患者无病生存是临床医学预后研究的重要内容,它为医生制定治疗干预措施提供指导,改善患者生存。基于临床数据的生存分析可有效预测患者预后,但利用复杂多样的临床数据进行预后预测存在诸多挑战。组织病理图像记录了细胞的微观形态及肿瘤微环境,是癌症疾病诊断的金标准,侧面反映疾病严重程度,包含重要预后信息。然而病理学家人工阅片极其耗时,且存在主观偏差。基于计算机的辅助分析方法可有效解决这一问题。使用组织病理图像进行预后预测的方法大致分为两类:基于感兴趣区域（Region of Interest,ROI）的方法和基于全玻片病理图像（Whole Slide Image,WSI）的方法。从病理学家标注的ROI获取图像切块,提取组织纹理、形态等人工特征用于患者的预后分析,性能较差。该类方法存在以下问题:1)病理学家人工标注成本巨大且有主观偏差;2)颜色差异导致提取的人工特征刻画不准确;3)提取的组织特征解释性较差。从WSI中自动提取全玻片病理图像全局信息进行预后,可降低人工成本,消除主观误差,提升性能。但传统WSI方法未过滤无效切块且无法有效提取并聚合预后特征。针对上述问题,本文从病理图像的细胞微观形态和全图宏观表达两角度研究预后特征提取方法,构建两类风险预测模型。主要工作及贡献概括如下:1)面向有丝分裂细胞特征的Deep Mitosis Surv方法。有丝分裂计数是大部分癌症评估肿瘤侵袭性的重要参数。基于目标检测网络提取有丝分裂细胞特征作为协变量,构建Cox比例风险模型。性能优于基于随访数据的预后方法且具解释性。2)面向全玻片病理图像的Deep GCNMIL方法。在多示例学习框架中使用三层图卷积神经网络来学习每个图像切块表型的表示,引入基于注意力的多示例学习池化聚合表型簇特征,输出预后风险。该方法在NLST肺癌数据集和TCGA＿BRCA乳腺癌数据集上的一致性指数领先第二名0.026、0.014,超越当前同类主流方法。对于大规模GB像素的病理图像,该方法可有效评估患者预后风险并帮助提供个性化医疗。3)面向全玻片病理图像的Deep GATMIL方法。在DeepGCNMIL的基础上引入三层注意力图神经网络来学习每个表型的表示,使用多头注意力聚合表型簇特征,在NLST和TCGA＿BRCA数据集上的一致性指数领先第二名0.042、0.024。