目的：探讨联合计算机断层扫描（CT）影像组学特征与临床、实验室指标，构建预测肠梗阻患者并发肠坏死的多模态机器学习模型。方法：回顾性分析 2018 年 1 月至 2025 年 10 月华北理工大学附属医院收治的肠梗阻患者资料。应用 Medical-SAM2 大模型对增强 CT 图像中的肠管移行带进行感兴趣区（ROI）自动分割，提取影像组学特征，随后采用 LASSO 回归进行特征降维并计算影像组学评分（Rad-score）。基于多因素 Logistic 回归分析筛选出的独立临床与实验室危险因素，分别利用 XGBoost、LightGBM 和支持向量机（SVM）算法构建多模态联合预测模型。LASSO 所给出的降维方法对有关肠坏死的影像组学特征作了有效筛选。就所用验证集而言，多模态联合预测模型各项指标（AUC、灵敏度、特异度）都比各单模态预测模型好（所有比较 P<0. 05），此时 AUC 接近 0. 90。另外所试的 Medical - SAM2 大模型对于肠管移行带的分割来说有明显优于 nnU - Net 的 Dice 系数值。所提的“临床- 实验室- 影像组学”类多模态预测方法在精确度和一般适用性两方面都是优良的，可以用来较好地判断肠梗阻是否已伴发肠坏死。