隨著生活質量的提升和人口老齡化的加劇，各種疾病威脅著人類的健康，而現(xiàn)有的醫(yī)療資源和醫(yī)療水平還十分有限，且地區(qū)差異巨大，醫(yī)生的時間與精力也不能滿足眾多病人個性化的醫(yī)療需要。因此，輔助診斷技術開始逐漸被應用到各種醫(yī)療診斷中，但是如何從大量醫(yī)療數(shù)據(jù)中挖掘各類病癥之間的聯(lián)系，為患者提供更好的輔助診斷服務，仍需要深入研究和探索。
　　本書探討了統(tǒng)計學、機器學習、數(shù)據(jù)挖掘方法在疾病輔助診斷中的應用，通過實地調研獲得了某醫(yī)院心臟病超聲心動圖報告和500多份樣本數(shù)據(jù)。首先，運用數(shù)據(jù)分析和挖掘的有關方法對數(shù)據(jù)進行預處理、數(shù)據(jù)篩選等操作；其次，選取了機器學習中的樸素貝葉斯、決策樹、BP神經(jīng)網(wǎng)絡、隨機森林等方法進行模型學習并對模型參數(shù)進行調優(yōu)；最后，分析了實驗的結果，對各個模型的性能進行比較，本書在特征選取時進行統(tǒng)計學檢驗分析，利用機器學習技術進行智能輔助診斷預測分析，提出了針對心臟病患者病情嚴重程度分級策略和入院治療風險的預測方法。
　　本書創(chuàng)新之處：第一，從實地調研中采集了真實病人的數(shù)據(jù)，并與醫(yī)生積極溝通，獲得了心臟病患者病情嚴重程度主要指標及手術風險的評判標準；第二，根據(jù)醫(yī)生經(jīng)驗和特征構建方法對實驗數(shù)據(jù)的特征進行降維處理，極大地降低了變量特征的維度，提高了實驗結果的準確性；第三，應用數(shù)據(jù)科學的研究方法，在診斷分類和入院風險預測中將機器學習與統(tǒng)計分析兩種數(shù)據(jù)挖掘方法結合使用，提升了預測的準確率。
　　本書共分7章，各章組織如下：第1章介紹醫(yī)療數(shù)據(jù)挖掘與智能輔助診斷系統(tǒng)概述；第2章介紹醫(yī)療數(shù)據(jù)挖掘方法及關鍵技術；第3章介紹基于統(tǒng)計方法的醫(yī)療數(shù)據(jù)分析與挖掘；第4章介紹基于BP神經(jīng)網(wǎng)絡模型的醫(yī)療分類預測；第5章介紹基于隨機森林模型的入院風險預測；第6章介紹心臟病輔助診斷原型系統(tǒng)實現(xiàn)；第7章是對本書的總結與展望。