抗生素是日常生活中经常会用到的一种药物,对于普通的炎症等疾病,通常只需常规剂量的抗生素即可治愈疾病。但是对于比较复杂的疾病,常规剂量的药物可能起不到抑制细菌的作用,而高剂量的药物不仅会造成昂贵的花销,更会对人体产生不可逆的伤害,所以抗生素剂量的选择就变得尤为重要。能够有效杀死细菌的最小的抗生素浓度就是抗生素最小抑菌浓度(MIC),目前关于药物最小抑菌浓度的测定主要有稀释法和自动化仪器检测法。稀释法测量时间长,流程相对繁琐,非常不适用于临床使用。自动化仪器不仅价格昂贵,而且部分菌种并未在其仪器的测量范围之内。根据药物最小抑菌浓度的定义,细菌在各个浓度药物下的生长情况已知的前提下,药物的最小抑菌浓度自然就得出了。实际上,细菌在各个浓度药物下的生长情况只有两类:生长和未生长,预测药物最小抑菌浓度的问题即为预测细菌在各浓度药物下生长情况的二分类问题。近些年,随着计算机运算能力的提高,机器学习在模式识别、自然语言处理、数据挖掘、计算机视觉、统计学习、语音识别等等领域都有着非常优异的表现。论文选取了机器学习中的线性分类模型和非线性分类模型对药物最小抑菌浓度进行了预测。考虑到实际生活中及时治疗对病人的重要程度,模型需要在尽可能短的时间内完成预测,因此对待预测数据进行了适当的预处理。特别地,本文提出了一个基于神经网络的概率预测模型:它可以针对各种特定的药物-细菌组合,结合已有的光密度值(OD值)数据,通过特征构造和特征提取的方法定义了若干个特征;再由这些特征经过神经网络参数学习映射到浓度的生长情况上,最终得到预测模型。该模型可以在指定时间内给出药物最小抑制细菌浓度的概率预测,使医生结合模型的预测结果能及时地给到病人更合理的治疗方案。利用python编程软件对各个模型进行了复现,并对已有数据进行了预测,预测结果表现优异。