医疗AI中的数据泄露陷阱：乳腺癌复发预测模型的双模型对比研究

本文聚焦GitHub开源项目breast-cancer-recurrence-ann，通过对比两个神经网络模型揭示医疗AI中的数据泄露问题，并展示如何构建临床实用的预测系统。项目核心价值在于提醒医疗AI社区：看似优秀的模型指标可能掩盖致命缺陷，需结合临床现实设计系统。

该项目使用德国乳腺癌研究组（GBSG）数据集，包含686名患者的11个临床特征（年龄、绝经状态、肿瘤大小等），预测目标为患者是否复发或死亡。数据集中的rfstime字段（无复发生存时间）包含未来信息，是潜在的数据泄露源。

Model A（含泄露信息）

使用所有特征（含rfstime），采用TensorFlow/Keras构建深度神经网络（3层隐藏层+正则化/ dropout），追求高预测性能但存在目标泄露。

Model B（临床现实模拟）

排除rfstime字段，模拟真实临床场景；优化分类阈值使Recall≥0.75，优先减少漏诊（False Negative），更符合临床决策需求。

• 评估指标：Accuracy、Precision、Recall、F1-Score、ROC-AUC，同时对比逻辑回归基线模型。
• 解释性：采用SHAP分析识别关键影响特征，提升模型透明度。
• 代码结构：包含数据预处理、模型训练测试、性能可视化、SHAP分析等模块。

Model A因使用rfstime（未来信息）获得虚高准确率，但在临床场景中不可用；Model B通过合理特征选择和阈值优化，更适合实际应用。数据泄露在医疗数据中常见（如生存时间、随访结果等未来信息），易导致模型“作弊”。

1. 数据泄露检查应成为标准流程，需审查特征的时间属性。
2. 评估指标需对齐临床目标（如优先Recall减少漏诊）。
3. 模型解释性是必需品（如SHAP工具），建立医生信任。
4. 学术研究与临床部署需弥合鸿沟，考虑现实约束。

该项目虽规模不大，但触及医疗AI核心议题：技术性能需结合医学伦理与临床现实。数据泄露不仅是技术bug，更是对应用场景理解不足的体现。项目为医疗AI开发者提供了学习资源，强调在健康领域需秉持负责任态度。