乳腺癌是女性中最常见的癌症,在女性中的高发病率和死亡率对公共健康构成了严重威胁。目前,对乳腺癌进行早期检测、为乳腺癌患者提供精准的治疗方案,能够有效提高乳腺癌患者的存活率。完整的乳腺癌的病理信息可为患者提供预后信息,是帮助制定治疗计划、预测患者的诊治疗效的关键,其中雌激素受体（estrogen receptor,ER）、孕激素受体（progesterone receptor,PR）、人类表皮生长因子受体2（human epidermal growth factor receptor-2,HER-2）、Ki-67增殖指数和组织学分级信息在乳腺癌个性化治疗方案制定中尤为重要。动态对比增强磁共振成像（Dynamic Contrast Enhanced Magnetic Resonance Imaging,DCE-MRI）是重要的乳腺影像学检查手段之一,可以提供乳腺癌形态和功能性信息。本研究针对乳腺癌诊疗过程中病理报告可能存在缺失的问题,利用影像组学方法从DCE-MRI病灶区域提取影像特征并量化分析,联合乳腺癌病理信息构建待填充矩阵、建立三种缺失信息填充预测模型,对缺失的ER、PR、HER-2、Ki-67和组织学分级信息进行填充预测。主要研究内容包括:（1）病理信息和影像信息提取:回顾分析210例术前或化疗前浸润性乳腺癌病例病理信息,从DCE-MRI影像分割出乳腺癌三维病灶区域并提取统计特征、形态特征和纹理特征,采用基于交叉验证的随机森林递归特征消除法对提取的影像特征进行筛选,利用基于并集的方法对特征进一步筛选,联合每个患者的病理信息构建填充矩阵。（2）基于矩阵分解方法的乳腺癌病理信息的预测:按照病理信息随机缺失和完全缺失两种信息缺失方式,对比了非负矩阵分解（non-negative matrix factorization,NMF）填充模型和基于用户的协同过滤（collaborative filtering,CF）模型在不同病理信息缺失率和使用不同影像组学特征数时的填充预测效果,采用预测模型的ROC曲线和AUC值评估和对比型填充预测效果,并用bootstrap方法对同一组AUC值进行配对T检验。实验结果表明,采用非负矩阵分解的方法和基于用户的协同过滤方法均能对缺失进行有效填充,且NMF方法填充性能要优于CF方法。（3）基于深度矩阵分解（deep matrix factorization,DMF）的乳腺癌病理信息预测研究:将DMF引入病理信息预测填充,本论文提出了采用全连接结构的深度矩阵分解模型和采用残差结构的深度矩阵分解模型,对比了两种不同结构的深度矩阵分解模型在不同病理信息缺失率和使用不同影像组学特征数时的病理信息填充预测效果。实验结果表明在相同缺失率且使用相同影像特征的情况下,采用全连接结构的DMF模型表现最好,在测试集的最优AUC值为0.806,显著优于NMF和基于CF填充预测方法。本文利用影像组学方法构建影像特征和病理信息联合矩阵,建立基于非负矩阵分解的信息填充预测模型、基于用户的协同过滤填充预测模型和基于深度矩阵分解的填充预测模型,实现了初步的缺失病理信息预测研究。