki-67 表达的潜在方法.