一个开源的全栈医疗AI平台，结合XGBoost/RandomForest多疾病预测模型与Gemini大语言助手，实现体检报告自动解读、风险筛查与智能问诊，让医学检验结果真正"听得懂"。

克隆仓库

git clone https://github.com/pavanbadempet/AI-Healthcare-System.git cd AI-Healthcare-System

配置环境变量

cp .env.example .env

编辑 .env 添加 GOOGLE_API_KEY

Docker 一键启动

docker-compose up --build ```\n\n启动后，三个核心服务将同时运行：\n- 前端应用：http://localhost:8501\n- API 文档：http://localhost:8000/docs\n- MLflow UI：http://localhost:5000\n\n### 云端生产部署\n\n项目已配置好 Streamlit Cloud 和 Render 的部署模板，只需连接 GitHub 仓库并设置环境变量即可上线生产环境。\n\n---\n\n## 项目意义：AI医疗落地的务实探索\n\nAI Healthcare System 的价值不仅在于技术整合，更在于它提出了一个务实的AI医疗落地路径：\n\n从辅助解读入手，而非替代医生：系统定位为"医患之间的翻译官"，帮助患者理解检验数据，为医生节省解释时间，而非做出最终诊断。\n\n隐私优先的架构设计：每位用户独立的向量存储、JWT 身份验证、数据隔离机制，体现了医疗AI应用中对隐私保护的重视。\n\n开源推动行业进步：MIT 许可证下的开源发布，让全球开发者可以在此基础上改进，推动医疗AI工具的民主化。\n\n---\n\n## 总结与展望\n\nAI Healthcare System 展示了一个清晰的技术趋势：机器学习负责"计算"，生成式AI负责"沟通"，两者结合才能真正服务医疗场景。\n\n对于开发者而言，这是一个学习医疗AI工程实践的优质开源项目；对于医疗机构，这是探索智能化转型的低门槛起点；对于患者，这可能是让体检报告不再"看不懂"的希望。\n\n项目已部署演示环境：https://ai-healthcare-system.streamlit.app/\n\n开源地址：https://github.com/pavanbadempet/AI-Healthcare-System

项目背景：当体检报告成为"天书"\n\n每年全球数十亿人进行体检，但大多数人拿到检验报告后都面临同样的困境：密密麻麻的数字、晦涩的医学术语、缺乏上下文的参考范围。患者往往只能依赖医生的简短解释，而医生也承受着巨大的问诊压力。\n\nAI Healthcare System 正是为解决这一痛点而生。这是一个专为诊断中心和患者设计的下一代医疗门户，核心目标简单而直接：让实验室报告不再令人困惑。\n\n---\n\n核心架构：双引擎驱动的智能医疗\n\n该平台采用机器学习 + 生成式AI的双引擎架构，实现了从疾病预测到报告解读的完整闭环：\n\n1. 机器学习疾病筛查层\n\n系统基于 XGBoost 和 RandomForest 算法训练了多个专科预测模型，覆盖五大高发疾病领域：\n\n- 糖尿病筛查：基于血糖、BMI、胰岛素水平等指标\n- 心脏病风险评估：整合胆固醇、血压、心电图数据\n- 肝脏健康监测：肝功能指标综合分析\n- 肾脏疾病预警：肾功能相关生物标志物检测\n- 肺癌风险预测：多维度危险因素评估\n\n这些模型经过专业医学数据训练，能够在患者上传基础生理指标后，即时输出风险等级评估。\n\n2. 生成式AI智能助手层\n\n平台集成了 Google Gemini Pro 大语言模型，构建了两项核心能力：\n\n医学对话助手：基于患者的病史和检验数据，提供个性化的健康咨询。系统采用 RAG（检索增强生成）架构，为每位用户建立独立的向量存储空间，确保数据隔离与隐私安全。\n\n视觉报告解析：Gemini Pro Vision 能够直接读取 PDF 格式的原始检验报告，自动提取关键指标，无需用户手动输入数据。\n\n---\n\n功能全景：患者端与医生端的双重价值\n\n患者端体验\n\n对于普通用户，平台提供了三大核心功能模块：\n\n**📄 智能报告解读**\n上传 PDF 体检报告后，AI 会在数秒内生成通俗易懂的摘要，将专业术语转化为日常语言，并标注需要关注的异常指标。\n\n**🤖 个人健康助手**\n基于历史检验数据的持续学习，AI 助手能够回答"我的血糖趋势如何""这个指标偏高需要注意什么"等个性化问题，成为7×24小时在线的私人健康顾问。\n\n**🩺 多疾病风险筛查**\n通过简单的问卷或自动提取的检验数据，系统可即时评估多种慢性病的患病风险，帮助用户及早发现潜在健康问题。\n\n医生与诊所端\n\n对于医疗机构，平台提供了专业的管理工具：\n\n**🏥 患者数据仪表板**\n集中管理所有患者档案，支持按时间轴查看历次检验结果，快速掌握患者健康全貌。\n\n**📈 趋势分析可视化**\n自动绘制各项生理指标的变化曲线，帮助医生识别潜在的健康趋势和异常波动。\n\n**🔐 安全合规架构**\n基于角色的访问控制（RBAC）和数据隔离机制，确保患者隐私符合医疗数据保护法规要求。\n\n---\n\n技术实现：全栈开源的技术选型\n\n该项目采用现代全栈架构，技术选型兼顾开发效率与生产性能：\n\n| 层级 | 技术栈 | 用途 |\n|------|--------|------|\n| 前端 | Streamlit | 响应式UI与数据可视化 |\n| 后端 | FastAPI + Pydantic | REST API与请求验证 |\n| 机器学习 | XGBoost, Scikit-Learn | 疾病分类模型 |\n| 生成式AI | Gemini Pro, LangChain | 对话助手与RAG管道 |\n| 向量数据库 | FAISS | 语义搜索与记忆存储 |\n| 数据库 | SQLite | 用户数据与对话历史 |\n| DevOps | Docker, GitHub Actions | 容器化与CI/CD |\n\n这种技术组合的优势在于：Streamlit 让数据科学家能够快速构建交互界面；FastAPI 提供高性能异步API；而 Docker Compose 则实现了"一键启动"的部署体验。\n\n---\n\n部署与使用：从本地开发到云端生产\n\n项目提供了多种部署方式，满足不同场景需求：\n\n本地开发环境\n```bash

克隆仓库 git clone https://github.com/pavanbadempet/AI-Healthcare-System.git cd AI-Healthcare-System 配置环境变量 cp .env.example .env 编辑 .env 添加 GOOGLE_API_KEY Docker 一键启动 docker-compose up --build ```\n\n启动后，三个核心服务将同时运行：\n- 前端应用：http://localhost:8501\n- API 文档：http://localhost:8000/docs\n- MLflow UI：http://localhost:5000\n\n云端生产部署\n\n项目已配置好 Streamlit Cloud 和 Render 的部署模板，只需连接 GitHub 仓库并设置环境变量即可上线生产环境。\n\n---\n\n项目意义：AI医疗落地的务实探索\n\nAI Healthcare System 的价值不仅在于技术整合，更在于它提出了一个务实的AI医疗落地路径：\n\n从辅助解读入手，而非替代医生：系统定位为"医患之间的翻译官"，帮助患者理解检验数据，为医生节省解释时间，而非做出最终诊断。\n\n隐私优先的架构设计：每位用户独立的向量存储、JWT 身份验证、数据隔离机制，体现了医疗AI应用中对隐私保护的重视。\n\n开源推动行业进步：MIT 许可证下的开源发布，让全球开发者可以在此基础上改进，推动医疗AI工具的民主化。\n\n---\n\n总结与展望\n\nAI Healthcare System 展示了一个清晰的技术趋势：机器学习负责"计算"，生成式AI负责"沟通"，两者结合才能真正服务医疗场景。\n\n对于开发者而言，这是一个学习医疗AI工程实践的优质开源项目；对于医疗机构，这是探索智能化转型的低门槛起点；对于患者，这可能是让体检报告不再"看不懂"的希望。\n\n项目已部署演示环境：https://ai-healthcare-system.streamlit.app/\n\n开源地址：https://github.com/pavanbadempet/AI-Healthcare-System