深度学习的出现给诸如机器视觉、机器翻译等领域来前所未有的发展。近年来,将深度学习与医疗相结合受到了广泛关注,如将深度学习应用于疾病诊断、处方推荐和电子病历数据的生成等。本文首先回顾了已有的深度学习在电子病历中的研究,总结了其成绩和不足。接着针对电子病历的数据生成和处方推荐两个问题展开了研究:(1)电子病历数据中存在病人隐私信息,严重限制了数据共享,造成相关研究缺乏充分的研究数据;利用生成式对抗网络通过共享生成的电子病历数据不仅可以很好的规避数据隐私问题,还可以弥补实际研究中的数据不足;(2)根据已有的电子病历数据中的疾病和对应处方信息,利用递归神经网络(RNN)技术构建反映疾病和处方之间复杂关系的模型,针对复杂病情组合,推荐相应的处方以辅助医生进行决策,这将在很大程度上缓解基层医生经验不足的情况。首先,本文提出了分组相关生成对抗网络(Grouped Correlational Generative Adversarial Networks,GcGAN)用于电子病历数据的生成。目前已有的生成对抗网络进行电子病历数据生成的算法如ehrGAN和medGAN,均将电子病历数据中的疾病、药物和治疗手段等字段视为独立的变量,不加区分地输入模型,没有考虑它们的意义和分组,并且忽视了治疗的疗效信息。针对存在的以上问题,本文首先将疗效信息嵌入疾病表示中,然后对分组相关神经网络(Correlational Neural Network,CorrNet)进行了改进,使其显式地学习不同组变量之间的内在相关性。真实电子病历数据上的实验表明,GcGAN生成的电子病历数据在分布统计方面可以达到与真实数据相当的性能。同时在多标签分类评估任务中,通过引入GcGAN生成数据可以提高多标签分类的效果,并优于几种最先进的方法。最后,GcGAN还可以自动区分疾病特异性药物和辅助药物,一定程度上增强了模型的可解释性。其次,本文提出了MedAR模型用于处方推荐。处方推荐是继诊断之后非常重要的一个环节,可以看成一个多标记学习问题,其中利用递归神经网络达到了比传统的多标记学习算法MLKNN和RAkEL更好的效果。本文根据电子病历数据中疾病诊断存在先后的特点,首先利用词向量技术Word2vec进行了单个疾病的分布式表征学习,然后引入注意力机制(Attention)模仿医生的行为获得了一个高效的访问级的疾病表征。最后,借用了RethinkNet思想考虑了标签之间的相关性。真实电子病历数据上的实验结果表明,与DNN、Med_CNN和CNN-RNN等方法相比,MedAR能够显著提高处方推荐的效果。