基于混合CNN-RNN神经网络的妊娠期糖尿病早期预测系统

本项目是使用混合CNN-RNN深度学习模型实现妊娠期糖尿病早期风险预测的开源项目，准确率达97%，并提供Flask实时预测接口。旨在解决传统筛查干预窗口晚的问题，对改善母婴健康结局具有重要临床价值。

妊娠期糖尿病（GDM）是孕期常见并发症，全球2%-10%孕妇受影响，部分地区比例更高。若不及时干预，可导致巨大儿、早产等不良结局，增加母亲未来患2型糖尿病风险。传统OGTT筛查在孕24-28周进行，错过最佳早期干预窗口，开发早期预测系统意义重大。

项目采用混合CNN-RNN架构：

• CNN层：提取局部模式和空间相关性，识别生理指标（血压、血糖、BMI等）组合模式，通过卷积池化学习层次化特征。
• RNN层：捕捉时序变化趋势，用LSTM/GRU建模孕周指标变化轨迹对疾病的影响。 混合架构同时理解指标组合重要性及演变，提升预测准确性。

数据集：涵盖人口统计学（年龄、孕次等）、生理指标（BMI、空腹血糖等）、生活方式、既往病史等特征。 预处理：缺失值插补、异常值检测、特征标准化。 训练策略：监督学习，数据增强、L2正则化、Dropout防止过拟合，K折交叉验证确保稳定。 性能：测试集准确率97%，优于逻辑回归、随机森林等基线，敏感度与特异度平衡良好。

项目提供完整部署方案：

• Flask Web应用：医护人员输入信息，即时获取风险评估结果与建议。
• RESTful API：便于与HIS/EMR系统集成。
• 版本管理：支持模型版本控制与热更新，持续迭代优化。

应用场景：孕12周初步风险评估、个性化干预、患者教育。 局限性：数据代表性需验证（不同种族/地域）、深度学习模型可解释性不足、需动态更新。 改进方向：扩大数据覆盖、提升模型可解释性、持续更新模型。

该开源项目展示了AI在GDM早期预测的潜力，混合CNN-RNN架构实现97%准确率，完整部署方案推动成果转化。为医疗AI研究者提供技术参考，未来随数据积累与算法优化，将在精准医疗中发挥更大作用。