医疗诊断是医生根据其临床经验和病人的症状来对病因进行判断和决策的过程,在癌症等疾病诊断决策中,早起的诊断和治疗能够大大提高病人的生存率,而错误的诊断可能会付出生命的代价。这种决策问题主要依赖于医生的实际工作经验,需要经过长期的实践才能达到优秀的决策水平,受到医生的主观经验和外界干扰因素的影响较大。目前,通过引入数学和推理模型来设计专家系统辅助医生决策,用以帮助医生进行诊断得到了越来越多的研究和关注。这类医疗专家系统使用医生的经验和诊断知识来设计判断规则,并建立知识库,使用推理的方式进行诊断。然而由于基于规则的专家系统具有知识的获取和表达困难、推理效率低下等缺点,使得其应用具有一定的局限性,很难很好的帮助医生诊断癌症等复杂疾病。随着机器学习和大数据的发展,大量的医疗数据为使用机器学习算法来设计诊断辅助决策系统提供了前提条件。本文以乳腺癌为实验数据,提出了使用机器学习算法来辅助诊断。首先,介绍了智能医疗的主要手段和机器学习方法在智能医疗中的应用。其次,详细介绍了支持向量机、遗传算法和粒子群优化算法的理论基础及在智能诊断中的应用,并将遗传算法和粒子群算法与支持向量机结合,提出融合GA-SVM和PSO-SVM的研究方法。最后,并采用威斯康辛大学(WCBD)医院的乳腺癌数据集进行实验,给出实验结果和分析。结合GA-SVM和PSO-SVM算法的实验结果,提出一种基于集成学习的癌症诊断研究方法,并对数据集进行训练和测试。从实验结果可以看出,基于集成学习的方法对癌症病例具有较好的识别效果,采用机器学习的方法为乳腺癌的诊断提出了一种新的研究思路和方法,为促进智能医疗提供了研究方向,具有很重要的现实意义和应用价值。