结直肠癌是全球最常见的恶性肿瘤之一,也是癌症相关死亡的第二大原因。由于治疗方法的不断改进,结直肠癌死亡率逐年下降。人工智能以及分子生物学等相关技术的最新发展开启了改进化疗方案以及结直肠癌靶向治疗的新时代。结直肠癌通过肿瘤抑制基因和癌基因的遗传改变等的积累不断发展,其中Kirsten rat sarcoma viral oncogene homologue（KRAS）基因突变发生在大约30%-40%的结直肠癌中,研究证实结直肠癌中的KRAS基因突变可影响抗表皮生长因子受体（anti-epidermal growth factor receptor,anti-EGFR）等靶向药物的使用。由于这种突变的频率和治疗意义,KRAS检测已被纳入常规临床实践,作为结直肠癌预后预测的重要生物标记物。准确识别医学影像中的KRAS突变状态对于结直肠癌的诊断和治疗具有重要意义。其中结直肠癌肿瘤区域分割和研究KRAS基因状态是计算机辅助诊断结直肠癌任务中两个最基本和最相关的任务。现有的方法通常只为一项任务设计,忽略了联合执行两项任务的潜在好处,且模型都是完全基于卷积神经网络（Convolutional Neural Network,CNN）的,全局建模能力较弱。此外由于结直肠癌有限的注释数据集、巨大的类内差异和高度的类间相似性,基于影像准确判断KRAS基因状态仍然具有挑战性。为了应对这些挑战,本文开展了一些基于深度学习方法判别结直肠癌患者肿瘤区域和KRAS基因突变状态的研究:（1）我们提出了一种空频域双分支注意力模型（spatial-frequency dual-branch attention model,SF-DBAM）来确定结直肠癌患者的KRAS突变状态。该数据集包含169名野生型患者（2151幅图像）和137名突变型患者（1666幅图像）的T2加权磁共振影像（Magnetic resonance imaging,MRI）。第一个分支利用部分预训练的Xception模型来捕获空间域信息并缓解小规模数据集问题。第二个分支使用基于块的离散余弦变换并进行重排将频域信息构建成立方体柱,然后将立方体柱输入卷积长短期记忆（conv LSTM）,以探索重建的频域信息之间的有效信息。此外,我们在每个分支的末端设计了一个通道增强注意力模块（channel enhancement attention module,CEAM）,使它们聚焦于病变区域。最后,融合两个分支的特征,并利用全连接层输出分类结果。所提出的方法在10倍交叉验证中实现了88.03%的总体准确率,AUC为94.27%,特异性为90.75%,优于目前的KRAS突变状态非侵入性方法。我们认为,所提出的方法可以帮助医生诊断结直肠癌患者的KRAS突变状态,其他医学问题也可以从空间和频域信息中受益。（2）我们提出了一个多任务端到端模型辅助结直肠癌诊断,多任务指分割结直肠癌肿瘤区域和判别结直肠癌患者KRAS基因突变状态。该模型利用CNN提取图像的细节信息,利用Transformer模块弥补CNN在长距离依赖方面的不足,再将两者提取的信息通过一个聚合注意力模块重新加权使模型聚焦于病灶区域。之后,我们使用分割掩模获取模块得到分割掩模。在每个尺度上,我们添加了跳跃连接,将深层梯度直接传播到浅层,从而保留不同深度的特征并用于相互细化。接下来,我们对分割掩膜和输入图像通过分割信息引导模块得到只包含病变的分割引导特征图。最后,我们使用基因状态判别模块将获得的分割指导信息、预训练特征和加权注意力特征融合在一起,将融合结果输入分类器得到分类结果。此外,我们还设计了一个联合损失函数,同时约束分割和分类任务。我们提出的网络基于单任务被分别评估并与最先进的方法进行了比较。在结直肠癌肿瘤分割中Dice达到了92.08%,PPV达到了93.93%,在区分结直肠癌患者有或没有KRAS基因突变中accuracy达到了89.87%,AUC达到了96.03%。