目的：利用三维卷积神经网络，实现自动分级诊断系统，帮助医生从CT图像中评估和诊断骶髂炎。

方法：本研究纳入2144例健康或疑似强直性脊柱炎（AS）患者的CT影像，通过V-Net分割分类模型，训练一个基于DenseNet的五分类及三分类3D卷积神经网络，以三位放射科医师根据纽约标准的分级结果作为标准，并在外部验证集中进行多中心验证，同时与放射科医生阅片进行比较，评价模型的诊断效能。

结果：在五分类任务中，模型在0～Ⅳ级的AUC分别为0.966、0.937、0.881、0.962和0.994，平均 AUC为 0.954。在简化的三分类任务中，0类、1类和2类的AUC分别为0.984、0.967和0.994，平均AUC为0.982。外部验证集三分类的AUC分别为0.957、0.934 和 0.992，平均AUC为 0.970。两位放射科医生在模型的辅助下，阅片准确率分别提升了6.9% 和8.4%。

结论：本研究提出的分割-分类模型能够实现骶髂关节炎CT的准确、可重复性分级，在模型辅助下，放射科医生的诊断准确率显著提高。该模型有望成为临床实践中客观、实用的人工智能辅助诊断工具。