结合视觉Transformer与LLM的皮肤病智能预测系统

本项目构建端到端AI驱动的皮肤病智能预测系统，针对皮肤科医生资源分布不均、早期诊断难的问题，利用DeiT视觉Transformer模型分析皮肤图像预测疾病类型，结合Gemini大语言模型生成结构化健康建议。系统明确声明仅供教育演示用途，不构成医疗诊断，旨在辅助初步筛查与健康教育。

皮肤病早期识别对及时治疗至关重要，但专业皮肤科医生资源分布不均，许多地区难以获得及时诊断服务。随着人工智能技术快速发展，计算机视觉与大语言模型的结合为该领域带来新可能，本项目由此构建端到端系统，实时分析皮肤图像并生成个性化健康建议。

系统采用分层架构：用户通过Streamlit前端上传图像→FastAPI后端预处理→DeiT-III视觉模型分类预测（迁移学习策略，在Kaggle皮肤病数据集微调）→Gemini 2.5 Flash生成治疗建议、后续步骤、预防提示。DeiT模型降低对大规模标注数据的依赖，Gemini将分类标签转化为可操作指导信息。

系统提供RESTful API端点POST /api/v1/skin/analyze，客户端以multipart/form-data格式上传图像（支持jpg/png/jpeg等），响应含疾病类型、置信度、建议、后续步骤及预防提示字段。部署选项包括Python虚拟环境（uvicorn启动）、Docker镜像、Streamlit前端（本地启动交互式测试界面）。

工程实践亮点：API层与业务逻辑分离、机器学习逻辑与后端服务解耦、模型启动时仅加载一次提升推理效率、环境变量配置管理。未来计划：优化模型推理速度、部署至AWS云基础设施（EC2/ECS）、建立完善日志与监控体系。

本项目展示多模态AI在医疗健康领域的创新应用模式：视觉模型负责图像理解，LLM负责知识整合与语言生成，协同形成完整智能服务。虽非医疗诊断，但其在健康教育和初步筛查辅助方面价值显著，是学习负责任构建医疗AI应用的优秀案例。