受益于数据的爆炸式增长和算力的飞速发展,以深度神经网络为代表的人工智能技术飞速发展。如今,深度学习技术已广泛应用在医疗诊断领域进行手术风险自动评估、药物研发、疾病预测、疾病早筛等。美国食品和药物管理局（FDA）在2018年已经批准了有史以来第一款自动人工智能（AI）诊断仪的上市。伴随着人工智能系统的日益推广,如何对其在医疗健康等安全关键型环境中的性能进行监管成为新的问题。数据是深度学习模型构建的核心,然而在实际应用环境中,在数据的采集获取过程中,误差不可避免。医疗领域,从疾病的早期发现到诊断到个性化治疗,实验室检测结果数据主导了70%以上的医疗决策和个性化用药。但受限于设备、仪器、材料、测试方法等,实验室检查结果不可避免会出现误差。虽然各检测实验室均有其相应的质量控制和临床检验操作规范,但很显然在现实世界中无法得到完全准确的测试结果,精度仍在一定范围之内。很小的精度范围有可能会导致错误的估计结果。本文旨在如何应对检测值不精确范围而引起预测偏差对疾病发展预测模型展开研究。本文的主要贡献如下:（1）提出了基于数据不精确范围的损失函数。由于检测值不精确范围空间中的任意值也是可接受的,而传统损失函数忽略了该空间内其他值的贡献。本文提出了基于数据不精确范围空间的损失函数（Imprecision Range Loss,IR Loss）,将不精确空间内数据按概率放入损失函数的计算中,后续实验表明所提出的IR Loss相对传统损失函数,能够有效提高测试集无扰动时预测的准确性和测试集增加扰动时预测的稳定性。（2）提出了基于IR Loss的疾病预测模型。在IR Loss基础上,提出了训练数据不精确范围空间的离散化方法和预测模型参数近似最优化求解方法,按照不同扰动大小和细粒度生成对应的扰动数据集,将离散化后的扰动数据集和原始训练集按批次进行训练。进一步将IR Loss引入考虑时间戳的疾病预测模型,并将IR Loss与随机平滑方法进行结合,探讨了IR Loss的可扩展性,其可适用于拟合、分类等多种学习任务,在多个深度学习模型及机器学习方法上都有较好的表现。（3）开发了扰动传播分析系统。首先定义了衡量模型适应扰动稳定性的指标Sen,然后提出了评估模型稳定性的Cross Lip算法并改进了求解神经网络局部Lipschitz常数的表达式。并使用Flask和Vue.js框架开发了相应的扰动传播分析系统。该系统通过分析神经网络的扰动传播过程,给出扰动变化的结果展示,并根据所设置的不同参数模型计算得到的Lipschitz常数给出最优模型推荐。