乳腺癌具有较高的发病率以及死亡率,是女性最常见的肿瘤疾病。目前,乳腺癌的诊疗模式已经逐步转化为具有针对性的个体化治疗方案。而乳腺癌病理信息中的Ki-67表达水平、分子分型及组织学分级等信息可为患者提供预后信息,这些指标有助于治疗计划的制定,预测患者的诊治疗效。在乳腺癌诊断治疗前需要进行医学影像检查,多参数磁共振成像包括多种成像技术,根据多种影像综合分析可以对癌症提供充足的信息,在乳腺癌诊疗中发挥重要作用。而多任务学习可以对显著相关的多个任务共享部分参数以达到相互学习的目的,进而提高单一任务学习的性能。一般乳腺癌研究方法都是使用机器学习对单参数影像进行研究,且大部分研究只针对于一种或两种病理信息进行单独预测。本研究使用多参数磁共振影像对乳腺癌Ki-67表达、分子分型以及组织学分级等病理信息进行深度多任务学习联合预测研究。具体研究内容如下:（1）对患者病理信息数据采集并对其进行处理和分析:回顾性分析202例术前,化疗前的浸润性导管癌患者乳腺MRI数据,整理乳腺癌患者的病理信息数据并统计患者的年龄、绝经情况、Ki-67表达、分子分型以及组织学分级等的基本信息。使用卡方检验以及方差分析对患者病理信息等进行统计分析。获取原始多参数影像并进行预处理,使用人工方法分割出含肿瘤的腺体影像,并对处理好的影像数据进行扩充。（2）基于单任务深度学习的乳腺癌病理信息预测研究:在建立乳腺癌病理信息预测模型中,使用在大数据集Image Net上预训练好的模型权重参数作为迁移学习,重新设计其分类层,并使用微调的方法重训练解冻层及分类层,分别对乳腺癌分子分型、组织学分级和Ki-67表达进行预测。在单任务学习研究中,预测Ki-67表达、分子分型以及组织学分级这三个任务的研究是独立进行的,相互之间没有联系。（3）基于多任务深度学习的乳腺癌病理信息预测研究:为了改善单任务学习病理信息预测模型的性能,我们提出了深度多任务学习方法。建立深度多任务学习乳腺癌病理信息预测模型,对乳腺癌Ki-67表达、Luminal A型以及组织学分级同时进行预测,并对模型的预测性能进行评估。将单任务学习方法与多任务学习进行对比分析,评估出最佳学习方法。（4）基于多任务多参数影像融合的乳腺癌病理信息预测研究:为了充分利用影像信息,本文主要提出了三种影像融合的方法来对乳腺癌病理信息进行预测,分别是基于决策层平均的融合算法、基于特征串联的特征层融合算法和基于特征并联的特征层融合算法。使用以上三种影像融合方法分别对多参数影像进行病理信息预测研究,分析其实验结果。实验结果显示,深度多任务学习结合多参数影像模型预测Ki-67表达、Luminal A和组织学分级的最佳AUC为0.819,0.799,0.747。结果表明,基于深度多任务学习方法结合多参数影像的乳腺癌分析能够显著提高Ki-67表达、Luminal A型以及组织学分级的预测性能,对乳腺癌的诊断和个性化治疗方案的选择具有重要意义。