为解决早期乳腺癌筛查中医师进行影像阅片的高强度性和容易存在误诊漏诊的问题，本文针对乳腺钼靶钙化图像的良恶性诊断提出一种基于机器学习方法H 89的分类模型。在对CBIS-DDSM数据集进行预处理后，对患者钼靶图像Angiogenesis抑制剂进行良恶性病变感兴趣区域图像的特征提取；运用Lasso的方法对得到3356维的影像组学特征进行特征筛选，获得74个与良恶性鉴别相关度最高的特征；接下来与多种分类算法结合，进行分类模型的交叉验证训练，最后进行了预测计算，并使用受试者工作特征曲线对模型进行评估。结果表明，通常基于SMOTE-Lasso-RF方法的模型具有更好的AUC和准确性 (其中验证集AUC 0.812，ACC 0.938；测试集AUC 0.736，ACC 0.739)。论文工作为乳腺癌早期钙化钼靶图像的良恶性诊断提供了技术支持。