目的：通过整合人口统计学、BMD、CT图像数据以及基于CT图像的深度学习影像组学（Deep Learning Radiomics, DLR）特征，开发并验证一种新的预测模型用于预测骨质疏松性椎体骨折（Osteoporotic Vertebral Fractures, OVFs）风险。

方法：收集三家医院同时完成双能X射线吸收测定法（Dual-energy X-ray absorptiometry, DXA）和CT检查且符合骨质疏松症（Osteoporosis, OP）诊断标准患者169例，按最终是否发生骨折分为OVFs组（n=77）和Non-OVFs组（n=92），按8:2随机划分训练集（n=135）和测试集（n=34）。收集和测量人口统计学、BMD、CT图像数据（椎体和椎旁肌的CT值，椎旁肌的横断面积），使用ResNet-50模型结构进行深度迁移学习（Deep transfer learning, DTL），基于RadImageNet数据集进行预训练，从CT图像中提取DTL特征和影像组学特征进行融合，采用最小绝对收缩和选择算子Logistic回归来选择最佳融合特征模型。基于多变量Cox比例风险模型筛选临床预测因子，分别构建临床模型、影像组学-深度学习模型和融合模型（临床模型-影像组学-深度学习模型）。在训练集及测试集中比较3种模型对OVFs风险的预测性能，评价指标包括曲线下面积（Area under curve, AUC）、C-Index、Kaplan-Meier曲线和校准曲线等，采用诺谟图对最佳模型进行可视化、并通过决策曲线（Decision curve analysis, DCA）评估其临床效用。

结果：共计169例骨质疏松症（Osteoporosis, OP）患者纳入，随访时间最短1个月，最长72个月，平均（47.50±24.86）月。其中，OVFs组与Non-OVFs组的BMD、CT值PVM与CSAPM比较差异具有统计学意义（P＜0.05），训练集与测试集的人口统计学和临床特征比较差异无统计学意义（P＞0.05）。基于多变量Cox比例风险模型，确定BMD、CT值PVM及CSAPM减少是OP患者发生OVFs的独立危险因素(P＜0.05)。ROC曲线验证融合模型的预测性能最高， C-index指数在训练集和测试集分别为0.839、0.795，DCA显示诺谟图可作为预测OVFs风险较良好的工具。

结论：本研究基于BMD、CT数据及其影像组学-深度学习特征构建OVFs风险预测模型具有较高的灵敏度和特异性，能够可视化计算出发生OVFs的概率，对于指导OVFs风险防治具有一定的潜力。