研究背景结构性病变中的骨质侵蚀有助于诊断中轴型脊柱关节炎（Axial Spondyloarthritis,axSpA）;结构性病变的变化有利于了解疾病的进展,以便给予有效的治疗,改善患者生活质量。肿瘤坏死因子抑制剂（Tumor Necrosis Factors Inhibitor,TNFi）是否能延缓axSpA患者骶髂关节的结构性病变进展仍不确定。研究目的1.研究MRI诊断骶髂关节中骨质侵蚀的性能;探讨卷积神经网络（Convolutional Neural Network,CNN）基于MRI提高诊断骶髂关节中骨质侵蚀的价值。2.研究TNFi延缓骶髂关节结构性病变影像学进展的价值,并与非甾体抗炎药（Non-Steroidal Anti-Inflammatory Drugs,NSAIDs）进行比较;分析影响结构性病变变化的独立相关因素。材料及方法1.回顾性分析268个骶髂关节的CT及MRI影像,以CT为参考标准,基于3组序列进行骨质侵蚀诊断评估:（1）常规T1WI;（2）T1WI脂肪抑制序列;（3）结合常规T1WI及T1WI脂肪抑制序列。计算高级医师诊断骨质侵蚀的敏感性、特异性、阳性预测值、阴性预测值、准确性。MRI数据集被分为训练集（n=225,阳性135例,阴性90例）、测试集（n=43,阳性26例,阴性17例）。基于ResNet-18架构,进行CNN分类训练,并计算测试集的受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic,AUROC）、准确性评估模型诊断骨质侵蚀的效能,并与医师的诊断性能做比较。2.回顾性分析TNFi组（n=64）及NSAIDs组（n=31）治疗0～1年及1～2年后的结构性病变（骨质侵蚀、脂肪化生、回填、强直）的评分变化,并进行组间及组内治疗差异比较;使用Spearman相关分析、多变量逐步回归分析结构性病变变化的独立相关因素。结果1.高级医师基于T1WI-FS序列及结合两序列一起评估的敏感性高于常规T1WI序列,分别为85.7%,88.2%,84.5%。测试集中基于T1WI-FS序列及两序列融合的CNN模型诊断的性能高于基于T1WI的CNN模型及logistic回归模型,AUROC分别为0.834、0.872、0.785、0.667。融合序列加入临床特征后的CNN模型与初级、高级医师的诊断准确性分别为0.790、0.768、0.790。2.TNFi及NSAIDs治疗0～1年及1～2年均可减少骨质侵蚀、增加脂肪化生及回填,且治疗前后有显著差异,组间治疗差异仅在0～1年有统计学意义（P＜0.05）,在1～2年无统计学意义;治疗后0～1年的结构性病变变化较1～2年显著（P＜0.05）,且TNFi较NSAIDs治疗组更显著（P＜0.05）。SPARCC炎症评分及治疗方式与骨质侵蚀变化（β=0.065,P=0.025;β=-0.972,P=0.012）及脂肪化生变化（β=-0.065,P=0.007;β=2.312,P=0.001）独立相关,基线骨质侵蚀与骨质侵蚀变化（β=-0.178,P＜0.001）独立相关,基线脂肪化生与脂肪化生变化（β=-0.125,P=0.001）独立相关。结论1.T1WI-FS序列诊断骨质侵蚀的效能高于常规T1WI序列,基于深度学习的CNN模型可以提高诊断骨质侵蚀的性能。2.TNFi可延缓短期内骶髂关节结构性病变影像学进展,其作用较NSAIDs显著,但其长期疗效需进一步研究;基线处的结构性病变评分是结构性病变评分变化的独立相关因素。