胃癌是全球最常见的恶行肿瘤之一,由于癌症的异质性,胃癌的表型复杂多样,使得癌症的诊断和治疗十分困难,而且由于多数胃癌患者确诊时已处于癌症晚期,预后较差。因此,针对胃癌异质性的研究和个性化预后模型的构建对于胃癌患者治疗方案的制定和延长胃癌患者的预后具有重要意义。微卫星不稳定性（Microsatellite Instability,MSI）是由DNA错配修复受损导致的一种特殊癌症表型,研究表明,MSI型胃癌患者拥有独特的临床病理特征,更容易从癌症免疫疗法中获益。MSI型胃癌患者通常具有良好的总体长期预后,与同期的非MSI型患者相比,具有更高的生存率,且随着癌症的进展,MSI逐渐累积增加,因此,MSI检测对胃癌患者的早期诊断和筛查,辅助胃癌治疗的临床决策以及延长胃癌患者的预后具有重要意义。传统的MSI检测需要通过免疫组织化学分析或者聚合酶链式反应进行,需要较高的经济和时间成本,难以在临床上推广到每一个患者。而组织病理学和计算机技术的发展为癌症的诊断和预后预测提供了新视野。近年来,基于病理图像的辅助诊断模型迅速发展,组织病理图像的纹理分析广泛用于癌症的分级,分类,预测和预后模型的构建。因此,本课题研究了基于胃癌患者组织病理图像进行胃癌患者MSI状态预测和预后预测模型构建的可行性。研究的主要内容包括:（1）基于组织病理图像全切片纹理特征的MSI预测研究研究基于胃癌患者的组织病理图像全切片的ROI进行特征提取,使用Lasso回归进行特征选择,选出最佳λ对应的特征,并验证特征与标签的相关性,进而结合logistic回归构建分类模型,并使用查准率,查全率,F1分数和ROC评价模型的性能。（2）基于组织病理图像小切片纹理特征的MSI预测研究为了以较低的成本实现胃癌患者的MSI检测,研究基于容易获得的胃癌患者的组织病理图像提取定量图像特征,通过特征选择技术,筛选出与胃癌患者MSI状态最相关的特征,基于得到的特征,在切片水平训练了五种机器学习分类模型,使用硬投票的方法基于切片水平的预测结果实现个体水平的MSI状态预测,针对硬投票方法的局限性加以改进,提出一种加权投票算法用于个体水平的MSI状态预测,并分别在切片水平和个体水平上通过准确率,召回率,F1分数,ROC等指标对比分析分类模型的性能。（3）基于MSI预测的胃癌预后预测模型构建为了构建胃癌患者个性化的预后预测模型,改善传统预后模型的性能,研究基于胃癌患者的MSI预测结果,为每位胃癌患者构建MSI风险评分,基于MSI风险评分将胃癌患者分为高风险组和低风险组,使用Kaplan-Meier分析绘制胃癌患者的生存曲线,结合Log-Rank检验对比了高低风险组胃癌患者的生存概率的差异,使用多因素Cox回归探究了MSI风险评分、TNM分期和临床信息对胃癌患者预后的影响,并构建了五种基于不同预后因素的预后预测模型,使用C指数,校准曲线和决策曲线分析对比它们的预后预测性能。本研究通过提取胃癌患者组织病理图像的定量特征,通过机器学习算法,结合研究提出的加权投票算法实现了MSI状态预测,进一步,基于MSI状态预测为每位患者构建MSI风险评分,分析了MSI风险评分与胃癌患者预后的关系,并基于MSI风险评分构建预后预测模型。结果表明,研究提出的方法可以以较低的成本实现胃癌患者的MSI预测,结合MSI风险评分构建的预后预测模型与传统的预后模型相比具有更好的预后性能,能够为胃癌患者的预后判断和临床决策的制定提供更好的参考。