肺癌作为一类高发的恶性肿瘤,是中国居民健康的“第一杀手”。临床医学中,病理图像分析是癌症诊断的金标准,它准确,具有很高的权威性但在分析时需要耗费大量的人力和物力,而且因医生经验差异在病理分析时存在漏诊、误诊的问题。近年来,计算机辅助诊断技术越来越成为帮助医生做出精确诊断的重要工具,但由于全尺寸病理图像信息量丰富、分层存储等特点,使得病理图像分析仍然是一个富有挑战性的研究课题。本课题将医生标注的肺癌病理图像作为实验数据集,以高效率网络（high-efficiency network,Efficient Net）模型为基础,建立了适用于组织病理图像的多特征融合模型来实现肺癌自动分型的目的。此外,肿瘤突变负荷（TMB）作为独立的生物标志物,可用于筛选免疫治疗的潜在获益患者。根据上述数据通过迁移学习方法预测分析肺癌患者的肿瘤突变负荷,探索组织病理图像与肿瘤突变负荷的关联。本文的主要研究工作如下:1.以卷积神经网络（CNN）为基础,构建了一个多特征融合的肺癌病理图像自动分型模型。针对于全尺寸病理图像（WSI）的问题,对其进行数据预处理操作,包括图像分块处理和颜色归一化方法;随后,为了使深层网络也能学习低层次的特征信息,将预处理后数据集输入到Efficient Net B0网络进行特征学习,提取多层次特征;同时,通过获取图像灰度共生矩阵（GLCM）输入网络进一步提取图像的纹理特征;最后,对所提取的局部特征和多尺度特征进行融合,利用分类器完成肺癌病理图像分型任务。实验结果表明,该模型准确率相较于其他分类方法有所提高。2.为了在全尺寸病理图像上实现患者的肿瘤突变负荷高低的预判,本文结合迁移学习和随机森林算法将肺癌小尺寸图像块的肿瘤突变负荷分类问题转化为对整个图像分类的问题,采用微调的Xception网络提取特征,再引入池化策略和随机森林（RF）算法对全尺寸病理图像的特征进行融合,实现对整幅图像整体的肿瘤突变负荷高低进行评估,以达到快速筛选免疫治疗的潜在获益患者的目的。3.此外,本文设计了一个肺癌组织病理图像分析的可视化软件。采用Tkinter对图形用户界面进行设计,可以使用户简单直观地实现肺癌组织病理图像分型识别和肿瘤突变负荷预判任务。