淋巴结转移的范围和程度在临床上通常作为临床专家为癌症患者制定后续的治疗措施以及评估癌症患者预后情况的重要依据,准确的淋巴结转移评估结果能让医生为患者制定更加合理的治疗方案,提高治疗效率从而减少医疗开支。目前临床上一般根据淋巴结短径大于等于10mm与最大标准摄取值大于等于2.5来判别肺癌淋巴结是否发生转移,但依照这两个指标判别的准确率不高。主要因为根据患者淋巴结的尺寸和最大标准摄取值的大小来判断患者的淋巴结是否发生转移容易受其他因素干扰,例如肺结核患者以及老年人的淋巴结代谢程度会偏高。精准判断淋巴结是否发生转移需要综合更多的信息。随着电子病历系统不断发展,很多研究利用电子病历中丰富的信息,结合计算机技术构建淋巴结转移评估模型,辅助医生做出更为精准的淋巴结转移评估结果。目前国内外利用电子病历构建淋巴结转移评估模型的研究工作存在以下问题:1)大部分特征存在于非结构化的影像报告中,这些特征手工提取费时费力且提取的准确率难以保障;2)难以利用每个患者之间隐式的相似性信息。本文针对以上问题提出了一种基于电子病历的肺癌患者淋巴结转评估方法。该方法利用自然语言处理技术从CT中文影像报告和PET-CT中文影像报告中自动获取与淋巴结转移评估相关的结构化信息。将从PET-CT中文影像报告和CT中文影像报告中提取的结构化特征与患者的一些临床特征融合来构建淋巴结转移评估数据集,然后用机器学习方法构建淋巴结转移评估模型。同时为了提升评估肺癌淋巴结转移的效果,本文利用图神经网络融合存在于每个患者之间隐式的相似性信息,构建淋巴结转移评估模型来帮助医生在有限的时间内更加准确地诊断患者。本论文的主要内容包括:1)本论文针对CT中文影像报告的特点提出了基于多阶段问答的信息提取方法。对359份CT中文影像报告进行标注,构建了文本语料库。根据文献调研结果和医生讨论的结果设计与淋巴结转移相关的问题模板,然后用基于BERT的机器阅读理解框架分两个阶段遍历问题模板。最终根据问题模板中每个问题回答的结果,结合关键词和规则得到结构化CT特征。实验结果显示,本文提出的基于多阶段问答的信息提取方法要明显优于基于Pipeline的方法,精确率为96.85%,召回率为91.79%,F1值为93.66%,证明了基于多阶段问答的信息提取方案的有效性。针对PET-CT中文影像报告的数据特点设计出可用于提取最大标准摄取值的规则。评估结果显示主肿物SUVmax、纵隔淋巴结SUVmax和肺门淋巴结SUVmax三者的F1分数都超过了90%,证明了规则的有效性。2)本论文将从中文影像报告中提取的结构化影像特征进行人工校验,然后与患者的一些临床特征融合来构建数据集。在构建的数据集上用机器学习方法构建淋巴结转移评估模型,对比发现,机器学习方法构建的淋巴结转移评估模型的准确率要优于临床医生和临床经验（淋巴结短径大于等于10mm和最大标准摄取大于等于2.5）的准确率。同时,利用未进行人工校验的影像提取信息与利用人工校验的影像提取信息训练的模型相比,二者预测的准确率仅相差0.6%,表明从中文影像报告中提取的信息有一定的有效性。3)本论文针对传统机器学习方法难以利用患者之间隐式的相似性问题,提出利用患者相似性构建肺癌患者淋巴结转移图数据集,用图神经网络的方法训练淋巴结转移评估模型。实验结果表明,基于图神经网络的方法AUC要高于临床医生、2个常用阈值以及传统机器学习的结果,表明图神经网络方法能融合患者之间的相似性信息来辅助医生做出更精准的淋巴结转移诊断,让医生能为患者制定更加适合患者的治疗方案从而提高患者的治疗效率。