肝癌是一种发病率与致死率极高的恶性肿瘤,肝癌的患病机制受多个不可控因素影响,传统的诊断方式无法达到临床早诊断和早治疗的要求,智能数据分析方法在肝癌辅助诊断中已逐渐得到应用。支持向量机是一种基于统计学习理论和结构风险最小化的机器学习方法,支持向量机在解决小样本、非线性以及高维度模式识别中表现出特有的优势,并且能够推广应用到函数拟合等其他问题之中。基于此,提出利用D近邻算法改进孪生支持向量机和孪生支持向量回归,并将改进的算法应用于构建预测肝癌复发位置和复发时间的辅助诊断模型。主要的研究内容分为以下几个方面:1)针对D近邻算法参数选择问题,基于典型智能优化算法布谷鸟搜索算法的良好性能,结合其对参数域的局部随机搜索和全局性搜索优势,优化D近邻算法的最优参数DR域的选择过程。2)分析了孪生支持向量机和孪生支持向量回归的基本原理及模型设计方法,针对肝癌数据集复杂性高、可分割性弱的问题,引入D近邻算法对肝癌数据集进行预处理,利用样本的局部特征信息赋予样本不同的权重系数,并与孪生支持向量机和孪生支持向量回归算法相结合构建改进的预测算法。3)研究确定了9项影响肝癌复发的一级指标,其二级关联指标51项。基于3103位肝癌康复患者的历史临床数据,对数据集进行数据整合和相关性分析,剔除关联度较小的三项指标,并将改进的孪生支持向量机和孪生支持向量回归算法应用于构建预测肝癌复发位置和复发时间的辅助诊断模型。研究结果表明融合D近邻算法的孪生支持向量机和孪生支持向量回归模型在肝癌复发预测任务上表现良好,预测肝癌复发位置的分类准确率达到91.61%,预测肝癌复发时间的均方根误差为4.820014,均优于对比模型,表明该方法有望进一步发展成为一种实用的肝癌临床辅助诊断及预后评估模型。图25幅;表11个;参63篇。