甲状腺结节性疾病是临床中的一种常见疾病,广泛存在于各年龄段人群中。临床上有多种甲状腺病症,这些病症可由甲状腺结节的物理特征初步快速诊断出结节的良恶性。目前医院辨别甲状腺结节良恶性症状的常用方法是影像学诊断法或化学诊断法,但它们有很高的误诊率。为此,本文基于这些诊断方法收集到的甲状腺结节物理特征数据,借助机器学习的理论和方法提出一个简单直观的辨别甲状腺结节良恶性症状的辅助方法,提高影像学诊断的效率。本文首先对收集到的临床数据进行数据预处理,特别是,采用最新的缺失数据处理方法对缺失数据进行填补。然后,借助统计学中的直方图和箱型图分析甲状腺结节良恶性病症与其它特征变量之间的关系,进而研究这些特征变量对甲状腺结节良恶性的影响。再借助这些特征变量与因变量之间的相关性检验,找出它们之间关联性较大的特征变量,然后再做随机森林算法分析得到影响甲状腺结节良恶性较多的几个特征变量,最后在前两个方法的基础上建立完整数据集的Logistic回归模型以及用缺失机制模型结合EM算法建立实际带缺失数据集的logistic回归模型。机器学习分析结果表明:物理特征甲状腺结节大小、纵横比、边缘与边界情况、甲状腺内部结构以及钙化情况对甲状腺结节的良恶性有显著的影响。而对于有缺失的实际数据进行EM算法分析可以说明所用估计方法的有效性,建立的logistic回归模型较合理。