增强CT是术前诊断和评估胃黏膜下肿瘤（SMT）恶性潜能的重要检查手段，在区分直径>5 cm胃的胃肠间质瘤（GIST）和胃良性SMT中有较高的诊断准确率。本研究拟使用深度学习算法建立基于增强CT的鉴别诊断模型GISTNet，评估其在术前鉴别直径≤5 cm的胃GIST和其他胃SMT的预测价值。

采用诊断性试验研究方法。回顾性收集2016年9月至2021年4月期间，上海交通大学医学院附属仁济医院胃肠外科连续性收治的181例接受手术、且术后病理证实为肿瘤直径≤5 cm胃SMT患者，排除13例CT图像质量不佳者，共计168例患者纳入研究。其中107例为GIST，61例为非GIST的SMT（non-GIST），其中术后病理27例为平滑肌瘤，24例为神经鞘瘤，6例为异位胰腺，4例为脂肪瘤。病例纳入标准：（1）手术前经增强CT诊断为胃SMT的患者；（2）术前完善胃镜且活检病理未见异型细胞；（3）临床、病理资料齐全。排除标准：（1）手术前接受过抗肿瘤药物治疗；（2）无影像或任何原因导致的CT图像质量不佳；（3）术后病理诊断为除GIST外的其他胃恶性肿瘤。将研究对象根据留出法（hold-out method）随机划分为GIST鉴别诊断模型（GISTNet）的训练集（148例）和测试集（20例），用于GISTNet诊断模型的训练及其性能评估。GISTNet模型建立后，在测试集采用5个指标进行评估，即灵敏度、特异度、阳性预测值、阴性预测值和受试者工作曲线（ROC）计算的曲线下面积（AUC）。进一步将GISTNet诊断模型与现有文献报道的传统影像学征象所组成的模型比较。此外，为了比较深度学习模型与影像科医生对胃SMT影像诊断的准确性，3位工作经验分别为3、9、19年的影像科医生、在隐藏临床病理信息的情况下，对测试集中的样本进行判断，将3位医生的准确率与GISTNet模型相对比。

GISTNet模型在测试集上获得了0.900（95% CI：0.827~0.973）的AUC，当阈值为0.345时，GISTNet模型的灵敏度为100%，特异度为67%，阳性预测值为75%，阴性预测值为100%。GISTNet模型的准确率为83%，优于GIST-Risk模型（75%）和两位低年资影像科医生（60%和65%），并与工作经验为19年的影像科医生接近（80%）。

基于增强CT的深度学习算法对术前鉴别直径≤5 cm的胃GIST和其他胃SMT具有良好、可靠的诊断准确率。