原发性支气管癌,即肺癌,作为当前我国最常见的恶性肿瘤之一,严重影响着人类的生命健康。放、化疗是西医治疗肺癌的主要手段之一,其过程会给患者带来巨大的痛苦。与西医治疗肺癌相比,使用中药治疗肺癌不仅能够抑制瘤体细胞的生长,而且可以作为放、化疗后的辅助治疗,降低术后的毒副作用,有效地延长患者的生命。但中医诊断过程存在一定的主观性,其原理缺乏科学性的解释,阻碍了中医药现代化发展的速度。数据挖掘方法已成为中医辨证规律研究的重要手段,能够挖掘潜在的有效信息以指导中医临床诊断。目前,数据挖掘方法在中医药治疗肺癌的研究主要集中于用药规律的挖掘,在辨证规律上的应用较少。而且在辨证规律的研究上大多忽略了患者可能同时具有多个证型的情况,使得辨证结果与真实结果存在一定的偏差。因此,本文采用多标签分类算法构建肺癌证型分类模型,旨在为肺癌的临床辨证提供参考依据。本文的主要工作有:第一:本文从江西省中医院收集了从2018年1月至2020年9月诊断结果为“肺癌病”的门诊病历,将符合本文实验纳入标准的病历作为有效实验数据,并根据中医诊断标准提取了病历中的症状、证型信息。最后对提取到的数据进行量化处理,主要采用二值量化,并采用数据表的形式对量化后的肺癌数据集进行存储。第二:为了提取数据集中与肺癌证型分类相关的关键症状,提高肺癌证型辨证结果的准确性,提出了融合标签冗余因子和二元相关的最大相关-最小冗余多标签特征选择算法LBR-m RMR。该算法利用互信息这一相似性度量方法来量化特征与标签之间的关联程度、特征之间以及标签之间的冗余程度,通过最小化特征之间的冗余度,最大化特征与标签之间的相关度,同时利用标签冗余因子降低高冗余的标签对特征选择结果的影响,并结合二元相关法的多标签学习框架找出与其他特征冗余度最小、与标签相关度最大的最优特征子集。通过与不同的特征选择算法比较,LBR-m RMR算法在准确率、F1值、汉明损失等评价指标上的结果均为最优,表明该算法能够有效地识别出肺癌数据中的关键症状,为肺癌辨证规律的研究提供数据支撑。第三:针对现有中医证型数字化研究大多忽视了标签之间相关性的缺陷,本文拟采用分类器链多标签学习方法进行肺癌证型分类研究。为了解决分类器链算法中的两个关键问题——基分类器在链中的排序以及链序中的错误传播,提出了一种以反向传播神经网络模型作为基分类器,利用其修正错误的特性减少分类器链中的错误传播,同时利用标签识别准确率结合标签相关性优化基分类器排序规则的LRACC-BP算法,实现肺癌证型分类研究。实验结果表明,LRACC-BP算法在多个评价指标上均展现了一定的优势,为肺癌的中医智能辨证研究提供了一种新方法。第四:在以上研究的基础上,采用python编程语言,设计并开发了“中医肺癌证型分类系统”,并将其应用于该疾病中医证型的智能鉴别。