甲状腺结节作为最常见的甲状腺临床疾病,近年来发病率不断攀升,严重影响着人体健康,对甲状腺结节辅助诊断开展研究极具现实意义。超声检查是甲状腺结节临床诊断的必要检查方式,随着医疗信息化的日渐成熟,大量甲状腺结节患者的超声诊断报告文本得以有效保存。这些诊断报告文本对于医疗辅助诊断具有非常重要的参考价值,如何从不规范的超声诊断报告文本中准确高效地提取有价值的结构化数据是对甲状腺结节辅助诊断研究的必要前提。其次,传统的甲状腺结节临床诊断经常受制于医生专业知识,工作经验及认知能力,以致造成患者不能得到及时而精准的治疗,这一直是甲状腺结节超声诊断面临的关键难题。而新一代人工智能技术为现代医疗领域的智能辅助诊断提供了新的思路。基于上述背景和问题,本文通过对医疗文本结构化处理和甲状腺疾病辅助诊断的研究现状进行分析,提出一套针对不规范的医疗诊断报告的结构化处理方案。同时,以安徽省合肥市某大型三甲医院的甲状腺结节超声诊断报告文本为数据源,根据数据特点分析,构建基于自定义专业词典的特征提取框架,以从超声诊断报告文本中完成五项超声特征的提取。在此基础上分别利用BPNN和RBFNN两种较为成熟的前馈神经网络,构建了甲状腺结节辅助诊断模型,从甲状腺结节良恶属性预测和医生诊断预测两个方面来进行甲状腺结节的辅助诊断研究。同时在医生诊断预测模型中引入“金标准”和区间数距离测度,并定义了新的精度计算公式,用于度量诊断精度。最后,以5569条甲状腺结节诊断数据作为实验数据集进行结节良恶属性预测实验,使用正确率、ROC曲线以及AUC值对模型的预测结果进行检验。结果表明,相较于BPNN,基于RBFNN的甲状腺结节良恶属性预测模型具有更高的精度。接着以病例数量较多的五位超声科医生的3868条甲状腺结节诊断数据为实验数据集进行医生诊断预测实验,并将预测精度与医生自身的诊断精度作对比。结果表明基于RBFNN的甲状腺结节医生诊断预测模型比医生自身精度有5.5～11%的提高,可有效辅助医生对甲状腺结节进行诊断。