MedRisk-Classifier：一套代码库打通三大临床数据集的可复现慢性病风险预测系统

本文介绍MedRisk-Classifier，一个生产级机器学习流水线项目，旨在解决医疗AI领域模型泛化难的问题。通过统一的预处理、特征工程、模型训练和评估流程，该系统可自适应处理糖尿病大规模、克利夫兰心脏病、皮马印第安人糖尿病三大独立临床数据集，实现高准确率的慢性病风险预测，具备模块化架构、类别不平衡处理、多模型对比等关键特性。

在医疗人工智能领域，特定场景训练的预测模型常因数据分布差异、特征定义不同、样本量悬殊等因素难以迁移。MedRisk-Classifier直面这一挑战，核心设计理念为高度模块化架构，让同一套代码自适应处理不同临床数据集，无需为每个数据集重写预处理逻辑。

项目选用三个代表性公开临床数据集验证：

• 糖尿病大规模数据集（Diabetes-Large）：10万条记录、8个特征，样本量大，考验模型训练效率与内存管理；
• 克利夫兰心脏病数据集（Heart-Cleveland）：297条记录、13个特征，小样本高维，考验泛化能力；
• 皮马印第安人糖尿病数据集（Diabetes-Pima）：768条记录、8个特征，类别不平衡（阳性样本约35%），适合检验不平衡学习技术。

数据预处理

遵循防泄漏原则，标准化操作仅在训练集拟合参数后应用于测试集。

特征工程

针对皮马数据集设计8个临床启发式特征，如血糖与BMI乘积（胰岛素抵抗代理指标）、血压与年龄乘积（心血管压力）等，结合领域知识与数据科学。

类别不平衡处理

采用SMOTE技术，仅在训练集生成合成样本（如糖尿病大规模数据集正例从6.8k扩展至73.2k），测试集保持原始分布。

多模型对比与调优

训练逻辑回归、随机森林、XGBoost、LightGBM四类模型，对各数据集最优模型用Optuna（TPE采样器）调优学习率、树深度等参数。

医疗场景评估采用ROC-AUC、敏感度（识别患者能力）、特异度（不误诊健康人能力）：

数据集	最优模型	ROC-AUC	敏感度	特异度
糖尿病大规模	LightGBM	0.979	0.709	0.995
克利夫兰心脏病	逻辑回归	0.958	0.821	1.000
皮马印第安人	XGBoost+特征工程	0.838	0.685	0.770
LightGBM在糖尿病大规模数据集特异度达0.995，几乎不误判健康人，避免不必要医疗干预。

项目自动保存12种发表级可视化图表（ROC曲线、混淆矩阵、特征重要性等），辅助模型诊断与调参。最终模型通过Gradio部署为交互式Web应用，含三个数据集标签页，用户输入生理指标后，系统以绿（低）、黄（中）、红（高）颜色编码展示风险，并生成可分享链接。

MedRisk-Classifier展示生产级医疗AI项目完整形态：全链路自动化、严格训练-测试分离防泄漏、医疗场景定制评估指标、可复现实验流程。对医疗AI开发者，该项目提供宝贵参考：模块化设计便于替换数据集/模型，详尽文档与可视化降低复现门槛。