目的 基于深度学习研发腰椎稳定性自动诊断工具，并验证其诊断精度。方法 收集153例腰椎疾病患者术前腰椎过屈位、过伸位X线片，由3名骨科医师标注5个关键点，分别为L4后下角、前下角以及L5后上角、前上角、后下角，共获得三套标注结果。将306张腰椎X线片按照3:1:2比例随机分为训练集（n=156）、验证集（n=50）和测试集（n=100）。提出一种新的神经网络结构Swin-PGNet，使用已标注的X线片图像对其进行训练，使其能自动定位腰椎椎体关键点，并通过预测的关键点计算L4、5椎间Cobb角和椎体滑移距离。在关键点定位、L4、5椎间Cobb角测量和L4椎体滑移距离测量，以平均绝对误差、组内相关系数（intra-class correlation coefficient,ICC）比较医师标注与Swin-PGNet精度和信度之间的差异。同时以过屈位和过伸位X线片上，椎间Cobb角变化超过11°作为腰椎不稳判断标准，腰椎滑移距离超过3 mm作为腰椎滑脱判断标准，比较医师和Swin-PGNet判断腰椎不稳准确率。结果 （1） Swin-PGNet关键点定位平均误差为（1.407§0.939）mm，医师间平均误差为（3.049±2.681）mm。（2） Cobb角标注：Swin-PGNet平均误差为（2.062§1.352）°，医师间平均误差为（3.580§2.338）°；Swin-PGNet与3名医师间误差比较，差异均无统计学意义（P＞0.05），但不同医师间误差比较差异有统计学意义（P＜0.05）。（3）椎体滑移距离：Swin-PGNet平均误差为（1.656§0.878）mm，医师标注平均误差为（1.884§1.612）mm;Swin-PGNet与3名医师间误差比较以及不同医师间误差比较，差异均无统计学意义（P＞0.05）。Swin-PGNet腰椎不稳判断准确率为84%、医师为75.3%，腰椎滑脱判断准确率分别为71.3%、70.7%,Swin-PGNet与3名医师间误差比较以及不同医师间误差比较，差异均无统计学意义（P＞0.05）。（4）腰椎稳定性判定一致性分析：3名医师标注椎间Cobb角的ICC为0.913 [95%CI（0.898,0.934）]（P＞0.05），椎体滑移距离为0.741 [95%CI（0.729,0.796）]（P＞0.05），说明3名医师间标注具有一致性。Swin-PGNet-所有医师间椎间Cobb角ICC为0.922 [95%CI（0.891,0.938）]（P＞0.05），椎体滑移距离为0.748[95%（0.726,0.783）]（P＞0.05），说明SwinPGNet标注结果与医师标注具有一致性。结论 基于深度学习构建的腰椎不稳自动测量方法可准确、便捷实现腰椎不稳与滑脱的自动识别，可辅助临床进行诊断。