随着人工智能领域的发展,医学病理辅助诊断也有了很大的进步。在病理诊断上,恶性肿瘤的病理形态发展主要可以分为两个阶段,原位癌（非浸润型癌变）阶段,以及突破基底膜以后形成的浸润型癌变阶段。但是在大多数的研究工作中,都是针对某种肿瘤（如胃癌）发展的单一阶段（如原位癌阶段）进行诊断,并且在诊断结论上仅仅给出良恶性诊断标签。上述问题就会导致病理辅助诊断的阶段不全面性,并且未给出一定的诊断可解释性,会给病理医生造成一定的理解困扰。为了解决这些问题,本文工作中主要开展了针对恶性肿瘤的发展全阶段的、并包含图像和文字的数字病理辅助诊断报告生成技术的研究。1)由于非浸润型癌变阶段存在明确的癌变边界,可以通过语义分割的方式来解决诊断问题。针对病理医生需要进行数据标注的问题,我们提出使用基于随机游走原理的半自动化分割标注工具,能够帮助医生通过简单的线条勾画就可以得到精细的分割边界,为后面的研究开展打下坚实的数据基础。2)针对非浸润癌变阶段使用常规分割方法表现不好的问题,本文提出了针对全切片数字病理图像端到端分割的网络模型。创新地提出适应病理癌变区域不规则形状特点的分割模块,能够融合不同形状的感受野进行语义分割,并生成相关的诊断报告。我们在MICCAI2019年的公开数据集上进行与主流分割算法的对比,并且取得了很好的表现。3)针对浸润型癌变阶段不存在明确的癌变边界的特点,我们与上海市国际妇幼保健院合作构建具有多种病理属性标签的宫颈癌前病变数据集,创新的提出了使用注意力机制和多标签分类相结合的方法,可以得到不同病理属性所对应的注意力区域和生成结构化的诊断报告。最后通过LSTM诊断模块,可以生成更好质量的诊断结论。