在“智慧医疗”时代,归功于逐渐完善的基础医疗设施和爆炸性增长的医学数据,患者的诊断需求也在逐步增长。传统的依赖医生的手工诊断方法和基于“电脑急救诊断”(Computer-aided Diagnosis,CAD)系统的半自动方法已经不能满足发展的需要。全自动的智能诊断方案成为当今的首选。然而,完全独立于医生的自动疾病诊断,尤其是依赖医学图像分析的智能疾病诊断,仍然是一个颇具挑战性的问题。因为全自动方法往往很难覆盖诊断过程的各个步骤,并且过去的CAD系统并没有采用近来比较新的智能技术。针对这些缺陷,本文基于深度学习技术提出了一个两阶段的医学图像疾病诊断模型,用以实现全自动的医学图像病理判别。它由两个深度学习模型组成,分别是带注意力机制的多任务特征补充病灶分割网络和深度学习相关的双路网络诊断处理流程。其中,病灶分割网络集成了用于修正病灶位置的有监督注意力机制和包含区域特征过滤的多尺度特征补充去减轻肿块像素误判的情形。而病理诊断网络则使用带有特征冗余控制的双路卷积神经网络特征提取器和基于最大相关性的多层级特征筛选去挖掘更多样化和更有用的病理特征用以提高诊断精度。由分割子网络得到的病灶将被提交至病理诊断网络中去协助最后的疾病诊断。另外,前述的两个模型还通过迁移学习减少训练开销,以及使用多路网络结构去提高所提取特征的丰富程度,这也为模型的并行化提供了基础。我们的工作使用两个具有挑战性的医学图像数据集去分别测试两个子网络,这两个数据集分别为结直肠癌电子计算机断层扫描数据集和乳腺癌核磁共振数据集。实验结果表明无论是分割模型还是诊断模型都取得了优异的效果,并且显著优于前沿的方法,同时这也验证了本文提出的两阶段的医学图像疾病诊断模型的有效性和可靠性。