卵巢癌作为女性生殖系统三大恶性肿瘤之一,时刻威胁着女性生命安全。卵巢癌患者的治疗方案一般包括手术治疗、化疗和靶向治疗等,医生往往需要根据病患当前身体状况与检测结果进行方案的选择。在接受相应治疗后,病患也需要定期接受随访以记录病情变化趋势与转归情况。作为定期随访目的之一,进行合理的预后工作对积极把握病人病情发展态势、调整诊疗方案等具有重要意义,考虑到现有预后流程中存在预后因素不明、临床信息获取广度不足等问题,本文基于广度学习思想设计卵巢癌患者生存预后算法,预测实现病患3年生存状态,具体工作如下:1)为了解决卵巢癌患者生存预后过程中存在的临床指标选取依据不明等问题,本课题通过显著性分析方法,结合COX比例风险模型实现面向卵巢癌临床预后因子评估。实验发现,在所选择的病灶信息、治疗方案和基本信息中,如TNM分期、病理类型、年龄等指标对患者的生存预后状态均有一定的影响,而如良性边界肿瘤数、原位恶性肿瘤数等指标则没有造成预后显著性差异,这对之后指导预后工作具有重要意义。2)为了模拟医院中真实的预后场景,本文将单独使用病灶信息进行卵巢癌患者3年生存预后实验,在选取决策树、随机森林、Adaboost、Xgboost与GBDT等作为预后模型后,预测准确度分别达到66.35%、68.87%、69.37%、72.62%与72.42%,实现了基于单源病灶数据的卵巢癌生存预后预测目标。3)为了进一步优化卵巢癌生存预后结果,本文设计了基于广度学习的生存预后模型SPBL,通过COX比例风险模型进行病灶信息、治疗方案与基本信息特征的筛选与融合,使用树模型作为基础模型并通过遗传算法进行优化后融合,得到适用于该场景的预后预测模型,评价指标AUC、F1与准确率分别为80.01%、87.08%与78.50%,相较于单使用病灶信息进行模型构建的结果,各指标分别提高了2%、8%和6%,同时与现有最优的基于统计学构建的预后模型相比在AUC指标上可实现2%的提升。本文面向卵巢癌这一医疗场景,秉持广度学习思想,拟从多源信息中挖掘出与患者生存预后最为相关的临床因素,同时基于此构建出用于卵巢癌患者生存预后的算法,由实验结果可知,本文提出的算法模型可以更好地帮助医生进行合理的预后工作。