CardioXAI：临床级可解释AI心脏疾病预测系统

CardioXAI v2.0是专为临床决策支持设计的可解释机器学习系统，结合逻辑回归预测与SHAP可解释性分析，旨在解决医疗AI"黑盒"问题，平衡预测准确性与解释稳定性，为医疗专业人员提供透明可信的辅助诊断工具。项目由印度浦那Vishwakarma Institute of Technology团队开发，目标是将前沿可解释AI技术转化为临床可用解决方案。

心脏疾病是全球主要死亡原因之一，早期风险评估至关重要。传统机器学习模型因"黑盒"特性（医生无法理解预测原因）限制临床部署。CardioXAI v2.0应运而生，核心目标是平衡预测准确性与解释稳定性，提供透明可信赖的AI辅助工具，团队来自印度浦那Vishwakarma Institute of Technology，致力于将可解释AI技术转化为临床解决方案。

CardioXAI采用模块化全栈架构（React前端、Flask后端、机器学习模型层、MongoDB数据库），通过Docker容器化部署确保可扩展性与易部署性。核心特性包括：二元心脏病风险预测（低/中/高风险）、概率化风险评分（0-100%）、SHAP瀑布图可视化、个性化临床解释、专业PDF报告生成。用户功能含JWT安全认证（7天令牌）、MongoDB存储用户/健康记录、三步注册流程、交互式风险趋势仪表盘、报告历史管理、移动端响应式设计。

CardioXAI深度应用SHAP方法，为每位患者计算精确线性SHAP分解（等价于shap.LinearExplainer）。关键实现细节：基于患者实际输入计算解释、个体化特征贡献值（非平均）、数学精确性（LinearExplainer确保忠实性）、临床对齐性（SHAP值与医学风险因素一致）。模型基于UCI Cleveland心脏病数据集训练，含297例预处理患者记录及13个临床属性（年龄、性别、胸痛类型等）。

测试集准确率83.3%，AUC-ROC 0.9487，五折交叉验证AUC-ROC 0.9012，泛化能力良好。解释稳定性验证：逻辑回归相似病例余弦相似度约0.71（优于随机森林0.20）；移除顶部SHAP特征导致ROC-AUC下降约0.07，证实解释反映模型实际行为；SHAP解释与已知医学风险因素对齐（如年龄、胆固醇、血压正向贡献，运动诱发心绞痛为强正向指标）。

CardioXAI体现医疗可解释AI最佳实践，平衡准确性与解释可理解性/稳定性，连接AI技术与临床实践。未来规划：集成更多XAI方法（LIME、Integrated Gradients）、神经网络对比分析、EHR系统集成、多语言支持、移动应用版本。该项目以用户为中心、解释性为核心的设计理念值得医疗AI领域借鉴。