目的:准确评估膀胱固有肌层的浸润情况是膀胱癌病理分级、分期诊断和预后评估的必要前提。由于病理诊断的主观性和图像信息的复杂性,有时依据显微镜区分非肌层浸润性膀胱癌（包括Ta和T1期）与肌层浸润性膀胱癌（T2-T4期）对于病理学家来说是一大挑战。本研究旨在利用Res-UNet深度学习分割模型,预测膀胱癌的数字化病理图像中的癌组织与固有肌层平滑肌组织,进而采用Efficient Net V2分类模型实现对非肌层浸润性膀胱癌与肌层浸润性膀胱癌的准确分类预测。方法:收集2018年至2021年之间山西医科大学第一医院350例（其中148例肌层浸润性膀胱癌,202例非肌层浸润性膀胱癌）经根治性全膀胱切除术后或经尿道膀胱肿瘤电切术后病理确诊为膀胱癌的患者,共计741张H＆E染色组织切片,其中包括419张肌层浸润和322张非肌层浸润。经扫描仪扫描成全切片数字化病理图像（Whole Slide Images,WSI）。将所有数据集按照7:3的比例随机拆分成训练集和测试集。首先,从数据集中分别随机选取49张肌层浸润和41张非肌层浸润的全切片数字化病理图像作为分割模型的数据集,按7:3的比例随机分为训练集和测试集。基于Res-UNet网络架构建立一种数字化病理图像分割模型,模型使用人工标记癌灶区域和平滑肌区域的病理图像块作为输入,对病理图像中的背景区、平滑肌和癌三种类型进行分割训练得到相应的概率,通过计算DICE值来评价模型分割的效果。DICE均值最高的模型作为最优模型,并使用该模型对数据集中所有本研究所有切片进行分割。将分割模型得出的预测概率热图拼接原始图像作为Efficient Net V2分类模型的输入,进行肌层浸润性膀胱癌和非肌层浸润性膀胱癌的分类预测。模型训练采用五折交叉验证法,对所有交叉验证集的模型计算平均受试者工作特征曲线下面积值（area under curve,AUC）,均值最高的模型作为最优模型用于测试集的验证,最后将5个模型预测的均值作为预测的结果。结果:使用Res-UNet进行分割的模型,验证集中平滑肌组织与癌组织的平均DICE分别为0.704、0.662,在测试集中平滑肌组织与癌组织的平均DICE分别0.716、0.703。对于预测得到的概率图,通过分析其与金标准之间的重叠率来评估分割性能,结果显示模型能准确区分膀胱癌数字化病理图像中的大部分癌灶区域、平滑肌区域和背景区域。在使用Efficient Net V2分类模型对肌层浸润情况进行分类时,基于分割概率预测热图拼接原始病理图像作为输入的分类模型在训练集、验证集、测试集中的准确率分别达到83.5%、82.8%、79.0%,AUC分别达到0.899、0.887、0.836。相比之下,单独使用原始病理图像作为输入的分类模型准确率分别为72.8%、79.8%、77.0%,AUC值分别为0.800、0.775、0.823,表明分类模型可以用于肌层浸润和非肌层浸润性膀胱癌的鉴别。此外,将分割预测结果用于分类模型可以提高分类的预测性能。结论:本研究构建的Res-UNet分割模型,可以有效地分割膀胱癌WSI中癌灶和平滑肌组织,分割结果可帮助提高后续分类模型的性能,有望实现对肌层浸润性膀胱癌和非肌层浸润性膀胱癌的精准分类,从而准确区分Ta、T1期和≥T2期膀胱癌,提高病理医生对p TNM分期的精准评估,为病理实践提供一种新的辅助诊断工具,进而准确预测预后以及指导临床决策。