肿瘤辅助诊断与风险预测一直是近些年研究的热点问题,在肿瘤疾病高发的今天更具有现实意义。肿瘤风险预测能够对人们患肿瘤风险进行评估,根据评估结果,警示患者注意自身情况。肿瘤疾病辅助诊断不仅能够有效减轻医生的负担,同时也能减少患者的等待时间。常见的风险预测模型和辅助诊断模型将注意力放在病历的上下文信息,没有关注病历文本的整体信息以及远距离信息,也没有将注意力放在病历之间的相似性上。基于此,本文以实际肿瘤病历为研究对象,提出将迁移学习与深度学习相结合用于肿瘤病历分类。在此基础上提取病历关键词,利用文本图卷积神经网络对患病风险进行预测,利用VGBNET模型实现肿瘤疾病辅助诊断。其中具体研究工作包括:（1）提出了病历文本的双粒度分类模型。针对病历文本数据特征提出双粒度分类模型:粗粒度分类,针对文本差别较大的病历样本,采用注意力机制结合双向长短期神经网络对大样本病历进行分类。细粒度分类,针对具有相似性的病历文本,采用迁移学习结合卷积神经网络对小样本病历进行分类;在小样本病历数据分类中,样本数据存在相似性,通过对关键词相似度分析确定可迁移的病历样本。利用小样本中数据量较大的病历数据进行模型训练,根据病历相似性将模型在其他类别小样本病历上进行微调,以实现肿瘤疾病文本分类。（2）提出了基于图卷积神经网络的肿瘤疾病风险预测模型。在风险预测过程中采用PKUSEG工具结合肿瘤病历专有词库针对中文电子病历进行分词。通过点互信息来计算文本标签信息与关键词之间,以及关键词与关键词之间的权值,根据边的权值关系构成文本图。利用两层卷积神经网络将生成的文本图进行卷积,卷积结果用于肿瘤风险预测。文本图卷积神经网络将注意力放在整个文本信息上,能够有效捕捉文本全部的关键信息,以实现预测的实际需求。（3）提出了基于VGBNET的肿瘤辅助诊断模型。VGBNET结合图卷积神经网络（Graph Convolutional Network,GCN）和BERT模型的优点,首先根据共现信息生成词汇图,然后根据词汇图构建图卷积神经网络,并对病历的全局关键信息进行编码,最后将关键词嵌入和文本图嵌入输入到BERT模型中的自注意力层中。利用文本图卷积神经网络获取肿瘤病历中全部关键词的优点,以及BERT获取局部序列信息的优势,能够有效提升辅助诊断的准确率。针对数据不平衡问题,采用迭代提升重采样的方法来平衡数据。该方法随机迭代多组平衡数据,并将这些数据用于辅助诊断模型训练。根据模型评估值,对多组模型进行加权融合,融合后的模型用于肿瘤疾病辅助诊断。最后为了满足模型的易用性,在该模型的基础上对其进行了可视化以用于现实生活的辅助诊断。双粒度分类模型的分类准确率为88%,相比基线模型提升2%。在肿瘤疾病风险预测中,预测疾病发生准确率相比BERT等模型平均提升3%。经多次实验验证,在数据较少时模型性能不会有明显下降,说明该模型具有较强的鲁棒性。VGBNET肿瘤辅助诊断模型的平均F1值为85%,相比其他模型提升4%。该模型在漏诊率和误诊率等多个指标下也取得良好的效果,说明该模型适用于肿瘤疾病辅助诊断。