科学研究证明,人体内肠道菌群的内环境状态能够有力的反映出一些疾病的风险,比如肠易激综合征、结直肠癌(Colorectal Cancer,CRC)、糖尿病、肥胖等。现阶段医疗最主要的问题在于资源分配不均,同时各个环节处理效率比较低,AI技术可以帮助优化资源分配、提高医疗各环节的效率、提升诊疗效果。目前人工智能技术与医疗健康领域的融合不断加深,正在不断提升医疗服务水平,并且在电子病历、医疗影像辅助诊断、药物研发、医疗机器人等方面都有杰出的表现。但是直接将人工智能运用在结直肠癌肠道菌群营养干预来治疗结直肠癌的研究上还是少之又少,本文以K-Means++算法、Apriori算法、NPL中的文本匹配为基础,通过深度学习建立检索模型,完成了基于人工智能的结直肠癌肠道菌群干预模型的应用研究。本文完成的工作主要如下:1、通过对多篇相关文献的Meta-Analysis分析,得出最基本的CRC病人肠道菌群的数据群情况,为后续研究提供了方向。学习了数据挖掘中对数据的基本处理:数据加工、数据清洗等。通过分析K-Means算法在医疗数据上的应用,得到K-Means++算法解决了聚类中心的个数K需要事先给定的问题:因为在一些实际的应用中这个K值是无法简单的得出结果的,所以很多时候在运用之前并不知道研究的数据集应该分成多少个类别才最合适的问题;由于K-Means算法需要人为地确定初始聚类中心,因此不同的初始聚类中心也可能得到完全不同的聚类结果的问题。2、改进了Apriori算法,得到了适合医疗规则的改进Apriori算法,解决了因为CRC病人肠道菌群的复杂关联规则导致的项的位置问题以及关联规模问题。在对Apriori算法中支持度计数的方式中,通过学习多种方式,提出了利用最优方式Hash tree算法解决球支持度计数问题。利用实际的CRC病人病例验证了改进Apriori算法,对关联规则的评估,提出了以提升度(lift)和IS度量的指标来评估关联规则的精准性。提出了CRC病人肠道菌群关联规则如何才能达到临床效果的解决方案:需要用大型医疗数据集进行测试,同时要经过医疗专家考虑项的分组问题。3、提出了基于深度学习的营养干预检索模型,利用经典的深度学习和NPL中的文本匹配解决了研究模型的基础问题:使干预方案达到最合理性。为了完善关联规则,通过大量的文献学习,发现了可以利用Simhash算法与LSI模型完善模型机制。通过AI深度学习,将K-Means++算法、改进Apriori算法、NPL中的文本匹配等方式结合训练,通过不断的修正,使病变规则和干预方案之间的联系更加合理,达到预设研究效果:CRC疑似病人通过PCR检查的数据结果,在医生的指导下,运用基于人工智能的结直肠癌肠道菌群干预模型得到完美的干预方案,提升了医生的诊断效率以及效果。