神经胶质瘤（gliomas）是最为常见的颅内肿瘤,根据WHO中枢神经系统肿瘤分类标准,其中恶性程度最高的为多形性胶质母细胞瘤（glioblastoma multiforme,GBM）。GBM患者数量约占神经胶质瘤总患者数量的一半,同时其预后整体较差,大部分患者的生存时间不足两年,即便是在多种治疗手段介入的情况下,患者的中位生存期也仅为12～14个月。此外,GBM预后还受到多种因素影响,导致不同患者之间存在巨大差异,因此准确预测GBM预后对于选择合适治疗方案、建立临终关怀机制等均有重要意义。现有研究表明,多组学数据、全切片病理图像等多模态数据与GBM预后密切相关,在GBM预后预测研究中呈现出巨大潜力。与此同时,随着高通量测序、全切片扫描等相关技术的迅速发展,大量的组学和病理图像数据迅速积累。因此,如何有效融合上述多模态数据,以进一步提升GBM预后预测性能成为目前亟待解决的问题。为此,本文深入调研了 GBM预后预测研究的现状和进展,并对当前GBM预后预测中常用的数据集、数据预处理方法等进行了分析。在此基础上,本文选取了 TCGA-GBM数据集作为主要数据来源,并收集整理了包括基因表达、DNA甲基化、miRNA表达、拷贝数变异和全切片病理图像等在内的多种模态数据。针对上述多模态数据,本文深入开展了相应的多模态机器学习方法研究,提出了多种有效融合多组学数据、病理图像等多模态数据的GBM预后预测方法,从而显著提升了 GBM的预后预测性能。本文的主要工作为:1.由于现有GBM预后预测方法大多仅基于单一组学数据,未能充分利用多组学数据中预后相关的互补信息,本文提出了一种基于多核学习的GBM预后预测方法 MO-MKL（multi-omics based multiple kernel learning for GBM prognosis prediction）。该方法利用多个核函数对各组学数据进行表征,并利用多核学习对核函数进行有效组合,从而对基因表达、DNA甲基化、拷贝数变异等多组学数据进行融合并最终用于GBM预后预测。通过将MO-MKL方法与现有GBM预后预测方法进行对比,表明MO-MKL可有效融合多组学数据并提升GBM预后预测性能。2.除多组学数据外,考虑到病理图像与GBM预后也存在密切联系,本文进一步提出了融合多组学数据和病理图像的GBM预后预测方法HI-MKL（histopathological integrating multiple kernel learning）。该方法首先从病理图像和多组学数据中分别提取组织病理和多组学特征,并构建相应的核函数。进一步,针对核函数权值稀疏性导致的有用信息丢失问题,本文采用表征MKL技术对上述核函数进行有效组合。通过对HI-MKL方法的GBM预后预测结果进行分析,表明该方法有效提升了对多模态数据的表征能力,在减少有用信息丢失的同时其训练效率也得到显著提升,验证了该方法在GBM预后预测中的优越性。3.在上述研究的基础上,本文提出了融合多组学数据和病理图像的多模态深度学习 GBM 预后预测方法 MDLSurv（multi-modal deep learning network for survival prediction）。研究中设计了一种新颖的病理图像特征提取子网络,并利用深度典型相关分析对多组学和病理图像多模态数据进行协同表征,最终采用Cox损失函数进行训练。实验结果表明,该方法提取的病理图像特征具有更强的预测能力,同时通过有效融合多组学和病理图像特征,使其GBM预后预测性能得到进一步提升。