近年来的很多工作都证明了深度学习在很多领域中的优越性,例如图像识别、自然语言处理、语音识别等。该技术中拥有非凡的性能并可以大大减少重复性人工成本。得益于医学图像数字化技术的发展,人工智能辅助的医学诊断成为一种可能。深度学习技术目前在成人病理任务上的尝试屡见不鲜,但在儿童肿瘤病理任务的应用却较为罕见。儿童癌症是造成儿童死亡的一个最主要原因,目前全世界都在面对严重缺少有经验的儿科病理专家的问题,因此开发能够辅助儿科病理医生进行日常诊断的人工智能算法刻不容缓。在使用深度学习来辅助儿童肿瘤病理诊断时,需要解决三大重点问题,即:关键特征提取问题;小样本问题;异信息源融合问题。围绕这三个平行问题,我们分别提出了有针对性的解决方案并同时注重相应辅助诊断模型的可解释性提升。病理图像与其他类型图像相比存在很多独特之处,因而高效地定向提取病理图像中的关键特征是一个重要问题。病理图像并不像自然图像那样有对象与背景的明确区分并且病理图像分析的目的往往不在于提取对象或分析更高层级的抽象语义特征,而在于分析细胞形态、组织或细胞整体的排列状态等进而得出结论。所以在对病理图像的分析任务中需要根据病理图像自身特点进行特殊的模型设计。在神经母细胞瘤七分类任务中,我们提出将神经网络与纹理能量测量（TEM）相结合,并提出了一种名为深度纹理网络（Detex Net）的新型网络架构,即本文第一项贡献。该方法通过在网络底层引入专家知识作为先验,使底层表征模式的含义更加清晰明确,从而使网络更顺利地抓住病理图像的关键信息。该模型通过定向抓取关键性信息实现了性能提升,并且为领域特点突出的研究任务提供了值得借鉴的研究思路。由于儿童癌症发病率低、儿童的人口基数小、相关切片数据难获取等原因,小样本问题在儿童肿瘤病理研究领域中更为突出。在小样本场景下高噪声和高多样性是造成模型性能不佳的主要原因。我们创新地提出模型Saga Net来解决小圆蓝细胞恶性肿瘤（SRBCTs）的二分类诊断问题,即本文第二项贡献。我们通过设计掩码过滤机制来主动屏蔽噪声来源并使模型关注病理图像中的有效细胞区域,并提出模长感知铰链损失以提高模型对特征多样性的容忍度。实验证明我们的方法收益显著并超越了目前的主流模型。该研究说明在数据量明显不足时主动屏蔽无用信息是可行且必要的。并且,通过在损失函数中添加显性的映射关系来增强模型对特征的区分能力是一种有效的做法。医学数据中多样的信息源对于特定任务的作用往往不明确,所以如何综合利用这些信息并且能使不同信息源之间达成互补是一个值得关注的重要问题。对于神经母细胞瘤四分类任务,我们使用多视图最大熵判别模型（MVMED）来解决该问题,即本文第三项贡献。我们利用边距一致性理论并在贝叶斯学习框架下通过变分优化来获取分类器的后验分布。实验中多视图模型比单视图和其他主流模型性能更优,并证明通过共享分类边距的多视图学习方法进行自动化特征选择的做法适用于异信息源的任务场景。本文的第四项贡献是,通过引入数据形式不同的外部信息源来对目标任务进行信息补充。在小圆蓝细胞恶性肿瘤的蛋白质检测序列自动化分类任务中,基于病理专家根据蛋白质功能对序列做诊断的事实,我们提出在上游任务中构建儿科常用蛋白质知识图谱并向量化,将得到的蛋白质功能向量应用于下游的蛋白质检测序列分类任务。实验结果证明上游任务的信息有效地融合到到下游任务的信息中并且所提出模型实现了最优的分类性能。这种通过下游任务判断逻辑来选择上游任务抓取信息类别的策略也适用于其他数据形式特殊并且信息不足的研究。高可解释性是深度学习应用于医疗领域的必要条件,因此我们在每个工作中都会在解决对应问题的同时注重可解释性的提升。第一项工作中我们通过指定网络提取纹理特征使特征含义更加明确;第二项工作中我们通过显式的方式来滤除图像噪声;第三项工作中我们提取不同类型的传统特征进行多视图学习,使得图像特征在信息丰富的同时不失明确物理含义;第四项工作中我们明确地构建出蛋白质知识图谱并在下游任务中通过可视化自注意力层并提出蛋白质的重要性和耦合性两种功能衡量指标来透明化决策过程。