随着信息化医疗的快速发展,传统医疗方式暴露出了很多问题,如海量数据的浪费以及诊断处理不及时等,这些问题正在被逐步解决,现代医疗技术正不断给人们提供更高质量和更高效率的医疗服务。随着越来越多临床数据被存储在医疗数据库中,将数据挖掘技术应用于患者的疾病数据,挖掘出有价值的信息,将会为医疗决策和医学研究做出相当重要的贡献。近些年,研究者主要将数据挖掘技术应用于糖尿病,高血压以及心血管疾病等慢性病,很少将其应用在甲状腺疾病方向上,而甲状腺疾病是内分泌领域常见的高发病率疾病,也是除糖尿病以外的第二大内分泌疾病。因此,本文提出将数据挖掘技术中的关联规则挖掘算法与机器学习分类算法相结合的框架(AR-ANN和ARB),不仅可以从海量信息中挖掘出有价值的信息,为甲状腺疾病的预防和管控提供科学依据,还有效的对甲状腺疾病进行了分类诊断。本文设计并实现了甲状腺疾病数据挖掘系统,挖掘隐藏在实际甲状腺疾病临床数据背后的知识,为医生提供有力的诊断依据。框架应用UCI机器学习库中的二组真实甲状腺数据集进行实验分析,验证了所提出框架的有效性和正确性。首先,利用数据清洗,变换,集成等数据仓库技术对二组原始数据进行预处理。然后对处理后的数据进行多维可视化分析。接下来,采用两种关联规则挖掘算法(Apriori和Predictive Apriori),以甲状腺疾病的患病类别和健康类别作为关联规则挖掘中的后件约束条件,挖掘不同属性之间的相关规则,研究规则之间的相关性,为甲状腺疾病的临床研究提供有力的帮助。同时关联规则挖掘算法Apriori还将用于数据集的特征选择,对数据集进行降维。最后,将数据挖掘技术中的机器学习分类算法分成两大类别,人工神经网络算法(BP神经网络)和集成分类算法(Bagging分类算法),分别对甲状腺疾病进行分类诊断,并全面的分析与比较各个算法的性能。通过比较分析,获得了最适合甲状腺疾病辅助诊断的最优分类模型,同时也证明了本文提出的框架在甲状腺辅助诊断中的可行性和实用价值。