在医疗信息化进程中,产生了大量数字化医疗文本信息,如中文电子病历,患者健康记录等。医疗文本中蕴含了丰富的医疗领域知识,基于大规模的医疗知识辅助医生进行疾病诊断和风险预测是人工智能在医疗领域的重要研究,有助于提高医生诊断效率,缓解医疗资源缺乏的问题。目前研究者们主要利用深度学习强大的特征表示能力,提取医疗文本中的语义特征向量,然后进行相关的辅助诊断和风险预测研究,但该方法缺乏一定的可解释性,且主要基于数据驱动,对于医疗知识的应用较少。基于此,本文探索了如何在疾病诊断和风险预测中融入医疗知识,并使其具有初步的可解释性,本文主要内容包括以下三个方面:（1）从真实的电子病历出发,构建医疗知识网络,该网络以医疗实体为节点,在同一份电子病历中的实体共现关系为边。（2）分析了现有疾病诊断模型的局限性,提出了融合知识的多视图特征注意力网络,该网络采用多编码器对每种疾病的诊断证据进行捕获。同时,通过图卷积网络在医疗知识网络中提取疾病的经验知识表示。实验表明,与现有方法相比,该模型可以取得更优的效果。（3）探索了级联失效理论在疾病风险预测任务的有效性。将人体系统视为医疗生理网络,在该网络上模拟患者病情恶化的过程,在每个级联阶段可以得到网络节点的有效概率表示,然后利用网络有效概率的变化进行疾病风险预测。实验表明该方法具有更好地预测效果,且病情、异常特征的模拟变化过程与真实病情基本吻合。综上所述,本文基于电子病历,研究了将医疗知识融入到疾病诊断和风险预测的关键技术,并在可解释性方面进行了一定的探索,且取得了初步的研究成果。我们期待这些研究成果可以更广泛地应用于其他医学文本数据和临床任务上,从而进一步推动人工智能技术在医学领域的研究和发展。