慢性肝病属于危害性大、流行性广泛、治愈率低、死亡率很高的传染病之一。对于新入院的慢性肝病患者,能及时而准确的评估病情和制定救治方案成为目前亟待研究和解决的紧迫问题。本文根据患者的各项检验指标,分析挖掘并获得较好的预测模型,为医生提供治疗辅助诊断。本文在现有的疾病预测基础上,针对现有预测方法的局限性,首先采用Receiver Operating Characteristic Curve(简称 ROC 曲线)和 Logistic 回归分析来综合判断对慢性肝病诊断价值更高的指标;然后运用主成分分析机器学习算法,对描述慢性肝病多项指标属性项进行线性降维处理;最后结合蚁群算法改进BP神经网络训练学习获得预测模型。本文对原始数据作了一系列预处理设计,提出了基于优选指标和主成分分析的慢性肝病预测模型。实验分析了 125组20维慢性肝病患者的医学检验指标数据项,综合利用ROC曲线以及Logistic回归两种方法得到13维优选的检验指标;通过主成分分析将13维检验指标数据项降至5维合成数据项;采用蚁群算法改进BP神经网络训练学习得到最优模型。经过对原始指标数据集的预处理设计,本文获得了三种不同输入的预测模型,这三种输入分别是:A.20维原始指标数据集;B.基于ROC曲线和Logistic回归优选的13维检验指标数据集;C.基于ROC曲线和Logistic回归优选和主成分分析的5维综合数据集。以这三种数据集作为神经网络的输入作对比分析,得到如下结论:(1)三种模型中C的预测精度最高,较A提高了 15.2%,较B提高了 9.3%;(2)基于ROC曲线和Logistic回归分析综合评价检验指标对慢性肝病的诊断价值,有利于降低信息冗余和干扰;(3)基于主成分分析的神经网络模型降低了预测复杂度以及BP神经网络输入的拓扑结构;(4)采用优化网络结构和蚁群算法改进BP神经网络,大大提高了收敛速度和预测准确度。