目的 :甲状腺乳头状癌是最常见的甲状腺癌,高频超声是发现甲状腺微病灶最常用也是最可靠的方法 ,然而定性诊断却一直是个难题。本研究旨在基于机器学习方法探讨甲状腺微病灶的多元特征参数的统计特性,实现微灶甲状腺乳头状癌超声辅助智能诊断,提高超声对甲状腺微病灶定性诊断能力。方法 :对80例经手术或穿刺病理证实的甲状腺实性微病灶(<1cm)患者的超声检查作回顾性分析,其中40例确诊为微灶甲状腺乳头状癌,40例确诊为良性结节。首先提取每一个样本的回声强弱程度、边界是否清晰、形态是否规则、有无钙化灶、钙化灶的形态、有无声晕、声晕是否均匀、纵横比、有无血流信号、阻力指数、弹性共11种特征组成机器学习的数据集合;然后用贪婪算法获取特征参数中分类性能最好的一组特征作为最终用于机器学习的数据特征;最后随机抽取样本的80%作为支持向量机、神经网络、贝叶斯模型等机器学习方法的训练样本,计算得到判决函数,剩下的20%作为测试样本,计算得到测试样本的诊断符合率、假阳性率、假阴性率等。结果用贪婪算法获取的对诊断判别性能最好的特征是边界是否清晰、有无钙化灶、纵横比、有无血流信号等,支持向量机的诊断符合率为90.0%,诊断微灶乳头状癌假阳性率5.0%,诊断微灶乳头状癌的假阴性率5.0%;神经网络的诊断符合率为95.0%,诊断微灶乳头状癌假阳性率0%,诊断微灶乳头状癌的假阴性率5%;贝叶斯模型的诊断符合率为91.25%,诊断微灶乳头状癌的假阳性率6.25%,诊断微灶乳头状癌的假阴性率2.5%。结论 :支持向量机、神经网络、贝叶斯模型的诊断符合率均>90%,其中神经网络诊断符合率最高,诊断微灶乳头状癌假阳性率最低的也是神经网络,贝叶斯模型诊断微灶乳头状癌的假阴性率均低于支持向量机、神经网络,由此看出机器学习方法对于实现微灶甲状腺乳头状癌的智能诊断有一定意义,而神经网络是该研究较为适用的机器学习方法 。