目的:只有42-66%的术前分期为cT4b患者术后病理证实了肿瘤对邻近器官存在侵犯,对于cT4b期患者如果因为分期或选择方案失误,可能造成患者不仅没有生存获益,还需承担额外创伤及经济负担。本研究目的为探索基于对比增强CT的影像组学方法在将术前cT4分期胃癌患者区分为病理p T4b分期与no-p T4b分期中的预测能力。方法:回顾性收集2008年1月至2021年12月青岛大学附属医院的术前分期为cT4的691名胃癌患者的临床及影像资料,随机分为训练组（n=460）和验证组（n=231）。根据患者病理分期分为p T4b分期与no-p T4b分期,分析训练组患者的临床特征及基于静脉期CE-CT图像的组学特征,构建临床模型、影像组学模型、临床结合影像组学列线图。在构建影像组学模型中,支持向量机算法作为机器学习分类器。通过受试者工作特征曲线下的面积、决策曲线分析法及校正曲线评估模型性能。结果:本研究共纳入691例患者,根据术前CE-CT评估为:cT4a分期患者有317例,cT4b分期患者有374例。根据术后病理结果分为:p T4b分期患者有332例,nop T4b分期患者有359例。基于多因素logistic回归分析,Borrmann分型、cT分期和Rad-score构建临床结合影像组学列线图。在训练组和验证组中,临床模型的AUC值为0.887（95%置信区间（95%CI）:0.843-0.912）和0.853（95%CI:0.821-0.923）;组学模型的AUC值分别为0.866（95%CI:0.832-0.899）和0.781（95%CI:0.711-0.846）;列线图的AUC值为0.940（95%CI:0.912-0.983）和0.876（95%CI:0.824-0.931）。为进一步明确组学模型与影像医师主观评估的cT分期的优劣。对cT分期进行单因素logistic回归分析,在训练组和验证组中,该特征的AUC值为0.860（95%CI:0.826-0.872）和0.805（95%CI:0.746-0.862）。将列线图、临床模型、组学模型、cT分期特征的AUC值两两进行Delong检验。在验证组中,列线图取得了最高AUC值,临床模型取得了第二高AUC值,相较于其他模型存在统计学差异。cT分期的AUC值高于组学模型,但未出现统计学差异。因此,模型性能比较:列线图＞临床模型＞cT分期≥组学模型。根据本研究评价模型临床应用价值的DCA曲线。在验证组中,当风险阈值在0-0.70、0-0.80、0-0.80、0-0.90之间时,使用组学模型、cT分期、临床模型、列线图预测p T4b分期会取得更多的临床正向净收益;在广泛风险阈值范围内,临床正向净收益比较:列线图＞临床模型＞cT分期≈组学模型,列线图拥有最优的临床应用价值。结论:基于静脉期CE-CT图像的影像组学模型性能未优于临床模型与主观评估的cT分期,说明了本研究的影像组学方法在区分cT4分期患者中具有一定的局限性。然而,临床结合影像组学列线图取得了最佳的预测效能与临床收益,说明临床结合影像组学方法可提高模型性能,并对cT4分期胃癌患者的诊疗决策存在一定的参考价值。