构建一种基于多模态深度学习模型，整合髋关节磁共振成像（MRI）影像组学特征与临床指标，用于精准评估强直性脊柱炎（AS）患者的疾病活动度，并验证其诊断效能。

回顾性纳入西安市红会医院100例强直性脊柱炎患者，按[7:3]比例随机分为训练集与验证集。所有患者均于检查当日完成强直性脊柱炎疾病活动度评分（ASDAS-CRP）及巴斯强直性脊柱炎疾病活动指数（BASDAI）评估，并行双侧髋关节MRI检查。首先，从髋关节MRI的T1WI、T2WI及STIR序列中提取高通量影像组学特征，通过特征筛选构建影像组学标签。其次，收集包括C反应蛋白（CRP）、血沉（ESR）及临床评分在内的关键临床指标。最后，构建多模态深度学习融合模型，整合影像组学特征与临床指标，以ASDAS定义的“高疾病活动度”（ASDAS≥2.1）或“临床缓解”（ASDAS<1.3）为金标准，通过受试者工作特征曲线下面积（AUC）、准确率、敏感性及特异性评估模型性能，并与传统单模态模型（仅临床指标或仅影像组学）进行比较。

共纳入100例患者，其中高疾病活动度组60例，非高疾病活动度组40例。多模态深度学习模型在验证集中评估高疾病活动度的AUC达到[0.82]（95%CI: [0.77-0.92]），准确率为82.4%，显著优于仅基于临床指标的模型（AUC: [0.62]）及仅基于影像组学的模型（AUC: [0.76]（95%CI: [0.68-0.89]），差异具有统计学意义（P<0.05）。模型在验证集上预测临床缓解的敏感性为85%，特异性为87%。决策曲线分析（DCA）显示该模型具有良好的临床净获益。

基于多模态深度学习模型整合髋关节MRI影像组学与临床指标，能够显著提升强直性脊柱炎疾病活动度的评估效能，优于单一维度数据。该模型提供了一种客观、精准的定量评估工具，尤其适用于存在髋关节受累或临床评分存在偏倚的AS患者，有助于指导个体化治疗决策。