在医学临床研究中,病理影像是医生诊断癌症的基础。随着数字切片技术的发展,全视野的数字化病理图像相较于传统玻璃切片,可以在不同倍率下清晰地表示出细胞信息。但每一张病理图像仍然需要病理专家认真地读片,并没有降低医生在诊断方面耗费的时间与精力。随着计算机硬件与人工智能技术的发展,将深度学习与病理图像相结合一方面可以用于预测病理图像中的肿瘤区域或其他目标区域,另一方面可以用于挖掘病理图像中隐藏的疾病特征并进行预后因素的探索,在临床中的意义重大。使用深度学习模型预测病理图像中的肿瘤区域已经被证实是有效的,但肿瘤存在很多的亚型,罕见的肿瘤亚型由于样本量不足导致网络模型的特征表示很容易偏向于常见的肿瘤亚型,所以在预测罕见亚型的肿瘤区域时敏感性较低,进而造成漏诊。这种常见肿瘤亚型占据大部分样本,而罕见肿瘤亚型占据少部分样本的数据分布在学术界被称为长尾分布。但本文数据集与公共数据集的长尾分布有着本质的不同:尽管不同亚型之间发生了长尾分布,但它们的非肿瘤区域或肿瘤区域仍然属于相同的标签。由于非肿瘤区域都为特征一致的正常细胞,而肿瘤区域的肿瘤细胞存在特征上的差异性与多样性,所以肿瘤亚型长尾分布对于深度学习模型指标的影响只体现在肿瘤区域中。因此,本文的研究目标是在深度学习模型能够保证预测病理图像中病理区域整体准确率和整体特异性的前提下,提升预测罕见亚型肿瘤区域的敏感性,主要研究工作如下:1)针对高分辨率的胃癌病理图像作为深度学习模型的输入会导致参数量和浮点计算量大幅提升的问题,本文结合大津法与医生提供的标注信息将其预处理为256*256的patch图像作为网络的输入,通过patch图像级别的分类实现病理图像级别的区域预测。2)针对数据集中肿瘤区域内亚型的长尾分布会导致模型预测不平衡的问题,本文基于最优基准模型,将数据重采样、损失重加权、Mixup数据增强、解耦两阶段训练和双边分支的算法进行了改进与扩展,设计与实现了一系列在肿瘤区域内基于平衡亚型长尾分布算法的模型,并进行了大量实验。3)针对基于平衡亚型长尾分布算法的模型在指标上虽有提升但仍不能满足研究目标的问题,在深入分析实验结果后,本文基于最优基准模型,首先提出了基于对比学习的算法来拉近不同亚型在肿瘤区域的特征表示,其次提出了单阶段训练的多专家模型,可以在同一模型的单阶段训练中得到数据分布具有差异性的不同子网络,最后将两者结合,提出了基于对比学习的多专家模型Con Exp Net,并进行了消融实验。本文的研究经过大量实验,Con Exp Net在保证整体准确率和整体特异性（85%以上）的前提下,将预测不同亚型肿瘤区域的最低敏感性从基准模型的69.8%提升到了83.8%,达到了本文的研究目标。