HCV集成学习：丙型肝炎预测的可复现机器学习研究

本研究基于UCI HCV数据集开展可复现性研究，对比多层感知器(MLP)、贝叶斯网络、QUEST决策树及集成学习方法，结果显示集成学习在丙型肝炎预测中表现卓越。研究提供完整代码与分析文档，为医疗AI领域的可复现研究及辅助诊断工具开发提供参考。

丙型肝炎(HCV)全球约5800万人慢性感染，每年29万人死于相关并发症，早期诊断至关重要。传统诊断依赖血液检测与医生经验，面对多维指标存在局限。本研究使用UCI HCV数据集（615条记录，13个生化指标+1目标变量），探索机器学习辅助诊断的潜力。

研究采用四种方法：1.多层感知器(MLP)：全连接神经网络，捕捉非线性交互；2.贝叶斯网络：概率图模型，处理不确定性；3.QUEST决策树：快速无偏的统计决策树；4.集成学习：组合上述三种模型的预测结果（多数/加权投票），利用模型互补性提升性能。

复现结果与原文对比：MLP（94.15% vs 94.10%）、贝叶斯网络（94.47%一致）、QUEST（94.63%一致），集成模型复现准确率达99.32%（原文95.59%）。差异原因在于SPSS与sklearn的贝叶斯网络实现细节不同，导致投票分歧模式变化，提升集成效果。

项目文件包括数据集、Excel分析结果表、Python复现脚本（需安装scikit-learn等库运行）。基于QUEST的特征重要性分析显示，特定酶指标和蛋白质水平是HCV预测的关键因子，为临床检测优先级提供支持。

方法学贡献：展示SPSS到Python的迁移路径，验证集成策略有效性；临床应用：辅助诊断、早期筛查、资源优化；局限：样本量较小（615）、单一数据来源、需临床验证与监管审批。

本研究证明集成学习在HCV预测中的高准确率（99.32%复现结果），为医疗AI辅助诊断工具开发提供方向。项目作为可复现性案例，对医疗AI研究者和数据科学家具有参考价值。