Para investigar el rendimiento de los algoritmos basados en aprendizaje profundo para la segmentación automática y cuantificación de la calcificación aórtica abdominal (AAC) en radiografías laterales lumbares, recopilamos retrospectivamente 1359 radiografías laterales lumbares consecutivas. Los datos se dividieron aleatoriamente en conjuntos de datos de desarrollo del modelo y de prueba. El conjunto de datos de desarrollo del modelo se utilizó para desarrollar modelos de red convolucional completamente en forma de U (U-Net) para segmentar los puntos de referencia de las vértebras T12-L5, la aorta y las calcificaciones aórticas anterior y posterior. Se calcularon las longitudes de la AAC, lo que resultó en una salida automática de la puntuación de Kauppila. Los niveles vertebrales, las puntuaciones de AAC y la gravedad de la AAC se obtuvieron de informes clínicos y se analizaron por un experto experimentado (estándar de referencia) y el modelo. En comparación con el estándar de referencia, el modelo U-Net demostró un buen rendimiento en la predicción de la puntuación total de AAC en el conjunto de datos de prueba, con un coeficiente de correlación de 0.97.