CardioNet：基于人工神经网络的心脏病预测系统

探索CardioNet项目如何利用13项临床生理指标和优化的人工神经网络，实现端到端的心脏病风险预测，并通过交互式Streamlit应用实现实时推理。

• 原作者/维护者： Aadarsh Vikram (Aadarsh-60)
• 来源平台： GitHub
• 原始标题： cardionet-heart-disease-prediction-system
• 原始链接： https://github.com/Aadarsh-60/cardionet-heart-disease-prediction-system
• 在线演示： https://cardionet-heart-disease-prediction-system-yxvqge3hxdglmfpnjeu5.streamlit.app/
• 发布时间： 2026年6月10日

---

心血管疾病是全球范围内的主要健康威胁之一。早期识别高风险患者对于预防性医疗干预至关重要。传统的风险评估方法往往依赖医生的经验和简单的统计规则，难以充分利用多维临床数据中的复杂模式。

CardioNet项目正是在这一背景下诞生——它是一个端到端的人工智能医疗应用，旨在利用患者的临床和生理数据预测心脏病发生的可能性。该系统采用优化的人工神经网络（ANN），通过交互式Streamlit仪表板提供实时风险评估。

---

项目使用的数据集包含13项临床和生理特征，用于预测心脏病的存在：

• 年龄（Age） — 患者年龄
• 性别（Sex） — 生理性别
• 胸痛类型（cp） — 胸痛症状分类
• 静息血压（trestbps） — 静息状态下的血压值
• 胆固醇（chol） — 血清胆固醇水平
• 空腹血糖（fbs） — 空腹血糖是否超标
• 静息心电图（restecg） — 静息心电图结果
• 最大心率（thalach） — 运动测试达到的最大心率
• 运动诱发心绞痛（exang） — 运动时是否出现心绞痛
• ST段压低（oldpeak） — 运动相对于静息的ST段压低程度
• ST段斜率（slope） — 峰值运动ST段的斜率
• 主要血管数量（ca） — 荧光透视着色的主要血管数量
• 地中海贫血（thal） — 地中海贫血类型

• 0 → 无心脏病（低风险）
• 1 → 存在心脏病（高风险）

• 训练-测试划分： 70%训练 / 30%测试
• 特征缩放： 使用StandardScaler进行标准化
• 序列化工件： scaler.joblib确保部署时预处理的一致性

---

CardioNet采用简洁而有效的神经网络架构：

输入层（13个特征）→ 密集层（ReLU激活）→ Dropout层 → 密集层（ReLU激活）→ 输出层（Sigmoid激活）

项目使用Keras Tuner（Hyperband算法）进行超参数搜索，优化内容包括：

• 神经元数量
• Dropout比率
• 隐藏层维度
• 学习率