脑卒中风险早期预测：基于集成学习与SHAP可解释性的机器学习实践

本项目源于开发者家庭经历，旨在构建可解释的脑卒中风险早期预测工具。核心技术包括集成学习（XGBoost、随机森林等）、SMOTE处理类别不平衡问题，以及SHAP可解释性分析，为医疗筛查提供可靠的风险评估支持。项目代码开源（GitHub链接：https://github.com/viscl/stroke-risk），发布于2026年。

脑卒中是全球第二大致死原因及成年人致残首要原因。项目诞生于开发者家庭的脑卒中亲身经历，核心目标是打造易于获取、可解释性强的筛查工具，提前标记高风险人群，助力预防干预。

使用Kaggle脑卒中预测数据集（5110条记录，5%为脑卒中患者），包含10个特征：

• 人口统计学：性别、年龄、婚姻状况、居住类型
• 健康指标：高血压、心脏病、平均血糖水平、BMI（缺失值用中位数填充）
• 生活方式：工作类型、吸烟状况 目标变量为是否发生脑卒中（二分类）。

技术流程包括：

1. 预处理：类别特征OneHot编码、数值特征标准化、缺失值处理
2. 模型选择：集成XGBoost（梯度提升）、随机森林（Bagging）、逻辑回归（基线）、神经网络（非线性交互）
3. 类别不平衡处理：SMOTE技术（仅在交叉验证训练集应用，避免数据泄露）
4. 评估：5折分层交叉验证确保泛化性能。

引入SHAP解决医疗AI黑盒问题，其值具有可加性、一致性、公平性。使用TreeExplainer解释树模型。风险分级：<30%低风险、30%-60%中等风险、>60%高风险。示例：67岁男性（心脏病史、高血糖、肥胖、曾吸烟）被预测为高风险，SHAP指出年龄、血糖等为主要驱动因素。

价值：可解释性优先（SHAP）、正确处理类别不平衡、多模型比较、临床友好的风险分级。 局限性：数据集规模小（5110条）、类别极度不平衡、特征覆盖不全（缺家族史等）、地域泛化需验证、需作为医生辅助工具（非替代）。

本项目展示了机器学习转化为医疗工具的实践，强调可解释性、类别不平衡处理及实际应用导向。为医疗AI开发者提供学习案例，助力脑卒中预防及医疗AI普及。