随着影像设备的快速升级与计算机技术的高速发展,医疗影像学在疾病的防控与诊断中承担越来越重要的作用。医学影像往往包含海量的数据,专业的解读通常需要医生长时间的专业学习和经验积累。近些年来,随着人工智能的高速发展,深度学习依托超强的存储和计算能力能够对大量医疗数据进行有效处理,取得了媲美甚至超越专业医生的识别率,人工智能医疗已成为一个研究热点领域。乳腺癌对女性患者家庭和生命财产带来很大的危害,而早期的癌症诊断是提高治愈率、减轻患者预后影响的有效手段。本课题提出一种基于卷积神经网络算法的乳腺癌风险预测系统,通过对高清病理图片进行有效分析处理,可实现医学辅助诊断,为乳腺癌患者的治疗提供科学依据。首先,本文对深度学习中的卷积神经网络算法进行研究,并提出适用于乳腺癌高清医学影像数据集分类的解决方案。在对原始图像数据进行预处理时,使用传统的数字图像处理方法获得小切片图像,并针对小切片图像的分类场景,在MXNet训练框架下设计并训练VGG卷积神经网络以及残差卷积神经网络,通过评估两种模型评价指标以及进行ROC曲线分析,提出了适用于本文的医学影像分类模型。其次,在乳腺癌诊断医学场景中,考虑到原始数据是医学高清全景组织切片,为了使本课题的模型具备良好的可解释性,采用深度卷积神经网络模型与机器学习分类算法相结合的设计,实现了端到端的乳腺癌风险筛查系统,并对实验结果进行科学评估。本文证实了卷积神经网络算法中的深度残差卷积神经网络在医学小尺寸影像分类中能够实现精确分类的目标,借助数字图像处理技术与logistic回归模型,最终可以实现乳腺癌风险预测系统。研究成果为基于影像的乳腺癌诊断提供了参考依据。