非小细胞肺癌（NSCLC）是肺癌相关死亡的主要原因。NSCLC患者的生存风险分层能帮助医生制定个体化治疗方案、规划随访计划和延长病人的生存期,人工智能可以从大量医疗信息中识别关键的信息,帮助患者预后。目前,肿瘤淋巴转移（TNM）分期是生存风险分层的主要手段,也是医生判断患者生存风险的重要指标,然而TNM分期需要进行病理检测,这有可能给患者带来感染的风险。为了解决这一问题,本文通过正电子发射断层显像/X线计算机断层成像（PET/CT）图像获取NSCLC病人的TNM分期和将NSCLC病人生存风险分层,减少患者病理检测的痛苦,帮助医生有效决策。主要研究内容如下:（1）为了将NSCLC患者生存风险准确分层,通过治疗前的PET/CT图像,对467例NSCLC患者建立深度学习模型,并根据其预测结果对患者生存风险分层。首先,对原始PET/CT图像进行预处理,得到患者正面和侧面的全身最大密度投影（MIP）图像。其次,基于MIP图像、影像组学数据和临床信息,深度学习模型中,设计了多模态信息的融合模块。然后,训练深度学习模型以获得生存风险分层。最后,利用接收者操作特征曲线下的面积（AUC）和准确率对模型性能进行评价。在预测患者生存风险时,模型的AUC为0.84,准确率为0.78,高于临床信息作为输入的随机森林模型（准确率:0.78,AUC:0.78）和传统的影像组学模型（准确率:0.71,AUC:0.78）。本文的模型对NSCLC患者更有效地进行生存风险分层,为患者提供早期预后信息。（2）为了获取NSCLC患者的TNM分期和生存风险分层,本文提出了端到端的多任务深度学习模型,在深度学习模型框架中,可以预测TNM分期和生存风险分层高低。多任务深度学习模型将TNM分期做为辅助任务,NSCLC患者生存风险分层作为主要任务,两个任务的在训练过程中相互促进。首先,使用Swin Transformer提取正面和侧面MIP图像的深度学习特征,并与影像组学特征融合。然后,使用融合后的特征同时预测NSCLC患者的TNM分期和生存风险分层。实验结果表明,本文所提出多任务深度学习模型优于传统的基于影像组学的随机森林模型模型和单任务的深度学习模型。