近年来,宫颈癌的发病率较之前有所升高,且患者的年龄趋于年轻化。宫颈癌早期症状不明显,对于患者而言,若能及时进行宫颈癌的相关检查,可以在宫颈癌早期接受治疗,能达到较好的治疗效果。本文使用的数据共有858个样本,包括32个属性和4个分类标签。分类标签分别为阴道镜检查、碘试验检查、液基细胞学检查和活体组织检查。据我国卫生健康委员会发布的2018版宫颈癌诊疗规范,这四种检查方式是宫颈癌辅助检查中的重要手段,检查结果能有效地对宫颈癌进行预测和辅助诊断。针对这4个分类标签,本文分别建立了宫颈癌预测模型,并分析了各属性对其结果造成的不同影响。在建立预测模型的过程中,本文首先从缺失值处理、不平衡数据集处理以及属性的相关性分析3个方面对数据进行了预处理。其中,缺失值处理采用直接删除法和均值插补法,对于不平衡数据集则采取Borderline SMOTE法进行处理。属性的相关性分析使用的是Spearman秩相关分析以及显著性检验。对数据预处理完毕后,本文使用随机森林、一维卷积神经网络以及极端梯度提升3种机器学习算法分别对4个检查指标建立预测模型,在使用随机森林算法构建模型时,本文还探究了各属性对分类标签的影响程度。期间本文使用网格搜索和K折交叉验证的方法对超参数进行了调节。之后,本文使用模型在阳性样本上的查全率和模型的AUC值,对同一指标下不同算法建立的预测模型进行了对比。结果显示,年龄、怀孕次数、第一次性交年龄、性伴侣数量以及服用避孕药时长这几个属性对4个宫颈癌预测指标的影响最大。对于阴道镜检查、碘试验检查以及液基细胞学检查而言,使用随机森林预测模型效果最好,在阳性样本上的查全率分别为100%、94%和97%;对于活体组织检查而言,使用一维卷积神经网络建立预测模型取得的效果最好,在阳性样本上的查全率达到99%。从本文的研究结果出发,可以对健康人进行健康教育和行为干预;对于早年性生活、性生活紊乱、多产的人群,以及有相关既往病史的患者,可以通过宫颈癌预测模型进行自我评估,并考虑接受进一步的检查或治疗;对于医院和医生而言,也可以基于预测模型,对潜在的宫颈癌患者提前进行干预治疗,从而降低宫颈癌的发病率。