文摘目的探讨基于注意力机制的深度学习(deep learning,DL)模型在骶髂关节(sacroiliac joint,SIJ)MRI冠状位T1序列图像预测中轴型脊柱关节炎(axial spondylarthritis,axSpA)患者新骨形成进展的临床价值。材料与方法回顾性分析2010年1月至2022年12月期间在南方医科大学第三附属医院诊断为axSpA的351例患者的初诊和随访1年、2年或3年的MRI图像,以8∶1∶1的比例随机分入训练集,验证集和测试集。开发基于注意力机制的Bifpn-YOLOv8模型,同时构建三个基线模型(YOLOv8、YOLOv7、Faster-RCNN)用于同Bifpn-YOLOv8比较模型效能。使用全类平均准确度(mean average precision,mAP)、F1分数、准确度、召回率、具体情境的常规物体(Common Objects in Context,COCO)指标评估各模型预测新骨形成进展的性能。其中,mAP_(50)和mAP_(50:95)分别代表不同交并比阈值下的全类平均准确度,COCO指标的平均准确度(average precision,AP)如AP,AP_(50),AP_(75)同理。结果Bifpn-YOLOv8模型在验证和测试集上均取得了良好的预测性能。同基线模型相比,该模型在测试集上取得了最优的mAP_(50)和mAP_(50:95),为83.8%和50.4%,结果同三个基线模型差异均存在统计学意义(P均<0.05)。同样,Bifpn-YOLOv8模型在测试集上获得了较基线模型更优的COCO指标,AP、AP_(50)、AP_(75)分别为50.5%、82.3%、58.6%。结论基于注意力机制的Bifpn-YOLOv8模型可以利用MRI图像有效预测axSpA患者SIJ新骨形成进展,该模型有望成为评估新骨形成进展的临床工具,辅助医师对axSpA患者进行临床决策和管理。