目的:股骨颈骨折（femoral neck fractures,FNFs）是常见的一种髋部骨折。据估计,全球每年有超过160万例FNFs,在社会不断老龄化的影响下,这一数字还在持续上升。在FNFs内固定术后的众多并发症中,股骨头骨坏死（osteonecrosis of femoral head,ONFH）是最常见的一种,占所有并发症的20-37.9%。术后ONFH可导致髋关节功能障碍、疼痛,引起患者生活质量的严重下降,最终不得不进行关节置换以维持基本的活动能力。本研究旨在评估股骨颈骨折闭合复位空心螺钉固定患者术后ONFH的围手术期变量,建立并验证一个个体化的列线图模型（nomogram）来预测术后的ONFH,以指导患者的早期干预和治疗。同时,我们设计并编写了一个人工智能（Artificial Intelligence,AI）算法,建立了一个基于AI的深度学习（deep learning,DL）模型,为人工智能在股骨颈骨折术后股骨头坏死预测中的应用进行探索。方法:回顾性收集自2009年1月至2017年6月在安徽省立医院总院（n=481）和安徽省立医院南区（n=190）因股骨颈骨折入院并行闭合复位空心钉固定的671名患者。在训练队列中,我们使用Cox回归模型评估围手术期多个变量的预测价值。我们利用多因素logistic回归模型建立了一个预测ONFH的nomogram,并在训练队列中评估了预测模型的一致性和预测能力。在深度学习算法的开发中,我们使用MATLAB实现了一个卷积神经网络（convolutional neural network,CNN）模型,用于从输入图像像素数组中计算抽象图像特征。这一CNN模型通过术后X线进行训练并输出影像学变量作为AI预测指数。我们将这一预测指数纳入常规临床nomogram并在训练组和验证组中进行训练,评估其预测能力和临床应用价值。结果:470例符合纳入标准的患者中,141例（30%）被诊断为术后ONFH。结果显示,酒精摄入（OR,1.743,95%CI,1.042-2.901,P=0.033）,脑血管疾病（OR,5.357,95%CI,2.318-13.13,P<0.001）,受伤-术前间隔时间（OR,5.273,95%CI,2.724-10.43,P<0.001）,Garden分型（OR,23.17,95%CI,6.812-145.3,P<0.001）,Garden复位指数（OR,5.935,95%CI,2.670-14.184,P<0.001）,术后部分负重时间（OR,0.053,95%CI,0.006-0.296,P=0.002）和术后六个月的Harris评分（OR,0.856,95%CI,0.792-0.919,P<0.001）被确定为术后发生ONFH的独立预测因子。我们开发了一个基于这些变量的列线图。我们的nomogram在训练队列（AUC=0.865）和验证队列（AUC=0.877）中显示了良好的预测能力,在验证队列中也证实了该nomogram的良好表现。我们使用术后髋关节X线训练的CNN模型与一名缺乏经验的骨科医生和一名有经验的骨科医生在读片和预测能力上进行对比。共纳入238例患者,其中ONFH患者95例,非ONFH患者143例。CNN模型验证集的准确率为0.873,算法得到的AUC值为0.912。在临床nomogram中加入基于深度学习输出的术后X线图预测变量形成了混合预测模型。基于深度学习的混合nomogram模型获得的AUC为0.948（95%CI,0.920-0.976）,与单一临床nomogram曲线下面积相比差异有统计学意义。结论:我们开发并验证了一种易于使用的nomogram来预测术后ONFH。该nomogram提供了患者、外科医生和康复医师在术中干预和术后康复计划的决策依据。同时,我们将深度学习神经网络应用在了股骨颈骨折术后的ONFH预测中,结果显示深度学习的引入能提高传统单一临床预测模型的预测能力,增加了预测模型的预测能力。