胃癌是全球范围内最常见的消化系统恶性肿瘤之一，其发病率和死亡率高居所有癌症的前五位，持续威胁国民生命健康。在根治性切除手术后，胃癌仍具有较高的复发率，术后5年生存率较低。因此，准确预测胃癌预后对患者个体化的治疗方案选择和随访策略制定具有重要意义，且有望提高患者的生存质量。目前，美国癌症联合委员会和国际抗癌联盟共同建立的肿瘤-淋巴结-转移（Tumor-Node-Metastasis，TNM）分期系统是临床上胃癌预后评估的主要依据，但该分期系统的提出依赖于回顾性的研究数据，具有一定的诊疗滞后性，需要不断更新完善。同时，胃癌具有高度的瘤内异质性和微环境异质性，仅依靠TNM分期难以准确反映患者的实际预后情况。因此，亟需探索精准有效的胃癌预后预测新方法，辅助医生进行临床决策。

  计算机断层扫描成像（Computed Tomography，CT）是临床上最常用于胃癌的无创诊疗手段，对确定肿瘤的位置、大小和浸润深度有重要的指导作用。传统的影像学评估主要依赖于医生对肿瘤组织形态、密度改变等生物学行为的简单估量和定性分析，易受到观察者主观经验的干扰，且通常不具备与肿瘤的病理类型和基因突变等微观信息的直接关联。近年来，影像组学技术的快速发展为医学影像分析领域带来了重大变革，为肿瘤的术前诊断和预后评估提供了有力的技术支持。影像组学旨在自动化地解析医学影像中高通量、多维度、定量化的肿瘤异质性表征，并利用人工智能方法建立影像表征与临床问题之间的智能预测模型，为临床医生提供辅助的患者管理工具。本文以胃癌预后预测任务为目标，研究影像组学技术在胃癌Borrmann分型和胃癌生存期预测中的应用效果，分别在特征学习和模型融合阶段对CT影像表征学习算法进行设计和改进，提升了预后预测模型的性能及泛化能力。本文的主要工作及创新点如下：

  （1）提出了基于多层感知机（Multilayer Perceptron，MLP）网络的机器学习模型集成学习框架。针对胃癌Borrmann分型缺乏术前无创精准诊断方法的问题，本文探究了基于特征工程的影像组学方法中，非线性集成不同机器学习模型的有效性。首先，从胃癌CT影像上提取预定义的影像组学特征，通过组合若干种特征选择方法和机器学习分类器，分别构建影像组学子分类模型；然后，设计了具有多个隐藏层和短路连接的MLP网络结构，通过反向传播算法进行模型训练，对多个子分类模型的预测值进行聚合，自适应地学习集成框架中各个子分类模型的权重。在Borrmann I/II/III vs. IV和Borrmann II vs. III两个诊断任务中，该算法的性能均优于单一的影像组学子分类模型，测试集中的受试者工作特性曲线下面积（Area Under Receiver Operating Characteristic Curve，AUC）可达0.767和0.768，且取得了更好的灵敏性和特异性结果，有效提升了预测模型的性能。

  （2）提出了基于多期相CT影像的对抗域自适应框架。针对胃癌无病生存期的术前预测问题，本文探究了深度域自适应方法对多期相CT影像之间共享表征学习的有效性以及对生存分析模型性能的提升作用。首先，基于ResNet结构搭建生存分析深度学习模型，端到端地学习影像特征并拟合其与患者生存风险概率的非线性关系，并在各源域（动脉期、门静脉期）的CT影像上预训练；然后，设计了具有非权重共享特征提取模块的多源域自适应网络，通过对抗训练的方式优化Wasserstein生成对抗损失函数，进而稳定地学习各源域-目标域CT图像对的域不变性图像表征；最后，提出了基于Wasserstein距离的加权策略，使特征分布更靠近目标域的源域获得更高的权重，实现了更准确的生存风险评估。该算法在目标域测试集中的一致性指数（Concordance Index，C-index）为0.668，较直接迁移、单源域自适应和多源域自适应等方法提高了10%~20%。此外，纳入临床分期特征后，模型性能得到进一步的提高，并在推荐接受新辅助治疗的患者亚组中实现了显著的风险分层（P = 0.0001），为医生提供了有效的辅助决策信息。

  （3）提出了基于自监督CT表征恢复的多任务学习网络。针对胃癌无复发生存期的术前预测问题，本文探究了基于自监督学习的图像恢复任务设计对CT影像表征学习的提升作用以及多任务学习策略对提高生存分析模型性能的有效性。该算法以生存分析为主任务，同时设计了基于自监督学习的拼图重组任务和遮挡图像修复任务，在没有生存数据监督训练时，这两个辅助任务可以从CT影像本身分别学习肿瘤的空间结构和语义特征。该算法还包括一种多任务学习网络的训练策略，网络的输入由原始图像、拼图图像和遮挡图像构成，并通过一个超参数调节每种图像的数据比例，使多任务学习网络可采用权重共享的编码器，并实现多个任务的共同优化。在胃癌无局部复发生存期和无远处转移生存期预测中，该算法在交叉验证的测试集中C-index分别为0.797±0.044和0.703±0.032，性能优于临床模型构建方法和基于特征工程的影像组学方法，且相较单一的生存分析任务有效提升了预测性能。