基于机器学习的宫颈癌风险预测系统：数据驱动的早期筛查模型

本项目是一个开源机器学习项目，旨在通过数据预处理、探索性数据分析、特征工程及分类模型构建，为宫颈癌早期筛查提供AI辅助决策支持。项目由marwa189维护，源码位于GitHub（链接：https://github.com/marwa189/cervical-cancer-risk-prediction），发布于2026年5月31日。其核心目标包括：深入理解宫颈癌风险因素的分布与关联、提取有效预测特征、训练并比较多种分类模型、输出个体化风险评分，以及提供模型决策的可解释性分析。

宫颈癌是全球女性第四大常见癌症，每年新增病例超60万，死亡人数超34万。HPV感染是主要病因，从感染到癌变需10-20年，为早期干预提供时间窗口。传统筛查依赖巴氏涂片和HPV检测，虽有效但存在成本高、医疗资源依赖性强、筛查覆盖率不足等问题，尤其在资源匮乏地区，晚期诊断比例高、预后差。机器学习技术可通过分析人口统计学特征、生活方式、医疗史等数据识别高风险人群，优化筛查策略，为解决上述问题提供新可能。

项目使用公开的宫颈癌风险因素数据集，记录女性健康信息及诊断结果。特征类别包括：

• 人口统计学：年龄、婚姻状况、教育水平、收入水平
• 生活方式：吸烟史、饮酒史、饮食习惯、运动情况
• 医疗史：既往妇科疾病史、激素使用史、避孕药使用史、既往筛查史
• 性行为相关：初次性行为年龄、性伴侣数量、HPV感染史、性传播疾病史 目标变量为宫颈癌诊断结果（二元分类：阳性/阴性）。

项目技术流程涵盖全流程：

1. 数据预处理：处理缺失值（删除高缺失特征、中位数/众数填充等）、检测异常值（IQR/Z-score、箱线图）、转换数据类型（编码类别变量、标准化数值变量）。
2. 探索性数据分析（EDA）：单变量（分布直方图、频数分布）、双变量（特征与目标关系、卡方检验/T检验）、多变量分析（相关性热力图、PCA降维），识别显著相关风险因素。
3. 特征工程：通过过滤法、包装法、嵌入法选择特征；构造组合/分箱/比率特征；进行标准化/归一化/对数变换。
4. 模型构建：实现多种分类算法，包括逻辑回归（基线模型）、决策树、随机森林、SVM、梯度提升树（XGBoost/LightGBM）及神经网络（MLP）。

模型评估：采用训练/验证/测试集划分、K折交叉验证（分层抽样）；评估指标包括准确率、精确率、召回率（医学场景更重要，避免漏诊）、特异度、F1分数、AUC-ROC、AUC-PR；分析混淆矩阵（关注假阴性）。超参数优化使用网格搜索或随机搜索。 可解释性：提供特征重要性（树模型、置换重要性、SHAP值）、个体预测解释（LIME、决策路径可视化）及规则提取，确保医生和患者理解预测依据。

应用场景：

• 风险分层筛查：按风险评分分为高/中/低风险，优化筛查间隔与资源分配；
• 资源优化：优先服务高风险人群，提高筛查覆盖率；
• 健康教育：识别高危行为，制定针对性策略；
• 临床研究：支持流行病学研究与干预效果评估。 局限性：数据可能存在偏倚（地区/人群）、自报告准确性问题；模型泛化能力需验证；存在隐私保护、心理影响、歧视风险；需与现有临床流程整合，获得医生信任及监管审批。

未来方向：

• 多模态数据融合：整合基因组、影像、实验室检查、电子健康记录；
• 深度学习应用：自动特征提取，处理高维数据；
• 实时预测系统：开发Web/移动应用，提供实时风险评估；
• 因果推断：从相关性转向识别因果风险因素，支持干预策略。 结语：本项目展示了ML在宫颈癌风险预测的潜力，为早期筛查提供技术支撑。需强调ML模型是辅助工具，不能替代专业诊断，应用中需考虑伦理、隐私与公平性。随着技术进步，AI辅助筛查将更精准普及，助力全球女性健康。