机器学习助力乳腺癌早期检测：从数据到部署的完整实践

一个基于逻辑回归的乳腺癌预测系统，使用UCI Wisconsin数据集训练，提供Web界面进行实时预测，并部署在Render云平台。

• 原作者/维护者: Poornima Sonkar (GitHub, LinkedIn)
• 来源平台: GitHub
• 原始标题: Breast-Cancer-Prediction
• 原始链接: https://github.com/poornimasonkar/Breast-Cancer-Prediction
• 发布时间: 2026年5月26日

---

乳腺癌是全球女性中最常见的恶性肿瘤之一，早期检测对于提高治愈率至关重要。传统的诊断方法依赖医生的经验判断和病理分析，而机器学习技术的引入为辅助诊断提供了新的可能性。本项目展示了一个完整的机器学习应用开发流程，从数据预处理到模型部署，为医疗AI领域的学习者提供了一个实用的参考案例。

---

本项目采用UCI机器学习库中的乳腺癌威斯康星州（诊断）数据集，这是机器学习领域最经典的医疗数据集之一。

数据集特征：

• 样本来源: 乳腺肿块的细针穿刺活检图像
• 特征数量: 30个数值型特征，描述细胞核的形态特征
• 目标类别: 恶性（Malignant）与良性（Benign）
• 特征维度: 包括半径、纹理、周长、面积、平滑度、紧密度、凹陷度、凹陷点数、对称性和分形维数等

这些特征从数字化图像中提取，能够量化细胞核的几何和纹理特性，为机器学习模型提供可靠的输入。

---

项目采用**逻辑回归（Logistic Regression）**作为分类算法。这一选择体现了实用主义的工程思维——在医疗诊断场景中，模型的可解释性往往比复杂的黑盒模型更有价值。逻辑回归不仅能给出预测结果，还能输出概率值，帮助医生理解预测的置信度。

层级	技术	作用
前端	HTML/CSS	用户交互界面
后端	Flask	Web服务框架
模型	scikit-learn	机器学习算法库
部署	Render.com	云平台托管
序列化	Pickle	模型保存与加载

---

整个预测系统的工作流程设计简洁明了：

1. 数据输入: 用户在Web界面输入30个肿瘤特征数值
2. 特征传输: 前端将数据发送至Flask后端服务
3. 模型推理: 预训练的逻辑回归模型进行预测计算
4. 结果展示: 系统返回"良性"或"恶性"的诊断结果

这种端到端的流程设计使得非技术背景的医护人员也能轻松使用，降低了AI辅助诊断的技术门槛。

---

项目不仅包含模型训练代码，还提供了完整的Web应用和部署方案。学习者可以从中了解：

• 数据预处理与特征工程
• 模型训练与评估（准确率、混淆矩阵）
• Web应用开发
• 云平台部署实践