El diagnóstico clínico de los tumores del estroma gastrointestinal (GIST) requiere una localización del tumor que consume tiempo por parte de los médicos, mientras que la detección automatizada de GIST puede ayudar a los médicos a desarrollar planes de tratamiento oportunos. Los métodos actuales de detección de GIST basados en aprendizaje profundo totalmente supervisado requieren una gran cantidad de datos etiquetados para el entrenamiento del modelo, pero la adquisición de datos etiquetados suele ser consumidora de tiempo y mano de obra, obstaculizando la optimización del modelo. Sin embargo, el método de aprendizaje semi-supervisado puede funcionar mejor que el método de aprendizaje totalmente supervisado con solo una pequeña cantidad de datos etiquetados debido al uso completo de datos no etiquetados, lo que compensa efectivamente la falta de datos etiquetados. Por lo tanto, proponemos un método de detección de tumor del estroma gastrointestinal (GIST) semi-supervisado basado en autoentrenamiento utilizando un nuevo criterio de selección para garantizar la calidad de las pseudoetiquetas y agregando los datos pseudoetiquetados al conjunto de entrenamiento junto con los datos etiquetados después de una mezcla lineal. Además, presentamos el Faster RCNN mejorado con el módulo multiscale y el módulo de mejora de características (FEM) para la detección de GIST semi-supervisada. El módulo multiscale y el FEM pueden ajustarse mejor a las características de GIST y obtener mejores resultados de detección. Los resultados del experimento mostraron que nuestro enfoque logró el mejor rendimiento en nuestro conjunto de datos de imágenes de GIST con la optimización conjunta del marco de autoentrenamiento, el módulo multiscale y el FEM.