乳腺癌多发于女性,其发病率居妇女恶性肿瘤首位,是女性死亡的第二大因素,严重威胁女性健康。临床研究至今未明确乳腺癌的直接致病因素,这使得目前尚无有效的乳腺癌一级预防措施,因此,早期的诊断尤为重要。在乳腺癌检查中,乳腺钼靶检查凭借其对微小钙化更为敏感的优点,成为乳腺肿瘤的主要辅助检查手段,其检查报告是临床医生进行乳腺肿瘤性质判定的重要依据。因此,利用乳腺钼靶检查报告辅助医生进行乳腺肿瘤诊断,缓解乳腺肿瘤筛查中医生的压力,是智慧医疗、智能诊疗的重要体现。目前,用于乳腺肿瘤诊断的深度学习模型取得了较好的效果,但由于其忽略了实际数据的复杂选择过程,即模型测试和训练数据可能存在分布偏移问题,致使模型稳定性较差。且这些模型大多缺乏可解释性,而医疗领域中的诊断、预后模型对模型的安全和可靠是极度敏感的,无法为医生提供足够可靠的决策结果解释是模型在实际临床中无法普及的一大原因。为实现基于乳腺钼靶检查报告的乳腺肿瘤良恶性精准诊断,同时改善模型的稳定性与可解释性问题,本文基于上海市某三甲医院的真实数据,提出了基于因果稳定学习的乳腺肿瘤分类模型（SSC-Tab Net）,并结合该模型的自解释与事后可解释方法为决策结果提供可解释性分析。为实现辅助临床医生的诊断,本文基于该模型设计并搭建了乳腺肿瘤辅助诊断系统。本文的研究内容主要分为以下三个部分。（1）构建基于因果稳定学习的乳腺肿瘤诊断模型该部分提出了一个SSC-Tab Net模型,首先基于乳腺钼靶检查报告的构成及结构特点完成数据集准备。然后按照“段-组织描述句-属性描述句”规则,基于乳腺钼靶语义树实现钼靶报告的结构化,以此获取钼靶报告丰富的语义层次。之后,使用非线性函数将输入数据映射到低维空间,在保留原始特征信息的同时降低特征维度,以此缓解数据的缺失情况。同时,在低维空间中有助于后续全局平衡权重的学习。最终,利用因果推理学习全局平衡权重,并使用该权重指导模型的特征选择过程,用于提升模型的稳定性。实验结果表明,本文所提出模型比传统的结构化数据分类算法具有更好的准确率与稳定性。（2）实现基于模型自解释与模型事后解释的可解释性分析该部分对SSC-Tab Net模型进行了可解释性分析,首先分析了该模型决策乳腺肿瘤性质的内部机制,计算每一决策步权重系数矩阵的加权和,将其作为乳腺肿瘤特征的重要性分数,实现模型的自解释。然后使用模型事后可解释分析方法获得任一乳腺肿瘤特征对模型决策的贡献度,为模型提供补充性可解释分析。本文联合模型自解释与模型事后解释方法,共同为模型提供可解释分析,提高模型的可靠性。（3）设计并搭建乳腺肿瘤辅助诊断系统为将模型应用于临床实际,有效辅助医生诊断,该部分设计搭建了一个乳腺肿瘤辅助诊断系统。该部分从医生角度出发,进行用户需求分析、功能需求分析及用例设计,并依据其完成系统总体框架、实现的技术方案和数据库的设计。最终实现了钼靶报告的管理,报告的诊断及可解释分析等功能。