随着医学影像人工智能（Artificial Intelligence,AI）技术的发展,人工智能方法日益成为计算机辅助诊断（Computer-Aided Diagnosis,CAD）研究的主流方法。借助CAD系统,影像科医生可以快速地获得计算机的辅助诊断结果作为参考,有利于更准确地做出最终的诊断与决策。为了让临床医生可以更便捷地使用CAD系统,自动化的全流程CAD系统是未来的发展方向之一。医学影像人工智能研究的处理流程包括脏器及病灶的分割与检测、疾病的诊断、预后评估等多个方面。在完成临床诊断任务之外,AI模型的可解释性也是医学影像人工智能必须面对的问题。我们不仅希望CAD可以辅助临床医生更准确进行诊断,同时也希望AI模型可以提供诊断依据,以实现更值得临床医生信赖的CAD系统。为此,本文对全流程CAD系统中的分割、诊断、生存分析以及模型的可解释性等进行了探索,构建了全自动的食管癌及肺癌诊断的CAD模型,显示了基于人工智能的全流程CAD在临床应用中的价值。在基于磁共振成像的食道癌诊断的CAD研究中,本文建立了食管癌的癌灶分割、生存分析及肿瘤消退等级（Tumor Regression Grade,TRG）分类等多个模型,各个模型均取得了优于前人的结果。首先,针对食道癌病灶较小且与周围组织对比较弱的问题,本文提出一种基于注意力机制的3D U-Net分割网络。首先对低分辨Star VIBE图像进行癌灶区域的粗分割,并将粗分割结果作为高分辨Star VIBE序列图像的注意力机制进行细分割,有效地避免了食管癌定位错误影响分割结果的问题。在食管癌的生存分析中,针对影像组学特征数量众多,容易过拟合的问题,本文提出一种特征筛选方法以获得与生存期最相关的影像组学特征。我们将影像组学特征与临床特征相结合构建的生存分析模型,性能优于仅使用临床特征的临床模型及综合了临床特征与医生阅片研判的T分期的临床放射学模型的预测效果;在食管癌的TRG分类问题中,针对单幅图像提取影像组学特征建模精度较低的问题,本文利用化疗前后的MRI图像的影像组学特征的差异性构建了TRG分类模型,将测试集上分类的AUC（Area Under Curve）指标从0.408（单独化疗前图像建模）和0.788（单独化疗后图像建模）提升到0.842。在对肺癌的CAD模型研究中,我们提出全新的基于多任务框架的可解释性深度学习模型（interpretable multi-task Lung Nodule Diagnosis model,im LND）,在改进模型的可解释性同时提升了模型的性能。我们首先利用深度学习对肺结节进行分割,将分割模型输出的概率图输入后续的im LND模型进行病灶诊断。与以往多数的鉴别诊断的网络不同的是,我们的im LND模型不仅利用图像及分割概率图的信息实现了更高精度的肺癌诊断,同时,为解决深度学习的黑盒问题,网络还可以指出与诊断相关的肺结节征象及其位置,为医生确认网络诊断的结果提供了依据,增强了模型的可解释性。我们同时在两个不同任务的公开数据集及内部数据集上对我们的方法进行了验证,结果表明,本文方法不仅增加了模型的可解释性,由于相关征象的学习有利于提取更多疾病相关的特征,模型的诊断效能也优于现有方法。本文的上述研究,展示了全流程计算机辅助诊断方法在实际临床诊断中的价值,也为基于深度学习的CAD模型的可解释性提供了一种思路,增强了CAD模型落地临床应用的可行性。