在人工智能和深度学习高度发展的环境下,如何合理地应用人工智能技术来构建通用疾病检测模型已经成为当下一个研究热点。大量研究将大数据和人工智能引入医疗领域,优化传统流程的效率,提高医疗诊断的精度,给患者带来更好的用户体验。医学影像处理在智能医疗领域有重大的意义。本文通过对肺部X光片图像的信息进行处理,最终来完成肺部疾病的鉴定。本文针对肺部病理检测任务,提出了一种基于注意力卷积二叉神经树的门控图卷积网络。该方法利用当前图像的特征和相关图像的特征来进行病理识别。本文把肺部X光片图像和它们之间的关系构建为一个多模态关系图,其中每个节点代表一个肺部X光片图像,边代表节点之间的关系。一方面,图像关系为图像引入了更多的语义信息,可以深层次地理解图像。另一方面,图像关系为图像之间提供了多种连接种类,有利于避免过拟合与欠拟合。由于引入了肺部X光片图像之间的关系,因此本文通过引入图卷积神经网络来提取这种拓扑结构（图结构）信息。基于图卷积的思想,本文提出了一种在多模态关系图中的图卷积传播规则。具体来说,该方法使用一种编码器在多模态关系图中来传递消息,解决图卷积网络中高维特征数据的消息传递问题。对于编码器,本文提出了一种基于注意力机制的注意力卷积二叉神经树来提取图像具有判别力的特征。另外,本文设计了门控图卷积网络来替代传统的图卷积网络。对每个节点与它们之间的关系进行建模时,门控图卷积解决了在同阶邻域上不同邻居的权重分配问题,加强了整体架构在图结构上的泛化能力。针对模型复杂度问题,本文采用部分参数共享思想,减少了模型的参数量,从而降低了整个模型的复杂度。为验证基于注意力卷积二叉神经树的门控图卷积网络对肺部病理鉴别的有效性,本文在Chest X-rays14数据集上构建了一个多模态关系图并对模型进行了验证,并通过AUC对肺部病变鉴别结果进行评估。在实验中,本文跟最新的其他9个基线进行了对比并评估了14个不同病理的预测结果。另外,本文还对比了该方法和最新基线的每秒浮点运算次数和模型参数量。在实验中,与其它9种方法对比了模型的复杂度、肺部病理检测性能、多病理检测上的平均性能提升,实施了在单类病理上的性能均衡分析并对模型的结果进行了可视化。通过全方面的分析,本文模型的预测精度和适用性更加优秀,并且在模型复杂度上保持良好。