随着结直肠癌（colorectal cancer,CRC）发病率和死亡率的逐渐升高,如何对患者进行精确预后分析是当前结直肠癌症研究面临的关键问题。影像组学是提取放射影像感兴趣区域（region of interest,ROI）中包含的关键信息并进行综合系统化分析的一种手段。影像组学常用方法是使用纹理特征来评估图像中像素的灰度强度和位置,测量病变内部异质性。深度学习通过将分层特征转化为更抽象的高级特征或属性,从而发现数据特征中包含的分布式表示。与人为规则定义的纹理特征相比,用深度学习获取到的特征可以让复杂的内部信息得到更好地描述,能够发现更深层次的特征。因此,如何将深度学习技术和影像组学相结合,提高预测精准度,从而更好地实现结直肠癌患者的预测预后分析。对此本文对来自于无锡市第四人民医院结直肠癌患者的术前CT和临床病理数据进行了回顾性研究,基于影像组学方法和深度学习技术,设计出一种无创、精确的结直肠癌病人的预后生存分析框架。所做研究内容如下:（1）数据处理、入组及统计分析:包括数据筛选、数据剔除和数据标注。根据病理、层次分级、临床信息记录进行筛选,根据信息准确、CT数据是否完整及其他腹部疾病进行剔除,最终810名患者被纳入研究。通过统计研究样本的临床信息,包括年龄、性别、病理等级、组织类别等,结合Kaplan-Meier（KM）生存分析和对数秩检验分析研究患者的临床信息对生存预后的影响。（2）构建深度影像组模型用于提取3D CT影像中深度自学习高通量特征标签（selflearning high-throughput features,SHF）。该模型采用引入注意力机制的编解码器框架,使用多任务训练机制,引入重构和感知损失,提高重建过程中图像输出的质量和清晰度,实现CT影像深度高通量特征标签的自动学习。随后,将提取到的深度自学习高通量特征标签与用传统方法提取到的手工纹理特征投入Cox风险比例模型中进行生存分析特征有效性验证。结果显示,SHF在整体识别能力和模型准确性方面都优于手工纹理特征。（3）构建深度神经网络多任务逻辑回归模型用于生存预测分析,进一步验证深度自学习高通量特征的稳定性。在测试集上的结果为（SHF vs.纹理特征:C-index:0.861vs 0.630;IBS:0.024 vs 0.065）,进一步证实SHF优于纹理特征。同时为验证深度自学习高通量特征的临床收益,构建4种不同的决策曲线模型（Decision Curve Analysis,DCA）。结果表明,深度自学习高通量特征比传统方法提取的手工纹理特征具有更大的收益,更适用于临床。