癌症已成为当今社会威胁人类身体健康的一个不可忽视的问题。传统的癌症诊断方式通常采用细胞形态学,组织病理学等方式。随着机器学习技术在计算机视觉,自然语言处理和语音识别等方面都取得了不错的应用效果,利用机器学习技术对癌症进行预测成为了一种新的可操作方式。根据癌症检测的主要内容,本文将机器学习技术应用于智能医疗领域,分别针对癌症易感性,癌症幸存性与癌症复发性构建模型,辅助医生进行诊断决策。本文的主要研究内容和主要贡献如下:(1)对宫颈癌易感性问题进行研究。针对宫颈癌诊断中存在的类别不平衡问题以及过滤无效特征的问题,本文从数据分布、模型精度和特征数量角度出发,提出了一种结合粒子群算法与合成少数类过采样算法的方法。以此方法与多种机器学习模型对宫颈癌易感性进行研究,旨在解决数据集中的类别不平衡以及过滤无效特征的问题。其中本文所用的合成少数类过采样算法能够较好的模拟数据分布,粒子群算法不仅考虑了模型精度,而且兼顾了特征数量自动选取问题,相比较于传统模型采用的递归特征消除方法和主成分分析方法,该方法避免了手动设置特征数量的缺点。实验表明,该方法优于传统方法并能有效提高模型性能。(2)对肺癌幸存性问题进行研究。针对肺癌患者的一年幸存率问题,本文提出了一种结合粒子群算法与LightGBM模型的分类模型,面对高维复杂的肺癌数据,避免了人工选择特征。另外本文采用了遗传算法作为对照,使用了多种机器学习模型进行建模,对每种机器学习模型的表现进行了对比。相比于随机森林,支持向量机,神经网络等模型,LightGBM与粒子群算法相结合的分类模型提高了肺癌患者幸存时间的分类准确率。(3)对乳腺癌复发性问题进行研究。首先使用多种机器学习算法分别构建了乳腺癌复发预测模型,并使用堆叠网络对模型进行集成。之后使用改进后的堆叠网络模型建模,针对单个网络结点,在堆叠网络模型分别构建完成k个子模型之后,重新用全部的数据进行训练,得到一个使用更多数据进行训练的单一模型节点。最后本文比较了各个模型结合粒子群算法之后的效果。实验表明,改进后的堆叠网络模型能够结合各个模型的优点,性能相比传统堆叠网络模型有所提高。