研究意义:随着人工智能的快速发展,不同影像特征广泛应用于辅助临床精准医疗决策。其中,影像组学分析可以在不同模式的医学图像上进行,挖掘多模态特征以提供更全面更丰富层次的信息,深度学习（Deep Learning,DL）特征提取能够自动学习抽取对于研究任务最有利的特征。通过对这些不同种类特征进行优化组合,既保留了多种类型特征的有效判别信息,又在一定程度上消除了不相关信息。因此,本文研究对于脑脓肿与囊性胶质瘤的分类任务,加入DL特征提取。此外,剂量组学特征,即剂量图（Dose Map,DM）特征,能够提供剂量分布的量化特征用来预测放疗反应,针对直肠癌同步放化疗（Concurrent Chemoradiotherapy,CRT）的CT图像不包含放射治疗信息的特点,本文研究对于直肠癌CRT后定量血液毒性分级任务,加入DM特征提取。研究方法:（1）基于DL和手工设计的影像组学（Hand-Crafted Radiomics,HCR）特征的鉴别脑脓肿和囊性胶质瘤的研究。单中心回顾性分析涉及188名经病理证实为脑脓肿（102）或囊性胶质瘤（86）的患者。从患者的T1加权成像（T1-Weighted Imaging,T1WI）和T2加权成像（T2-Weighted Imaging,T2WI）中提取了1000个DL特征和105个HCR特征。HCR特征结合DL特征一同通过基于支持向量机（Support Vector Machine,SVM）的递归特征消除法（Recursive Feature Elimination,RFE）进行特征重要性评估,筛选前10个特征在训练集中构建支持向量机预测模型,并在测试集中进行测试。根据受试者工作特征（Receiver Operating Characteristic,ROC）曲线的曲线下面积（Area Under The Curve,AUC）、约登指数和准确度等量化指标评估模型性能。（2）基于剂量和影像组学特征提取的直肠癌放疗后血液毒性分级的研究。单中心回顾性分析涉及100名证实为轻度血液毒性（40）或重度血液毒性（60）的患者。从患者的CT图像和三维剂量分布图中分别提取100个特征。HCR特征结合DM特征一同通过基于LR（Logistic Regression,LR）的RFE进行特征重要性评估,筛选前7个特征在训练集中构建支持向量机预测模型,并在测试集中进行测试。实验结果:（1）在第一项研究中,基于深度学习的影像组学（Deep Learning-Based Radiomics,DLR）特征,即DL特征与HCR特征相结合,在区分脑脓肿和囊性胶质瘤方面具有较高的准确性。基于T2WI的DLR特征构建模型的AUC值,在训练和测试集中分别为0.86（95%CI:0.81、0.91）和0.85（95%CI:0.75、0.95）。（2）在第二项研究中,基于剂量图像和CT图像特征构建的模型,在预测直肠癌放疗后血液毒性分级方面具有较高的准确性。构建模型的AUC值在训练和测试集中分别为0.78（95%CI:0.75、0.81）和0.73。实验结论:（1）利用DLR特征建立的模型可以有效区分脑脓肿和囊性胶质瘤,为鉴别诊断提供了一种高效、便捷、无创的方法。首次提出基于常规MRI的深度影像组学模型来识别这两种疾病。此外,结合HCR和DL特征构建的模型带来令人印象深刻的性能。（2）使用DM特征结合HCR特征的方法预测直肠癌患者放疗后的定量血液毒性,开发了一个急性血液毒性作为辐射剂量函数的预测模型。