肝内胆管癌是一种源自肝内次级导管上皮或其分支的癌症,它具有极高的死亡率。由于缺乏明显的早期临床症状,大多数的肝内胆管癌患者在发现时已经处于晚期,即使对符合手术条件的患者实行手术,患者的5年术后生存率也仅为30%左右。本文拟通过对肝内胆管癌的全景病理图像的多种组织及免疫细胞进行定量分析,从而提取与患者生存期密切相关的图像信息。最终实现肝内胆管癌患者的生存预测。首先,本文分别运用深度学习的多组织语义分割和细胞检测模型针对肝内胆管癌全景病理切片内的组织和细胞实现了分割和检测。在多组织分割方面,与常用分割网络相比,该模型在肝内胆管癌的肿瘤、坏死、肝脏、背景和间质的识别上取得了较好的性能。在细胞检测方面,本文在传统回归框的基础上结合细胞核显著性,利用两步法检测自动识别t淋巴细胞,在不同数据集上的实验结果显示,该方法具有较强的鲁棒性。然后,本文根据以上分割和检测的结果,通过计算各类组织以及细胞的成分、数量和空间关系等要素,构建了一系列基于组织形态定量描述的病理组学特征。最后,本文将所提取出来的特征利用最小冗余最大相关性以及t-test进行特征选择,配合LDA、SVM和Bagging C4.5三种分类器进行模型构建,构建了有效的患者的生存预测模型。在独立测试集上,本文的生存预测模型在区分高、低风险的肝内胆管癌患者任务上取得了0.72的AUC值。此外为了验证模型在患者的生存预测能力上的有效性,使用Log-rank test单因素分析,结果显示?0.05。同时,对比传统临床预后指标,Cox多因素回归分析实现本文的模型?0.05,HR=13.7594(95%置信区间为5.8146-32.559),具有较强的高、低风险预测能力和较高的预后价值。因此本文提出的生存预测模型在实现精准预测患者的生存风险的基础上,可以赋能临床医生更好的理解肿瘤,从而辅助医生为肝内胆管癌患者制定更加合适的治疗策略,帮助实现精准医疗的目标。