目的 评估基于深度学习技术中的图像分割模型U-Net构建的慢性萎缩性胃炎诊断模型的诊断性评价指标及其与病理诊断的一致性。方法 选取2019年8月1日至2020年8月1日于首都医科大学宣武医院行胃镜检查的慢性萎缩性胃炎患者1 711例的胃镜检查胃部图片，利用计算机产生的随机数字方法，选取高质量图片5 290张进入研究。根据萎缩严重程度应用分层随机法将70%的图片（3 703张）纳入训练集，30%的图片（1 587张）纳入测试集。模型方面，采用U-Net网络结构作为基线模型和内部参数初始权重，通过训练集对模型进行重新训练以调整权重，通过测试集检验模型重新训练后的灵敏度、特异度、正确率等指标。结果 模型对慢性萎缩性胃炎诊断的灵敏度、特异度、正确率分别为92.73%、92.24%、92.63%,AUC为0.932（95%CI:0.916～0.948）（P<0.001）,其与病理诊断的一致性Kappa值为0.796（P<0.001）。测试识别图片中假阳性26张（1.6%）,假阴性91张（5.7%）。结论 本研究建立了基于U-Net深度学习的慢性萎缩性胃炎诊断模型，并通过回顾性研究发现该诊断模型对慢性萎缩性胃炎的诊断性评价指标良好，并且与病理诊断有较高的一致性。