机器学习技术广泛应用于疾病的辅助诊断,在某些疾病领域的诊断效果几乎已经媲美专业医生的水平。在脊柱外科领域,该技术可以帮助医师更好地理解脊柱相关的指标数据和影像数据集,很多脊柱外科研究者已经将其用于脊柱侧弯疾病的辅助诊疗,但目前该领域缺乏标志性的研究成果。基于异构数据的疾病自动分类是智能诊断中的一个重要研究课题。本文基于生物指标特征和X光影像两种具有较大差异的医学数据,对青少年特发性脊柱侧弯疾病的分型诊断进行研究,针对两类数据均存在的样本数据量少、样本类别不均衡两个主要问题,对现有的机器学习分类模型进行改进设计,提出的方法能够很好地解决以上两个问题,取得了较好的侧弯分型诊断效果。主要工作的创新如下:第一,提出了一种针对小样本类别不均衡的集成分类模型IMLBoost,用于脊柱侧弯生理指标特征数据集的分类。其创新之处在于:自行设计代价平衡损失函数,并将其嵌入到集成模型中,不仅考虑不同类别样本数量的差异,还考虑样本分类难度的差异,同时考量了边界样本对于分类的重要性,在算法层面上克服了传统机器学习分类模型在处理不均衡数据集时的不足。第二,提出了一种用于脊柱X光影像数据分类的注意力胶囊网络IMLCapsNet,对适用于小样本集分类的基础胶囊网络进行改进,增加注意力模块学习X光图像中重要的局部特征,然后引入代价平衡损失函数训练模型,结果表明该模型有效提高了特发性脊柱侧弯的分型准确性。第三,提出了类平衡卷积神经网络IMLNet用于脊柱X光影像数据分类,该方法首先迁移运用EfficientNet分类模型的部分卷积模块进行初步特征提取,然后设计感受野增强模块融合不同尺度的图像特征,引入代价平衡损失解决类别不均衡问题,在收集到的脊柱侧弯影像集上取得了较好效果。总的来说,通过研究机器学习技术在脊柱侧弯指标特征数据和X光影像数据分类中的应用,本文实现了侧弯分型的诊断预测,对于辅助特发性脊柱侧弯分型的临床诊断具有重要意义。