腺癌是一种常发生于上皮腺体组织的癌症类型,在结直肠癌、前列腺癌、乳腺癌、肺癌等多种恶性肿瘤中都十分常见。在病理形态上,腺癌的发生往往伴随着腺体结构分化变差甚至不分化,即腺体组织呈现出异常变形扭曲、内部空腔结构被细胞核侵占致其缩小甚至消失。这种不同程度的腺体分化直接与腺癌的恶性程度相关联。因此,在临床病理诊断中,腺体组织结构的分化程度是病理学家确定腺癌等级乃至决策治疗方案的决定性因素。为了实现腺癌恶性程度的自动评估分级,本文从腺体结构分化程度这一病理诊断标准出发:一方面,本文设计了领域特定的手工特征,提出了基于同源性分布统计表示的前列腺癌自动格里森分级方法。该方法首先基于同源性分布算法计算病理图像的同源性分量,通过描述腺体周围细胞核间的拓扑排列对腺体结构分化程度进行定量化;然后用统计量对获得的同源性序列特征进行二次表征;最后采用加权K近邻分类器算法建模实现前列腺癌病理图像的自动分级。实验结果表明,相比无监督学习方法SSAE、有监督方法DLGg和传统病理组学方法MATF,本文方法分级表现更出色,特征也具有更好的鲁棒性。而且,本文提出的特征表示方法具有生物学基础,可解释性强。另一方面,启发于对腺体结构自动分割结果进行精确描述以实现诊断的思路,本文提出基于多任务学习和先验知识的腺癌良恶自动评估方法。该方法首先利用特征学习骨干网络进行特征提取,提取到的特征分别被送入分割分支和分类分支进行腺体结构自动分割和腺癌图像的自动良恶分级;同时,分割分支的腺体结构预测作为先验知识被编码为空间注意力融合到分类分支中以约束分级的推理偏好。实验结果验证了本文基于先验知识约束的多任务网络模型的有效性,在腺癌测试集上达到最高97.04%的准确率和0.9971的AUC值。而且,本文的先验知识约束思想同样具有解释性。本文研究的基于病理图像分析的癌症恶性程度自动评估分级方法,立足自腺体结构分化这一病理诊断标准,因而可以为病理医生提供可解释的辅助诊断支持。