随着信息技术的兴起及其在医疗行业的广泛应用,医疗数据的数据量呈指数级增长,且存在异构高维等特点,这使得通过传统医疗数据可视化方法获取有效诊疗信息以探寻特定疾病的潜在规律,往往存在效率低下等问题,甚至难以进行。将机器学习方法融入医疗数据的分析处理,不仅能降低医疗数据的高维问题,也便于从中提取用于分析的主特征信息,可有效降低计算量,缩短时间复杂度,提高医疗数据分析的准确性。为此,本文将机器学习方法应用于医疗数据的可视化分析,提出了T-SNE-DBSCAN算法,用于医疗数据的相似度分析,构建了相应的可视化分析平台。针对医疗数据的高维问题,论文首先将机器学习方法用于医疗数据的特征值重要性测度分析。以MIMIC-III医疗数据库中的肺部肿瘤检测数据为基础,通过预处理,应用KNN算法、支持向量机算法和随机森林算法等典型机器学习方法,对该数据进行分类训练,从敏感性、特异性和检测准确性等方面构建了分类性能评价方法,从而得到最优算法用于计算特征值的重要程度值,作为实现数据降维处理的数据预处理方法。为医疗数据提供相似度分析工具,在特征值重要性计算处理基础之上,基于降维思想,论文随后给出了T-SNE-DBSCAN算法。在对MIMIC-III肺部肿瘤数据进行相似度分析的过程中,通过检测数据特征的重要程度实现数据的降维,通过对比分析得到相似度分析效果最好的机器学习方法,构建了T-SNE-DBSCAN相似度分析算法。实验表明相比于传统单一手段的机器学习算法,T-SNE-DBSCAN算法具有更好的判断准确率。在以上研究基础上,论文最后构建了一个通用的医疗数据可视化分析平台,通过多种数据可视化方法实现对医疗数据的分析处理,帮助医生对医疗大数据中潜在的规律及风险进行挖掘、呈现和预测,并进行相关的医学实验分析和科学研究。