癌症一直是威胁人类生命健康的顽症。随着现代医疗水平的提升,早期癌症患者的治愈率约达80%-90%。因此,癌症的及早发现至关重要。基于社会需求和人工智能等计算机科学技术领域的飞速发展,利用计算机技术进行辅助诊断已经具备技术支撑,并且根据目前研究来看,采用计算机辅助诊断有着极大的优势,能够更精准有效的发现病症并作出诊断建议,计算机辅助诊断成为治疗癌症领域的趋势和必要。本文的研究目标主要是通过数据挖掘,关联规则算法等技术去探究发现多种并发癌症相互之间属性的关联性,从而预测判断出来多种并发癌症的可能性,即得了一种癌症,再得另一种癌症的可能性预测。传统的关联规则算法仅能用于布尔型数据的挖掘,但是在现实中很多需要研究的参数都是数值类型的,不能直接使用布尔关联规则算法那进行挖掘。针对这个问题引入模糊集理论,利用模糊集理论对数据进行分类,得到模糊集合,更符合事务的客观规律,且软化了数值型属性的分类边界,可以使得挖掘出的关联规则更具有实际意义。本文利用改进Apriori算法对患有某种癌症后再患上其他癌症的患者数据进行分析处理,找出关联度高的因子,将这些因子作为预测癌症下一阶段扩散方向的依据,对癌症的治疗提供帮助。实验结果表明,改进Apriori算法能够挖掘出更多的规则,且规则质量高于改进前,得出的关联规则对预测乳腺癌的扩散方向具有一定的帮助。论文针对数据库产生大量无效规则问题,对抽取的并发癌症关联规则分别使用聚类算法和社区检测算法进行后处理,然后通过比较分析得到并发癌症关联规则集上的有效信息,为用户进一步分析并发癌症关联性提供依据。使用聚类算法对规则进行分类,主要目的使规则数量降低,进而找到感兴趣的规则。聚类过程中考虑了癌症病人对象的属性特征,分组后组内成员是相似的,而不同组的成员间是有差异的,这样能够得到并发癌症属性间的潜在关联关系。社区检测算法借助与复杂网络概念,在把得到的规则作为网络模型后,将社区检测算法应用于该网络图形中,寻找网络内部类似区域。论文提出一种结合页面推荐算法——基于分布式自动学习矩阵的算法来学习先前癌症病人发病的属性特征,利用了癌症病人抽取的关联规则构建的网络数据,并基于学习的模式分析出潜在的规则信息。采用规则相关性来确定分配定量权重,允许规则权重与事务中的每个频繁项集相关联。采用每个病人频繁项集出现的频率及各项集自身权重值来计算定量权重。在处理未知的新出现的病人信息时,采用基于分布式自动学习算法和加权关联规则映射算法的混合算法。图[13]表[11]参[61]