深度学习驱动的多版本GAP评分系统开发与验证：提升成人退变性脊柱侧凸术后机械并发症预测精准度

为解决成人退变性脊柱侧凸(ADS)术后机械并发症(MC)预测中GAP评分手工计算效率低、版本迭代复杂的问题，研究人员开发了基于深度学习的椎体检测及多版本GAP评分自动计算系统。通过3,485张脊柱X光片训练模型，创新性提出EAGA C-GAP评分（AUC=0.627），其种族-年龄-性别适配特性为中国人群提供个体化预测新标准。

　　

这项突破性研究将人工智能技术融入全球对齐与比例评分系统(GAP score)，为成人退变性脊柱侧凸(ADS)术后机械并发症(MC)预测带来革命性进展。研究团队利用包含3,485张脊柱X光片（含螺钉/无螺钉图像）的数据集，成功训练出高精度椎体检测模型——螺钉图像平均精度(mAP)达0.780，无螺钉图像mAP为0.732。

创新构建的多版本GAP评分系统支持参数编辑，其中新开发的种族-年龄-性别适配C-GAP评分(EAGA C-GAP)展现出最优预测性能（曲线下面积AUC=0.627），显著优于原版及仅种族适配版本。深入分析发现，相对腰椎前凸(RLL)是预测MC的最关键参数，而腰椎前凸分布指数(LDI)贡献度最低。

该技术突破不仅解决了传统GAP评分临床应用的效率瓶颈，更为中国人群量身定制的EAGA C-GAP评分确立了新标准，凸显种族、年龄、性别因素在脊柱手术预后预测中的核心价值。