纵隔肿瘤是指在纵隔内生长的肿瘤,属于罕见肿瘤,其真实患病率难以估计,但近些年随着肺癌筛查的进行,越来越多的纵隔肿瘤患者被发现。大多数纵隔肿瘤的形成病因不明确,形态性质各异、复杂多样,多数患者无典型症状,临床上无统一的诊疗指南,这些都对医生的诊断提出了挑战。临床上,医生需要在术前对肿块的性质进行准确的诊断,才能够评估手术风险、制定合适的治疗方案。而培养这样一个经验丰富的外科医生需要漫长的周期和大量的人力物力。借助AI辅助诊断,既可以提升诊断的精准性,也可以有效提升基层医院诊断水平,缓解人才稀缺问题,病人也可以得到及时有效的治疗。影像检查向来是术前诊断纵隔肿瘤的重要依据。医生可以从影像数据中获取信息,如肿块的位置、大小、密度等,对肿块的性质进行初步的判断,进而对病理类型进行诊断,术前诊断对患者的治疗方案和预后分析十分重要。近些年来,也有部分学者研究发现,一些血液指标对于纵隔肿瘤也具有一定的提示作用。本文获得了由上海市胸科医院提供的数据,基于影像检查和血液检验两部分数据,对纵隔肿瘤的诊断模型进行探究,期望借助人工智能技术可以在术前尽可能精准地判断出具体肿瘤类型,在术前评估阶段给予医生一定的参考意见,医生再结合自己的判断,制定更合适的手术方案,辅助医生提高诊断效率和诊断准确率,减少手术数量,尽量避免病人遭受手术病痛的折磨以及承担昂贵的手术费用。本文首先对病理数据和检验数据进行预处理,构建患者分类标签和检验部分的特征向量,分析纵隔肿瘤人口分布规律以及其与检验指标之间的关系。其次对影像文本数据进行处理,主要包括数据预处理模块、结构化模块以及数据后处理模块。数据预处理模块,主要是去除影像文本中的噪音影响。结构化模块主要采用了依存句法分析,对信息提取规则做出改进,整体key和value的准确率分别达到了86%和81%,部分词性的准确率可以达到98%。数据后处理模块,主要包括子句补充、指标合并、影像文本向量构建,在构建过程中对结构化模块中提取错误的key-value进行修正。最后,对指标重要性和诊断模型进行了探究。基于不同的实验目的,实验分为三个部分:实验一是基于检验数据集（n=5723）采用OvR（One Vs Rest）搭建的二分类模型,以探究不同肿瘤类型与检验指标之间的关系;实验二是基于影像文本数据集（n=713）搭建的二分类模型,以探究不同肿瘤类型与影像指标之间的关系;实验三是基于检验数据和影像文本数据的诊断模型,采用不同的数据、分类算法进行组合实验,包括二分类、六分类模型。实验结果证明:1)LR和linear SVC算法的诊断性能最佳;2)淋巴造血肿瘤更适合采用检验数据进行诊断,加入影像文本数据会进一步提高模型效果,其余4类肿瘤更适合采用影像文本数据进行诊断;3)除淋巴造血肿瘤的识别外,其他肿瘤的识别不建议将影像文本数据和检验数据同时放入模型中,从实验结果上来看,两部分数据确实存在相互干扰的情况。