癌症严重阻碍了人类预期寿命的提高,而且其发病和死亡人数也一直在持续上升。肿瘤的术前精确诊断和预后评估可以帮助医生根据每个患者的病情制定合适的个体化治疗方案,具有重要的临床意义。然而,在实际的临床工作中,肿瘤的异质性导致了术前穿刺活检的结果可能存在偏倚。尽管完整肿瘤样本的病理学分析能够实现最精准的诊断,但术后的病理学分析存在滞后性。因此,术前的无创精准诊断和预后预测是目前临床工作的一大挑战。伴随着计算机技术和医学成像技术的发展,基于医学影像大数据的“影像组学”应运而生。影像组学旨在将医学影像中包含的肿瘤异质性信息转化为可以定量处理的影像组学特征。根据临床需求利用统计学习及机器学习技术筛选重要影像组学特征并构建预测模型,从而为医生提供帮助。自影像组学提出以来,已经成功应用于多个癌种的术前无创诊断和预后预测中。本文将利用基于计算机断层成像（Computed Tomography,CT）和核磁共振成像（Magnetic Resonance Imaging,MRI）的影像组学分析方法,围绕胶质瘤基因预后因子的术前诊断、肝癌病理预后因子的术前诊断和肝癌无复发生存期预测这几个问题展开研究工作。首先,针对WHO Ⅱ-Ⅲ级胶质瘤患者的染色体臂1p/19q双缺失状态在术前无法进行无创诊断的问题,本研究基于T2加权MRI提出了一个包含水肿栖息地的影像组学分析模型。通过对277例低级别胶质瘤患者的肿瘤和水肿区域进行手动地精确分割,在感兴趣区域提取了647个三维定量影像特征,并利用单变量分析和方差阈值的方法选取了64个与1p/19q双缺失状态最相关的影像组学特征。采用随机森林算法构建了一个可以在术前无创诊断1p/19q双缺失状态的影像组学模型。此外,研究还分别构建了临床模型和融合模型。实验结果表明,基于影像组学特征的随机森林模型在所有模型中取得了最优的预测性能（在验证集的AUC为0.760）,而且Delong检验表明影像组学模型的性能显著优于临床模型（P=0.005）,证实了基于MRI的影像组学分析可用于术前无创诊断低级别胶质瘤患者1p/19q双缺失状况。其次,针对结直肠癌肝转移瘤的生长方式无法进行术前诊断且其临床诊断的金标准存在一定的局限性,研究进行了基于术前多序列MRI的多栖息地影像组学研究,从而实现对结直肠癌肝转移患者的筛选,优化患者的治疗方案。该研究从两个医院共纳入了182个结直肠癌转移瘤病灶,在每个病灶的肿瘤实体以及肿瘤和肝脏实质的交界（Tumor-liver interface,TLI）区域分别提取了828个定量影像特征。利用稳健特征选择方法将两组影像组学特征进行排序,在每个序列中选取排序靠前的20个特征用于构建单序列影像组学模型。之后,为了充分利用多序列MRI的信息,采用向前逐步回归方法对五个序列进行筛选并构建多序列融合的影像组学模型。无论是TLI区域还是肿瘤区域,融合的影像组学模型性能都是优于单个序列的结果的。通过对比两组感兴趣区域的结果,发现基于TLI区域的影像组学模型性能更好,训练集、内部验证集和外部验证集的AUC分别是0.974,0.912和0.960。此外,为了评估影像组学标签的性能,研究分别构建了临床模型和融合模型。结果表明,融合模型的性能显著优于临床模型,说明基于多序列MRI的影像组学特征不仅可以独立地鉴别结直肠癌肝转移瘤的生长方式,而且能够提高临床指标的鉴别能力。最后,针对肝内胆管癌患者术后复发率高的问题,本研究基于术前CT影像提出了一个多类特征融合的影像组学分析模型,对肝内胆管癌患者的无复发生存期进行预测。为了充分挖掘CT影像中的异质性信息,研究分别提取了512个基于Res Net网络的深度学习特征和473个人工定义的影像组学特征。利用Lasso-Cox回归算法在两组影像组学特征中分别选择最优的特征并构建无复发生存期预测模型。结果显示,基于深度学习特征的预测模型比基于人工定义特征的预测模型的性能更好,验证集Cindex分别为0.656和0.615。此外,研究基于临床特征、深度学习标签和影像组学标签,通过Cox回归算法分别构建了一个临床模型和三个融合模型,结果表明结合了所有指标的融合模型取得了最优的预测结果:训练集和验证集的C-index分别为0.809和0.819,显著优于临床模型、深度学习模型和影像组学模型。这说明临床指标和影像特征在肝内胆管癌患者的无复发生存期预测方面具有互补性。研究最后根据融合模型构建了诺模图对患者3个月、6个月和1年期的复发概率进行预测,从而优化患者的治疗策略。此外,融合模型将患者分为了高/低危复发风险组,从而对患者实行个性化的监测管理。