0 引言

       中轴型脊柱关节炎（axial spondyloarthritis, axSpA）是一种以中轴骨骼为主要侵犯部位的慢性炎症性风湿疾病，会导致脊柱和骶髂关节（sacroiliac joint, SIJ）出现进行性的结构损伤。根据放射学表现，axSpA可分为放射学阳性和放射学阴性两种类型，其中放射学阳性axSpA即为强直性脊柱炎（ankylosing spondylitis, AS）^[1]。SIJ是axSpA病变最早的发病部位之一。axSpA病程长，活动期与非活动期间歇发作，在前期因无特异性的临床症状而容易漏诊、误诊，疾病晚期病情随发展会出现广泛韧带钙化和骨性强直，导致患者畸形残疾。axSpA患者的功能障碍及最终致残，与结构损伤的进展密切相关，这不仅严重影响了患者的生活质量，也在很大程度上加重了该疾病的负担^[2]。除此之外，SIJ关节炎、骨髓水肿（bone marrow edema, BME）也能够在正常人或其他疾病中出现，这使得活动性病变诊断axSpA的特异性降低^{[3, 4]}。相较于2009年制定的axSpA分类标准，2019年国际脊柱关节炎评估协会（Assessment of Spondylo Arthritis International Society, ASAS）更新了axSpA患者在SIJ上特异性的磁共振成像（magnetic resonance imaging, MRI）表现，从关注BME等活动性评价，转变为对活动性和结构性病变进行综合评估，强调了二者并重的原则^{[2, 5]}。梳理MRI检查技术在axSpA SIJ结构性病变评估中的研究进展，对疾病的诊疗有重要意义。

       现有的大部分综述重点关注BME等反映SIJ炎症活动的征象，且较少关注人工智能（artificial intelligence, AI）在该领域的应用。由于结构性病变与预后密切相关、活动性病变影像征象特异性的下降，使得2019年ASAS MRI分类标准，同等重视活动性病变与结构性病变。因此，本文整合MRI对axSpA的SIJ结构性病变的最新研究，重点关注：（1）更早更准确识别结构性病变的MRI技术演进；（2）axSpA的SIJ结构性病变与其他疾病在MRI上的鉴别；（3）通过人工智能AI手段减少诊断和评估的主观性。本综述旨在为MRI对axSpA早期结构性病变的诊治提供参考。

1 骨质侵蚀

1.1 常规MRI

       骨质侵蚀表现为在T1加权成像（T1-weighted imaging, T1WI）的低信号软骨下骨皮质完整性全层缺失和邻近骨髓正常信号缺失^[2]。传统T1WI序列不易区分关节积液和关节软骨，且易受脂肪信号干扰，对微小的侵蚀敏感性不足^[6]。T1WI图像通过大多数设备都具有的灰阶反转功能无需额外扫描就可得到T1灰阶反转（grey-scale reversed T1-weighted, rT1）图。李禧萌等^[7]发现rT1图能直观呈现骨赘或骨质侵蚀的情况，当T1WI与rT1合用时，其对骨质侵蚀和关节间隙改变的诊断效能与金标准计算机断层扫描（computed tomography, CT）相当，较单用T1WI或rT1有更高的准确率和敏感度。该研究回顾性地分析52例病例中104个SIJ的MRI和CT检查结果，以CT为参考标准（CT检出71个SIJ存在骨侵蚀、65个骨质硬化、53个关节间隙改变），得到骨质侵蚀T1WI+rT1、rT1、T1WI准确率分别为90.3%、87.5%、76.9%，敏感度分别为91.6%、88.7%、76.1%，T1WI+rT1诊断效能显著优于T1WI、rT1；进一步分析发现T1WI+rT1对各病变的评分结果与CT评分结果相当（骨侵蚀：t=0.375，P=0.217；骨质硬化：t=0.081，P=0.081；关节间隙改变：t=0.148，P>0.009），rT1在骨侵蚀和关节间隙改变的评分上与CT相当（骨侵蚀：t=0.447，P=0.750；关节间隙改变：t=0.243，P>0.009）。这是因为在T1WI下常表现为低信号的骨皮质在反转后变成高信号，增强了与骨髓间的对比度，更直观地展示骨质的连续性与完整性，使得微小的侵蚀变得更容易被发现。同时，在T1WI上同样表现为低信号的硬化带和侵蚀腔，在rT1图上则以高信号凸显出来，清晰地显示出侵蚀的范围和程度，进而提升了检测骨质侵蚀的准确度和敏感度。

1.2 零回波时间MRI技术

       零回波时间MRI（zero echo time, ZTE）通过缩短回波时间，增强了对骨皮质的探测能力，相较于常规的MRI序列以及基于T1衍生改进的序列更易于捕捉到骨皮质的短T2组织信号，实现类似CT的骨组织对比度，能够很好地将骨质侵蚀凸显出来^{[8, 9]}。LI等^[10]发现在诊断骨质侵蚀上ZTE比常规T1加权快速自旋回波序列（T1WI fast spin echo, T1-FSE）有更高的敏感性，ZTE在骨质侵蚀（骨皮质改变）上显示程度与CT相近，这与ZHANG等^[11]的研究结果一致。ZHANG等进一步研究发现，ZTE的成像较CT更加清晰地显示骨质侵蚀。LI等^[10]对40例SIJ关节炎患者同时进行了CT与MRI检查，结果显示，ZTE与T1-FSE对骨质侵蚀的敏感度分别为98.2%和80.0%。同时，ZTE的诊断结果和总分与CT之间差异并无统计学意义（P>0.05），ZHANG等^[11]对21名患者采用同样的检测方法，得到了类似的结果（80.95% vs. 85.71%，P>0.05），此外该研究还进行了更细致的对比分析，发现ZTE能够清晰地显示出CT图像中模糊的区域，并且对小骨病变以及部分骨侵蚀的显示更为明显。

1.3 三维MRI技术

       采用梯度回波（gradient recalled echo, GRE）序列的三维（three dimensional, 3D）MRI，如3D-容积插值屏气检查（volumetric interpolated breath-hold examination, VIBE）、3D快速小角度激发序列（fast low angle shot, FLASH）、3D双回波稳态进动序列（double excitation in the steady-state, DESS）、3D选择性水激励平衡式稳态自由进动序列（water selective balanced steady-state free precession, WS-bSSFP）、3D回波不对称和最小二乘估计的水和脂肪迭代分解序列（interative decomposition of water and fat with echo asymmetry and least square estimation, IDEAL-IQ）等，可根据骨皮质、关节腔及软骨之间的对比度，清晰呈现axSpA患者SIJ关节面及关节面下病变。

       XIE等^[12]发现，与3 mm层厚及T1WI相比，3D-VIBE 1.2 mm层厚在诊断效能上更优（敏感度分别为82.1%、71.9%、92.3%，准确度分别为85.9%、78.1%、92.7%）。由于VIBE对骨-软组织的对比度优于T1WI，可更清晰地显示骨质侵蚀，层厚越小的VIBE受容积效应影响越小，1.2 mm层厚较3 mm层厚能显示更多微小侵蚀。但该研究仅对比了这两种层厚，更薄层厚VIBE的效能仍有待验证。3D-VIBE在检测硬化方面明显不足（敏感度仅34.6%），这可能与MRI对硬化呈现低信号、难以观测硬化范围以及易与脂肪化生混淆有关。

       3D-FLASH、3D-DESS与3D-WS-bSSFP相较于T1WI和X线，能够发现更多骨质侵蚀。LI等^[13]发现IDEAL-IQ序列在检测骨质侵蚀方面，较T1WI能检测到更多侵蚀数量（59.93% vs. 51.47%），且与上述序列诊断效能相似。与3D-VIBE一样，这些序列自身具备水像骨皮质与骨髓的高对比度，结合3D薄层扫描技术可减少容积效应，从而清晰显示更多微小病变。除此之外，这些序列还可进行水脂分离，通过分析直方图上的脂肪峰，额外提供脂肪化生分布的定量信息，有助于临床医生更全面地判断结构性病变的进展。3D-MRI这些序列因骨皮质和骨髓之间的高对比度，常显示骨质侵蚀数大于CT，展现出更好的敏感度。推测可能是因为这些序列能检测到CT未发现的骨质侵蚀，也可能是GRE序列易受伪影影响导致假阳性增多，这仍需进一步研究证实。

1.4 应用AI的MRI技术

       深度学习中的卷积神经网络（convolutional neural network, CNN），特别是残差网络（ResNet），因其低成本、良好的泛化能力、自动疾病分类功能以及对大规模数据集的低需求等优势，在医学影像分析领域备受关注。在基于MRI的深度学习应用中，ResNet在预测分子生物标志物方面的表现优于传统机器学习^[14]。在SIJ骨质侵蚀评分方面，ResNet展现出了良好的效能。谢秋霞等^[15]发现融合T1WI和脂肪抑制T1WI（T1WI with fat suppression, T1WI-FS）序列的ResNet-18模型相较于单一序列的T1WI-FS或T1WI的ResNet-18模型具有更高的诊断效能。具体而言，基于ResNet-18框架，采用训练集（阳性135，阴性90）、测试集（阳性26，阴性17）进行CNN分类训练后，融合双序列的ResNet-18模型受试者工作特征曲线下面积（area under the curve, AUC）达到0.872，高于单序列T1WI-FS和T1WI模型的0.834和0.785。此外，该融合模型的诊断准确性（79.0%）不仅高于初级医师（76.8%），还与高级医师的表现相当（79.0%），表明融合双序列的ResNet在自动量化SIJ骨质侵蚀评分方面具有显著优势，可作为辅助初级医师诊断的有力工具。然而，该研究中感兴趣区（region of interest, ROI）的勾画采用人工操作，一定程度上增加了主观性。既往研究中采用的ResNet类型有限，且训练模型往往仅采用单一切位图像（如斜冠状图），应探索其他多种ResNet及不同切位训练的价值。此外，若能在训练模型的每一步骤中引入适当的AI模型或客观定量工具，并尽可能与2019年ASAS MRI分类标准相兼容，这将是一个极具前景的发展方向。如LEE等^[16]采用快速区域CNN去提取ROI、最大强度投影去读数、视觉几何组-19网络去诊断ROI中是否存在SIJ。

       合成CT技术（synthetic CT, SCT）是基于深度学习的方法，将MRI图像转换为类似CT图像的技术，这种技术的核心在于通过深度学习模型（如U型网络架构）学习MRI和CT图像之间的复杂非线性映射关系，从而实现从MRI图像到CT图像的准确转换^[17]。JANS等^[18]发现SCT图像对骨质侵蚀的诊断准确性、特异度高，可靠性与CT相当。以CT为金标准，评估SCT对30例axSpA患者SIJ病变的检测中，得到SCT、T1WI在检测侵蚀的准确度（94% vs. 86%，P=0.003）、特异度（96% vs 89%，P=0.01），SCT与CT读者间一致性好（ICC：0.70~0.90 vs. 0.75~0.84）。对骨质侵蚀的显示，与依赖信号对比的T1WI不同，SCT通过深度学习模拟CT成像，直观呈现皮质骨中断，减少脂肪或液体干扰。JANS等进一步发现SCT对侵蚀边界的描绘比CT更加清晰，相对于CT的层厚限制和单参数，因其融合了MRI的薄层、高分辨率和多对比度优势，在模仿CT成像后能展示更多细节。

       在构建深度学习模型时，如何提高其对axSpA的特异度是一个关键问题。由于BME在产后妇女、新入伍士兵及正常人群中也可能出现，导致其对axSpA诊断的特异度降低，进而使基于BME训练的深度学习模型假阳性增多，引发axSpA过度诊断。为此，在训练深度学习模型时，应优先选用特异性更高的结构性病变、活动性病变以及实验室炎性指标（如红细胞沉降率、C反应蛋白等）作为构建临床标签的特征^[19]。此外，在数据收集与取样阶段，通常依赖专业人员进行数据集构建和ROI选取，这种方法耗时耗力且样本量有限，容易导致模型过拟合。JANS等^[18]在分析过去15年与机械学习和SIJ关节炎相关的文献后提出建议：用于训练的样本量应超过200，以有效降低模型过拟合风险；鉴于历年研究异质性较大，研究者应确保报告透明、代码开源，并接受严格同行评审，从而保证实验的透明度和可重复性；同时，AI技术如同“黑匣子”，研究者难以洞察其决策过程，只能观察输入与输出，AI是否会对临床产生潜在风险是值得警惕的^{[20, 21]}。

2 脂肪浸润与侵蚀腔内脂肪化生

2.1 常规MRI

       与正常人脂肪浸润相比，axSpA的脂肪浸润位于软骨下骨，边界清晰，表现为均匀的T1WI高信号、T2加权成像（T2-weighted imaging, T2WI）（非抑脂）高信号、短T1反转回复序列低信号^[6]。侵蚀腔内脂肪化生又称回填，表现为影像骨侵蚀缺损处脂肪变，常与CT骨密度增加和新骨的形成紧密相关^[22]。脂肪浸润常与BME、骨质侵蚀并存，尤其是BME常将脂肪浸润的信号掩盖，传统MRI手段在发现脂肪浸润时往往已处于炎症的晚期和强直的初期^[23]。

       脂肪浸润是炎症之后出现的首个结构性病变，被认为是连接活动性炎症至新骨形成的桥梁^{[24, 25]}。活动性炎症在疾病早期引发骨组织损伤，随着炎症逐渐消退，脂肪浸润开始出现并逐渐增加，这往往标志着炎症向骨质修复的转变。研究发现axSpA患者病变外区的BME与脂肪分数（fat fraction, FF）与健康对照组相应区域差异无统计学意义（P=0.262），证明SIJ对整体骨代谢无影响，仅引起局部骨代谢的异常^{[26, 27, 28]}。炎症进一步发展使得关节软骨与软骨下骨出现侵蚀，整个骨形成的过程独立于炎症，炎症治疗无法预防病理骨的生成^[29]。

2.2 Dixon技术

       常规MRI易受水像干扰，难以精准观测脂肪浸润，而脂肪浸润作为一种关键的结构性病变，需要精准地区分水像与脂肪像以进行准确评估。Dixon技术作为一种基于T2WI的水脂分离技术，为这一挑战提供了有效的解决方案。GOLLIFER等^[30]运用不同回波时间（echo time, TE）的Dixon涡轮自旋回波（dison turbo spin echo, TSE Dixon）序列，通过体模实验和体内成像实验显示T2water在不含脂肪和含脂肪的体模中线性回归斜率0.81、0.93，FF与质子密度脂肪分数线性回归斜率0.81，证实了该技术在有效的TE范围内所测得的一系列T2和FF值是准确的，所观测的脂肪浸润是可靠的。相较传统MRI主要依赖于信号强度的定性判断，TSE Dixon序列提供的定量数值能更客观反映组织病理状态，减少主观判断带来的不确定性。然而有研究指出，在对axSpA的SIJ进行检测时，常规方案的观察更为全面，Dixon技术尚无法完全替代常规方案，仍需进一步测试其对SIJ中常见退行性变化的诊断效能^{[31, 32, 33]}。由于Dixon仍依赖医生的经验进行图像判读，难以实现炎症进展的动态量化，研究者们开发了多回波Dixon定量（multi-echo Dixon quantification, mDixon Quant）序列，以确保水脂分离的可靠性和准确性。展影等^[23]测量63名axSpA患者mDixon Quant序列的脂肪分数映射图中BME区、脂肪化生区的FF，选取的早期组标准为X线与CT表现正常初次就诊无药物治疗的患者，以第1骶孔间骨髓的FF作为参考，发现慢性活动组BME病灶的FF高于早期活动组[（30.6±10.6）% vs.（20.3±10.2）%]，非活动组脂肪沉积病灶的FF高于慢性活动组[（89.4±1.1）% vs.（81.6±1.7）%]（均P<0.05），证实mDixon Quant技术能够动态、敏感地观测水肿区BME与FF，量化炎症严重程度及结构性病变的发生发展。

2.3 其他MRI技术

       此外，化学位移编码MRI（chemical shift encoding MRI, CSE-MRI）与氢质子MRI波谱成像（¹H magnetic resonance spectroscopy, ¹H MRS）等新技术也被用于对早期脂肪浸润与侵蚀腔内脂肪化生的检测。CHEN等^[34]利用不同多梯度回波CSE-MRI检测25名男性和23名女性axSpA患者的脂肪比例变化，发现在脂肪病变区域，男性单不饱和脂肪（骶+12%）、女性饱和脂肪（髂+7%）显著升高，而男性多不饱和脂肪显著降低（髂-10%），在无脂肪变区域，男性单不饱和脂肪也增加明显（+10%）。这为通过观测脂肪成分变化更早发现脂肪浸润和动态监测疾病进展提供了新思路。¹H MRS作为一种当前唯一的无创检测人体细胞代谢和生理病理变化的技术，其水峰和脂肪峰能够定量检测BME与脂肪浸润，但由于该领域研究较少，尚未有研究者将该技术用于脂肪浸润等结构性病变的检测^[35]。

3 软骨下骨质硬化

3.1 常规MRI

       骨质硬化是机械性或退行性疾病的标志，对axSpA的诊断特异度不高（76%），但有研究表明大于5 mm的软骨下骨硬化宽度极可能为axSpA^[36]。T1WI和T2WI上骨质硬化表现为深度大于5 mm的非常低信号区域^[37]。由于其他病变如骨侵蚀、BME的干扰、皮质骨这种回波时间短的T2WI信号在MRI上显影不佳，CT骨质硬化的检出率高于MRI（P<0.05）^[38]。

       经过灰阶反转得到的rT1能够提高脂肪硬化的检出率，采用T1WI联合rT1检测骨质硬化，得到了较单独T1WI、rT1更好的准确度（89.4%）、敏感度（84.6%）^[7]。推测反转后骨质硬化，即使在与脂肪浸润合并的情况下，也表现出高信号，对比度的增大使得骨质硬化更易被观察到。

3.2 类似CT限制回波间隔的快速场回波新技术

       类似CT限制回波间隔的快速场回波（fast field echo similar to CT limited echo interval, FRACTURE）技术无辐射，序列中所有的TE都处于同相位TE，明显减少化学位移和边缘模糊，使得骨质显影更加锐利清晰^[39]。为了探究FRACTURE序列对骨质硬化的检测效能，谭晓倩等^[40]对41例axSpA患者分别进行了T1WI、CT、FRACTURE序列扫描，发现FRACTURE序列对骨质硬化的诊断效能优于T1WI，与CT类似。具体来讲，FRACTURE序列对骨质硬化的敏感度及准确度高于T1WI（0.938>0.678，0.891>0.712），但特异度却不如T1WI（0.208<0.756），FRACTURE序列置信度与CT相当（P=0.046），与T1WI的差异有统计学意义（P<0.001），这与章忆惠等^[41]研究的结果相似[以CT为金标准AUC=0.918，较T1WI准确性更高（94%>77.6%）]。FRACTURE序列检测骨质硬化特异性不足的问题，推测FRACTURE序列显示骨质结构的高对比度使硬化区更突出，可能掩盖骨质侵蚀的细微特征，导致观察者在评估时难以区分侵蚀和硬化区域的边界，而T1WI的低对比度则减少了掩盖效应。观察者在FRACTURE图上对骨质侵蚀和骨质硬化区分经验不足导致的误判也可能导致特异度的下降。

       除此之外，有研究发现ZTE在检测硬化方面与低剂量CT具有很强的一致性（ICC=0.954，P<0.001）^[42]，rT1与ZTE、VIBE等新技术中哪种技术对骨质硬化的检查效能更好仍需探究。不同性别的axSpA患者骨质结构变化差异如何也是值得注意的，建议增加纳入的女性患者数量。

4 未形成骨桥的骨芽与关节强直

4.1 常规MRI

       随着机体修复机制的进一步进行，被脂肪浸润与侵蚀腔内脂肪化生的软骨会在不规则硬化区和纤维肉芽组织的增生下逐渐纤维化骨化，使得骶髂骨一侧软骨下骨相连形成骨芽，对该病变的显影MRI不如CT、X线，在T1WI表现为关节间隙内出现异常的稍高信号（正常骨髓信号相当）。骨芽的出现提示预后较差，及时发现并给予积极治疗可能会明显延缓强直的发生。随着关节间隙两侧骨芽的融合形成骨桥，骨桥的进一步融合使得关节腔在MRI上变得模糊不清，骶髂骨间骨髓信号的连续，最终关节间隙消失形成强直。关节强直在传统T1WI上表现为关节间隙内异常稍高信号，把关节两侧连接起来，关节两侧的软骨下骨皮质低信号带全层消失^[6]。但传统T1WI精度不够，且只能被动的监测，无法预测强直的发展，从而错过最佳的治疗干预时间。在特殊或只有传统MRI的情况下，TASSO等^[43]认为联合Patrick-FABER测试这种检测SIJ病变的体格检查可能是有价值的（敏感度76.2%、特异度66.2%、阳性预测值58.1%），较适用出现明显临床症状的强直阶段。

4.2 应用AI的MRI技术

       及时地对axSpA进行干预治疗，需要准确预测强直的发展进程。李翊^[44]采用注意力机制双向特征金字塔网络YOLOv8（bidirectional feature pyramid network YOLOv8, Bifpn-YOLOv8）深度学习模型，发现该模型能够通过分析MRI图像特征，准确预测SIJ新骨形成的发展进程。作者使用双侧路径注意力机制和自适应融合方法等对原有的YOLOv8模型进行改进得到Bifpn-YOLOv8模型，在同样的测试集中较原有模型表现出更优的交并比[平均精度均值（mean average precision, mAP），mAP50：83.8%>82.1%，mAP50∶95：50.4%>46.3%]、准确度（78.8%>76.5%）、召回率（79.3%>78.4%）和特异度（80.0%）。这种双侧路径注意力机制能够自动学习到图像中不同区域的重要性权重，使模型更加关注与新骨形成相关的特征区域。此外，加权双向特征金字塔网络经过自适应融合方法的优化，使得模型能够更好地融合多尺度特征，捕捉新骨形成进展在不同尺度下的特征表现，从而提高了对复杂图像特征的建模能力。

       杜涛等^[45]则采用轻量化模型移动网络第二版（MobileNet V2）来代替常规CNN合成SCT，成功解决了大计算量导致训练速度慢、小计算量导致图像准确度下降的问题。MobileNet V2在与Resnet-152、121层密集连接卷积网络、RegNetx_002等传统CNN的对比实验中测得的准确率明显更高（分别为91.02%、84.59%、84.13%、82.64%）。MobileNet V2通过以下两方面提高准确率：在卷积过程中，MobileNet V2将卷积分解为逐点卷积和深度卷积，在保证模型性能的同时大幅减少了计算量和参数量，更小的参数量（如Resnet-152参数量为60.20 M，而MobileNet V2仅为1.66 M）能够有效避免过度拟合问题；在架构上，MobileNet V2采用倒残差结构和线性瓶颈结构，先通过扩展层增加通道数，引入更多特征表达能力，再使用深度可分离卷积提取特征，减少计算复杂度，从而在保持模型性能的同时避免了信息的过度丢失。

5 MRI结构性病变征象在鉴别axSpA与其他疾病中的作用

       MRI结构性病变征象的差异，对于鉴别axSpA与其他血清阴性脊柱关节病，如：反应性关节炎（reactive arthritis, ReA）、银屑病关节炎（psoriatic arthritis, PsA）及炎性肠病性关节炎（inflammatory bowel disease-associated arthritis, IBD-Arthritis）至关重要。axSpA的SIJ关节炎特征性表现为髂骨侧骨侵蚀（边界清晰的局灶性低信号区）伴周围脂肪化生，呈现T1WI高信号，且常呈双侧对称性分布；而ReA的骨侵蚀多呈单侧或不对称性，脂肪化生较局限且程度轻。PsA脊柱及SIJ的受累，在T1WI 上表现为非对称性韧带骨赘形成（椎体边缘不规则高信号），但SIJ脂肪化生发生率显著低于axSpA。IBD-Arthritis虽可表现类似axSpA的双侧SIJ侵蚀，但其骨硬化带T1WI呈低信号，更宽且不规则，且常伴随回肠末端肠壁增厚，表现为T2脂肪抑制序列高信号。此外，axSpA特征性骨桥形成在矢状位序列的出现率显著高于其他疾病，T1WI上表现为连续线样高信号跨越椎间隙，此现象与椎角炎引发的异位骨化直接相关^{[46, 47, 48]}。针对这些能造成 SIJ结构性病变的疾病，通过结合多序列影像特征及实验室指标，实现精准的鉴别诊断^[49]。

6 总结与展望

       基于2019年ASAS更新的MRI征象，本文综述了多种MRI技术在检测和评估axSpA结构性病变中的应用，强调活动性与结构性病变并重的原则。但目前对MRI在axSpA的SIJ结构性病变的研究仍存在着一些问题：新兴序列在单一病变检测中展现优势，但缺乏系统化的多模态融合方案；序列参数与评分标准存在多中心差异，且新兴技术缺乏大样本、多中心验证；AI模型过度拟合、AI决策过程的“黑箱”特性难以关联病理机制使得临床信任度不足，以及AI实验的过程透明性不高、数据开源性不佳，进而对实验的可重复性产生了负面影响。

       未来需要针对这些问题做出进一步的优化和发展：（1）开发针对特定病变检测的序列组合，系统的整合新兴MRI技术的优势，通过序列互补提升检测敏感性与特异性，引入能够定量动态检测的MRI新技术，结合AI模型建立有效的预测模型；（2）使用可以同步输出病变定位与病理机制解释的模块来构建AI模型，如使用注意力机制模型等可视化AI决策区域与病理标注关联、结合临床参数（如C反应蛋白、人类白细胞抗原B27等）优化模型的泛化能力，以提升AI模型决策的可解释性；（3）构建更符合2019年ASAS MRI分类标准的AI模型，在数据的采集、取样和评分的每个步骤中都引入对应的AI模型来降低人工的主观性，优化模型结构、平衡数据集以减少模型的过度拟合，对特定病变开发针对的AI模型，提升AI模型协助诊断的准确性。可预见，随着技术的发展和评分的完善，MRI对axSpA的SIJ结构性病变检测会越做越好。