癌症是一种危重疾病,对于大部分实体肿瘤,上皮组织区域是癌症的原始病发区。病理学家诊断、风险因素评估及组织形态学分析的方法都始于上皮组织区域。自动检测及分析上皮组织区域中细胞核的形态,有助于病理学家对病情的诊断及对预后进行深入评估。肿瘤的分类与病患的诊疗策略及预后息息相关,在传统的病理诊断中,病理专家通常利用肉眼观察来捕获这些类别信息,其工作量大、检测周期长,而且不同专家得出的结果也存在差异。自动的肿瘤级别的分类,可以作为第二阅读者,为病理学家提供客观的辅助信息,减轻工作量,提高准确率。目前,大部分肿瘤区域的自动分割、分类的研究多基于传统“手工特征”,训练数据少,并不易适用于新数据。本研究的重点在于如何应用深度学习模型自动分级乳腺癌肿瘤等级以及自动分割口腔鳞状细胞癌上皮组织区域,并在多中心上评估模型的泛化性和评估模型自动分割区域和手工标注区域中提取特征的等效性。在乳腺癌自动分类系统研究中,对数量n=98个病人的98张全幅玻璃切片图像进行肿瘤级别的分类（其中肿瘤级别低的数量n=34例,肿瘤级别高的数量n=64例）。本研究使用了 ResNet分类神经网络,将交叉熵函数作为损失函数,并进行了重复5次的3折交叉验证。训练好的模型在外部测试集上的平均AUC（ROC曲线下与坐标轴围成的面积,Area Under ROC Curve）值为75.91%±7.60%。在上皮组织区域自动分割的研究中,使用了数量共n=640张的口腔癌症组织病理图像,构建了基于U-Net分割网络的自动上皮组织区域分割系统,并评估了从手动标记的上皮区域与自动分割区域中提取特征的等效性。训练后的模型在验证集的测试表明,模型在10倍放大倍数（即1.00微米/像素）下能够提供最佳的分割效果。定量分析实验中,模型生成的结果与病理学家的标记相比,其像素精度（分割结果像素级别精度）为88.05%,真阳率为82.74%,准确率为86.41%,Dice系数为84.53%。10倍放大倍数下训练的模型锁定为最终模型,将其用于独立测试集中测试和验证形态组学特征的等效性,实验证明了从手动标记的上皮组织区域和自动分割的上皮组织区域中提取的一系列常规手工组织形态特征是等效的,即大部分特征差异在统计学意义上不显著（p＞0.05）。本研究通过乳腺癌自动分类及口腔癌上皮组织自动分割技术研究的结果表明,深度学习算法可以为病理学家提供自动、客观的分类及分割定量结果,提高诊断效率及准确率,展现了深度学习在肿瘤诊断中运用的可能性,为将来构建计算机辅助诊疗系统奠定基础。