目的构建一种集成特征降维技术和人工神经网络分类器的机器学习诊断模型,开发临床常规血液指标对卵巢癌的辅助诊断价值。方法收集本院明确诊断的卵巢癌患者作为病例组(n=185),将其他恶性妇科肿瘤患者(n=138)、良性妇科疾病患者(n=339)与正常体检者(n=92)三类人群作为整体对照组。借助电子病历挖掘系统获取人口学资料以及肿瘤标志物、血细胞分析、性激素等6类共计28项实验室检测指标。通过主成分分析对检验数据进行特征提取,再将低维度特征集作为神经网络的输入层变量建立诊断模型,同时采用遗传算法优化神经网络的参数以提高模型的训练速度和分类精度。结果机器学习诊断模型的ROC曲线下面积达到0.948,敏感性为91.9%,特异性为86.9%,其诊断效能明显优于单项检测CA125的传统方式。该模型对不同病程分期的卵巢癌均能进行准确诊断,并且在三个对照亚组中均表现出对卵巢癌一定的鉴别能力。结论利用机器学习整合多项常规检验指标可有效提升卵巢癌的诊断效能,为卵巢癌的智能化辅助诊断提供了新思路。