目的: 探索基于深度学习的分类级联集成系统,通过结合病灶分割与分类模型,智能鉴别结核性脊柱炎(tuberculous spondylitis, TS) 与布鲁氏菌性脊柱炎(brucellar spondylitis, BS),以提高临床诊断的准确性和效率。方法: 回顾性收集了2021年1月至2025年1月于新疆维吾尔自治区喀什地区第一人民医院脊柱外科接受治疗并经病理学或微生物学检测确诊的202例脊柱炎患者的磁共振成像 (magnetic resonance imaging, MRI) 影像数据,其中,结核性脊柱炎113例,布鲁氏菌性脊柱炎89例。所有患者均接受了包含脂肪抑制T2加权成像(fat-suppressed T2-weighted imaging, T2WI-FS)序列的脊柱MRI扫描。通过U-Net分割与ImageNet数据集上预训练的ResNet50/EfficientNet分类模型的级联集成,结合软/硬投票策略,实现端到端诊断。在验证集和独立测试集上,以Dice系数、交并比、敏感度、特异度、精确度及准确率评估分割性能,并采用准确率、F1分数、精确率、召回率及受试者工作特征曲线下面积(AUC)等指标评估分类效能。结果: 在病灶分割模型方面,基于U-Net网络的模型在验证集的Dice系数为0.851±0.057,交并比为0.744±0.081,敏感度为(87.4±8.1)%,特异度为(99.5±0.3)%,精确度为(83.8±8.2)%,准确率为(99.1±0.4)%。在测试集上,Dice系数为0.835±0.085,交并比为0.725±0.115,敏感度为(83.9±10.4)%,特异度为(99.6±0.2)%,精确度为(83.8±9.0)%,准确率维持在(99.1±0.4)%。对于病灶分类模型,ResNet50模型在验证集上的准确率为79.6%,F1分数为83.8%,精确率为85.3%,召回率为82.5%,AUC为0.855;在测试集上的准确率为75.2%,F1分数为78.6%,精确率为75.7%,召回率为81.7%,AUC为0.822。EfficientNet模型在验证集上的准确率为79.0%,F1分数为84.4%,精确率为80.7%,召回率为88.5%,AUC为0.852;在测试集上的准确率为73.2%,F1分数为78.2%,精确率为71.7%,召回率为86.0%,AUC为0.800。在级联集成系统方面,采用软投票策略时,基于ResNet50模型的集成系统取得了最佳的鉴别效能,测试集准确率达到80.4%,F1分数为83.1%,精确率为78.3%,召回率为88.5%,AUC为0.853。结论: 基于深度学习的级联集成系统在结核性脊柱炎与布鲁氏菌性脊柱炎鉴别中的高效性,有效整合多模态MRI影像组学特征,精准捕捉两者在微观结构上的差异,显著提升两者的智能诊断效能,为临床提供了一种可行的辅助诊断工具。