儿童重症肺炎是一个概念性的诊断术语,狭义上是指在儿童重症监护和新生儿重症监护观察到的临床症状,伴有呼吸衰竭、肺炎休克、心力衰竭等并发症。精密追踪患儿重症肺炎期间的机体反应性和器官功能状态成为临床治疗的直接因素。随着数字时代的到来,通过人工智能技术对临床病征或变化进行精准捕捉成为可能。本文以儿童肺炎为切入点,结合临床医学中广泛存在的谱系数据结构和多源数据现象,探讨医学数据处理中的两个基本问题——数据补全问题和多源时序处理问题。首先,针对数据具有树形结构特征的数据补全任务,提出一种新的谱系深度矩阵补全模型;然后,提出一个新的谱系多通道时间规约网络,用于在多源异构数据下的儿童肺炎重症监护异常病征检测;最后设计并实现面向儿童重症肺炎的智能监测和管理原型系统。具体工作如下:（1）数据补全是数据预处理的重要环节。低秩矩阵补全技术基于数据的低秩结构对缺失值填充,是目前主流的数据补全技术。针对医学领域存在特定的数据先验结构信息,本文提出基于谱系的深度矩阵补全框架（hierarchical deep matrix completionmethod,HDMC）,利用层次树对数据的谱系关系进行约束。HDMC通过在框架中嵌入一系列结构化稀疏惩罚来显示地表达浅层或深层的层次树结构,以鼓励紧凑表示和重构数据之间的谱系依赖关系,并且HDMC还考虑了神经网络中神经元的群级稀疏性,网络通过增强组内神经元的相关性而忽略组间神经元的相关性来获得剪枝效果和紧凑的结构。另外,HDMC的优化是一个非凸问题,为了避免将模型的框架转换为单独的优化公式,在对偶空间中应用平滑近似梯度策略,统一了一种通用的优化方法。在模拟数据、磁共振成像数据集和基因表达数据集的应用中,将HDMC与最新的矩阵补全方法进行了比较,实验结果表明,HDMC具有较高的矩阵补全精度。（2）对于临床危重阶段的儿童重症肺炎诊治,患者依赖于重症监护的呼吸内循环。患儿的机体反应来自于广泛的多源多通道时序数据,并且,其临床病征受到患儿的呼吸和免疫系统发育阶段的个性化差异性影响。针对以上问题,本文提出基于谱系的多通道时间规约网络（hierarchical based multi-sequence time-regular network,HMTNet）,对多通道数据与人口学统计信息进行联合分析。该网络框架由双层结构的谱系时间规约长短记忆单元和多头注意力机制层构成。谱系时间规约LSTM首先构造时间规约层,通过启发式时间衰减函数进行加权约束,然后构造谱系嵌入层以树形分层结构构建多源多通道数据之间的谱系依赖关系,建立了时序统一的上下文关联、直接谱系依赖和分层关系依赖的联合表达。最后,通过多头注意力机制结构,捕捉动态特征和静态基线信息之间的相互依赖关系,并给予与底层任务相关的通道以更多的关注。实验表明,HMTNet与最新的临床表征时序处理方法相比,临床病征检测准确率明显提升,能够满足儿童重症肺炎危重阶段监护需求。（3）基于上述研究,本文完成了基于儿童重症肺炎智能监护和管理原型系统的设计与实现。应用本文提出的算法设计并实现了临床异常病征检测流程。首先通过HDMC对临床数据进行补全,并使用滤波算法进行数据的预处理。接着,使用HMTNet进行病征的异常检测。最后进行统计分析和病征异常原因分析。