病理学检验是诸多疾病临床诊断的金标准,利用图像处理与人工智能技术对数字病理图像进行分析,可以实现病灶的计算机辅助检测。在全扫描切片的情境下,可以进一步获取更丰富的与肿瘤微环境、免疫微环境相关的信息,起到改进风险分层、支持治疗决策等目的。数字病理图像分析的挑战主要来自于全扫描切片的数据体量、组织学与图像外观的异质性、数据标注的昂贵代价,以及模型可解释性方面的需求。本文聚焦于基于深度学习的数字病理图像分析系统,从细分领域综述、方法学研究,以及应用探索三个方面展开工作,主要内容如下:1、系统地总结了近期计算病理学领域的进展,并着重介绍了其在肺癌、结直肠癌、乳腺癌切片,以及免疫组织化学染色切片和非肿瘤切片分析中的应用。在介绍相关知识的同时,以前景识别任务为例展示了一套完整的计算病理学模型开发流程。2、针对来自于组织学与图像外观多样性的挑战,提出了适用于大型队列的染色模式分析工具。通过采样、聚类、色谱距离定义与求解,以及降维的步骤,对队列内全扫描切片的颜色模式进行可视化。进一步以该方法为工具,分析了一个计算病理学模型的开发与测试过程,得出了若干具有实践指导意义的结论。3、针对标注数据收集代价高的挑战,提出了将深度预编码与逻辑斯蒂回归模型相结合的方法。由于该方法的高效性,其得以集成于主动学习框架内,成为交互式标注的解决方案。本文在三个大型数据集上验证了所提出方法的可行性,并针对编码器与主动学习策略进行了深入的比较性研究。4、开发了针对具体病种的计算病理学模型,并进行了有关模型的可解释性与临床意义的探索:（a）针对心内膜心肌活检组织病理图像,提出了临床心力衰竭检测模型,在训练VGG模型实现病灶检测目的的同时,提出使用包括梯度-类别激活可视化技术、特征空间的UMAP降维,以及交叠式交叉验证等策略,提升模型输出的可解释性,增强了信服力;（b）针对结肠腺癌组织病理切片,提出了肿瘤微环境的自动分析方法,并验证了与肿瘤间质、坏死、淋巴细胞相关指标的预后提示意义;（c）针对肺癌组织病理图像,开发了基于U-Net的癌灶检测模型,并结合癌灶分割结果与淋巴细胞空间分布图,提出了肿瘤与淋巴细胞交互程度的量化方法,并验证了其预后意义。