目的 探讨基于术前CT特征及影像组学建立的高危胃肠间质瘤(GIST)术后伊马替尼辅助治疗继发耐药预测模型的价值。方法 回顾性搜集完整切除术后接受伊马替尼辅助治疗的92例高危GIST患者，采用分层抽样法按7∶3的比例分为训练集(n=64)和测试集(n=28)。根据随访结果，训练集中继发耐药13例，非耐药51例；测试集中继发耐药6例，非耐药22例。同期搜集12例高危GIST患者作为外部验证集，继发耐药2例，非耐药10例。基于训练集数据，采用单因素及多因素Logistic回归分析筛选临床及CT特征建立临床模型。使用深睿医疗多模态科研平台及RyRadiomics平台提取静脉期CT影像组学特征，以相关性分析及循环特征剔除法(RFE)筛选特征，分别采用逻辑回归(LR)、支持向量机(SVM)分类器、随机森林(RF)、决策树(DT)机器学习算法建立影像组学模型，选择预测效能最高模型输出影像组学分数(Radscore)。联合临床模型的独立预测因素及Radscore构建临床-影像组学组合模型。采用受试者操作特征曲线及DeLong检验评估并比较3种模型的预测效能。结果 肿瘤边缘(OR=38.907,95%CI 3.798～398.524,P=0.002)、供血/引流血管扩张(OR=11.702,95%CI 1.217～112.471,P=0.033)是高危GIST术后伊马替尼辅助治疗继发耐药的独立预测因素，建立临床模型；最终筛选出3个影像组学特征，采用DT算法建立影像组学模型。临床模型、影像组学模型、临床-影像组学组合模型在训练集的AUC分别为0.874(95%CI 0.762～0.985)、0.882(95%CI 0.823～0.941)、0.963(95%CI 0.925～1.000),在测试集的AUC分别为0.803(95%CI 0.608～0.998)、0.864(95%CI 0.768～0.958)、0.939(95%CI 0.861～1.000)。外部验证集中2位耐药患者均可被3种模型检出，组合模型准确度及特异度更高。结论 基于术前CT特征及影像组学建立的组合模型可有效预测高危GIST患者术后伊马替尼辅助治疗继发耐药。