甲状腺癌是人体内分泌系统中患病率最高的疾病之一,近年来发病率逐年上升。超声检查可以识别触诊较难发现的甲状腺结节可疑病灶,是实现早期甲状腺癌筛查的有效手段。医院超声科信息系统中储存了大量的甲状腺患者就诊数据,蕴藏着丰富的医疗信息。通过科学的方法对超声科甲状腺数据进行挖掘与分析,获取有效信息,对辅助医生提高诊断精确性具有重要的现实意义。本研究面向甲状腺结节辅助诊断决策问题,基于合作医院信息系统中的甲状腺超声数据,以辅助医生提高对甲状腺结节良恶性诊断的精度和效率为目标,研究内容主要包括以下几点。首先,基于超声科甲状腺数据,结合医生专业知识对原始数据进行预处理得到标准有效数据,并从整体描述、单个指标与病理结果、多个指标与病理结果、指标与指标四个维度对甲状腺有效数据进行综合分析,初步了解甲状腺数据特点。其次,根据甲状腺数据特点,使用PCA消除甲状腺指标间的相关性并降低输入项的维度,并使用个体分类器与集成学习算法对比,从二分类和多分类相结合的角度,提出基于PCA-集成学习的甲状腺结节辅助诊断模型。最后,基于甲状腺有效数据,从分类效果和运算效率两个角度,对逻辑回归、支持向量机、K近邻法、决策树、随机森林和极限梯度提升算法六种算法模型进行综合评价,并对比PCA前后模型的差异,综合验证PCA-集成学习的模型对提高医生诊断精度和效率的有效性。实验数据显示,PCA-集成学习模型的平均AUC值最高达到0.96,对运算效率最高提升47.7%。