健康是人类全面发展的基础,全球最常见的癌症已经由肺癌转为乳腺癌。近年来,我国乳腺癌发病率的增长趋势高于发达国家,严重影响女性健康。目前,对于乳腺癌的治疗原则之一仍然是尽早发现尽早抑制癌细胞的发展,而乳腺细胞的病理特征复杂多样,这无疑给医生的诊断增添了工作难度。本文针对上述问题,基于机器学习方法,从患者入院前挂号开始,通过分析患者症状,将患者正确地引导划分至乳腺外科进行确诊,然后对患者的乳腺病理数据进行分析、归纳,辅助医生进行乳腺癌疾病的诊断,并对确诊患者的癌细胞复发情况进行预测。研究内容包括:(1)基于特征扩展(L-NB)的导诊模型研究。针对乳腺疾病种类繁多但症状特征较稀疏,患者难以准确判断自身症状是否需要到乳腺外科进行就诊的问题,本文提出了基于LDA(LatentDirichletAllocation)主题模型进行特征扩展的导诊模型。导诊模型的研究有助于患者在有限的医学知识的情况下,通过输入简短的症状信息准确地预测其是否需要到乳腺外科进行确诊。研究过程包括在现有分词工具中加入自定义分词词典对数据进行分词、使用词袋模型对分词后的文本向量化、使用LDA主题模型进行特征扩展,然后将扩展的特征加入训练集进行训练,使得模型的准确率达到最优。(2)基于SAvNN的乳腺癌诊断预测模型研究。针对乳腺病理数据复杂多样的问题,本文提出了自适应神经网络模型,基于自注意力机制从数据集中提取特征,解决了循环神经网络无法进行并行化运算的问题,同时也解决了卷积神经网络在处理特征时,每次只能对局部特征进行卷积而无法考虑全局特征的问题。根据不同的数据集种类,使用网格搜索法调节神经网络相关参数,使得模型的预测效果达到最优。(3)基于D-Adaboost的乳腺癌诊断预测模型研究。由于传统深度学习模型是“黑盒模型”,需要大量的数据对模型进行训练,才能使神经网络达到稳定,而乳腺疾病的病理数据复杂多变,且各种病理数据的数据量不尽相同,为进一步提高模型的稳定性和预测准确率,本文将决策点分析方法和集成学习方法相结合,构建了乳腺癌诊断预测模型D-Adaboost。模型首先使用逐步回归法对数据进行特征的二次提取,筛选最相关的特征得到最佳特征组合,之后通过对不同种类的乳腺病理数据进行训练,获得诊断预测模型的最佳决策点以及决策点对应的模型最优准确率。本文研究发现,基于特征扩展的导诊模型能够根据患者提供的有限症状信息分析和预测患者的疾病,从而将患者准确地划分至乳腺外科;基于SAvNN的预测模型在乳腺癌诊断任务中的精确率、召回率和F1值较好;基于D-Adaboost的预测模型在乳腺癌复发预测任务中的准确率更佳。