目的探讨机器学习（ML）算法结合能谱CT定量参数和临床模型在预测胃腺癌（GAC）患者淋巴血管浸润（LVI）和神经周围浸润（PNI）的潜在价值。方法收集2017年12月—2022年5月经病理证实的GAC患者114例。研究参数涉及血清肿瘤标志物、CTTN分期、CT评估壁外血管浸润（CTEMVI）以及能谱CT定量参数。通过WEKA软件的Best\|First算法进行特征筛选，并运用贝叶斯网络（BN）及支持向量机（SVM）算法建立模型。结果相较于LVI/PNI阴性组，LVI/PNI阳性组中CTT3~4期、CTN阳性、CTEMVI阳性、血清肿瘤标志物\[糖类抗原（CA）724和CA199\]更为常见，能谱CT参数也更高，差别均有统计学意义（P<0.05）。经特征选择，关键变量包括CTT分期、CTEMVI、VPNIC和EP70 keV CT值。基于这些变量，分别使用BN和SVM构建临床参数模型、能谱CT参数模型和混合模型，共6个模型。6个模型均展现了高预测性能，无过拟合现象。BN的混合模型预测性能最佳，AUC值为0.890～0.933，Delong检验显示其在统计学上具有显著优势（P<0.05）；而SVM的混合模型与另外 2种模型间的差别无统计学意义（P>0.05）。结论结合临床和能谱CT参数的ML模型能够高效能评估GAC患者的LVI和PNI状态，其中BN混合模型的准确性最高。