一、前言

        做医疗数据分析、AI辅助诊断应该都会遇到两个非常棘手的问题：一是纯表格结构化病历数据，只用大模型直接训练精度拉胯，数值、检验指标、分级特征很难被大模型精准捕捉；二是传统机器学习像随机森林，分类准确率足够高，但永远是黑盒模型，医生拿到预测结果，完全看不懂模型凭哪些检验指标、病史特征判定患者高风险，没法用于临床诊疗落地。

很久以来两条技术路线一直是割裂的，容易只知其一不知其二的困境：

• 做结构化数据预测的工程师死磕树模型、传统机器学习，只追求指标精度；
• 做大模型应用的算法人员埋头微调模型、RAG，专攻文本生成、问答解读，二者很少结合落地。

        但医疗场景有硬性合规要求，不仅要AI给出诊断分类结果，还必须输出符合医学规范、通俗易懂的归因解释，缺一不可。从业这么久了，很多问题找不到方案的时候，就只能自己尝试着结合突破局限，构建新的解决方案，今天就做个简单的总结和思路的整理，供大家参考；

二、基础概念

1. 医疗表格数据

1.1 定义与数据来源

        医疗表格数据，指以二维表格形式存储、每条样本对应一位患者、每一列代表一项临床指标的结构化医疗数据，区别于CT影像、门诊病历自由文本、语音问诊这类非结构化医疗数据。

常见数据源包含三大类：

• 检验系统（LIS）：血常规、肝肾功能、血糖血脂、肿瘤标志物等数值型指标，格式统一，全部为数字；
• 电子病历系统（EMR）：年龄、性别、既往病史、手术史、吸烟饮酒史、疾病分级等分类离散特征；
• 随访数据库：复诊频次、并发症记录、用药时长、预后分级等有序类别特征。

        单条患者样本会整合数十至上百项特征，比如糖尿病筛查数据集包含：年龄、BMI、空腹血糖、糖化血红蛋白、高血压病史、家族遗传史、甘油三酯、用药记录等多维度特征，最终建模目标是二分类/多分类任务，例如：是否确诊2型糖尿病、心脑血管疾病风险等级、肿瘤良恶性判定、术后并发症发生概率。

1.2 三大特征类型细分

        表格内所有临床特征可划分为三类，不同特征适配随机森林的分裂逻辑，同时决定后续大模型归因解读逻辑：

• 连续数值特征：血糖、胆固醇、肌酐、年龄等连续变化数字，随机森林会自动寻找最优分割阈值；
• 无序分类特征：性别、血型、有无过敏史，无大小排序关系；
• 有序分类特征：疾病分期（Ⅰ/Ⅱ/Ⅲ 期）、疼痛等级、风险分级，存在固定强弱顺序。

1.3 纯表格医疗数据现存技术痛点

        单独使用任意一类模型处理该数据，都会出现无法规避的短板，这也是我们需要随机森林与大模型融合的根本原因：

仅用原生大模型处理表格数据缺陷：

• 大模型原生适配文本序列输入，对纯数字表格缺乏天然建模能力。
• 若直接把表格转为文本投喂给模型，数值大小、特征权重、指标阈值会被模型忽略，特征之间的数值关联丢失，分类准确率大幅下滑；
• 同时大模型训练成本高，小样本医疗数据集极易出现过拟合。

仅用随机森林处理表格数据缺陷：

• 随机森林训练完成后具备极高分类精度，对数值、分类特征适配性极强，训练速度快、小样本容错性好，但属于典型黑盒模型。
• 虽然可以提取特征重要性数值，但只能输出一串数字权重，无法结合医学知识翻译成医生能看懂的专业自然语言，不满足医疗临床可解释合规要求；
• 无法自主结合医学常识补充解读，单纯权重数字无临床使用价值。

行业落地硬性约束：

• 医疗AI需满足卫健委可解释性规范，预测结果必须配套完整归因逻辑，单纯精度达标无法上线；
• 同时临床数据多为小样本、高缺失、特征多维度，单一模型很难同时兼顾精度、可解释、低成本训练三大需求。

2. 随机森林基础

2.1 基础定义

        随机森林属于集成学习中Bagging 分支的树模型，由大量相互独立的决策树共同组成，最终分类结果由所有单棵决策树投票决定。简单通俗理解：把每一棵决策树比作一名单独的临床实习生，每一位实习生只观察部分患者、部分检验指标独立给出诊断结论，最后汇总所有实习生投票，得票最多的疾病判定为最终结果。

随机包含两层核心随机机制，也是它适配医疗数据的关键：

• 样本随机：每棵决策树训练时，从全部患者数据中有放回抽样，生成专属训练子集，规避单一样本分布带来的偏差；
• 特征随机：每一次树节点分裂时，仅随机选取部分临床指标寻找最优分割阈值，避免单一核心指标完全主导预测，提升模型泛化能力。

2.2 单棵决策树工作逻辑

单棵决策树是分层分支判断结构，以糖尿病二分类举例：

• 第一层分裂特征选择空腹血糖，设定阈值 7.0mmol/L；大于阈值进入左分支，小于进入右分支；
• 左分支继续选取糖化血红蛋白做二次分裂，右分支选取 BMI 指数分裂；
• 逐层分裂直至达到预设深度、样本数量阈值，叶子节点输出该分支下患者大概率患病或健康的判定。

        单棵决策树缺陷明显：极易过拟合，单条异常检验数据就会完全改变分裂逻辑，单独使用精度不稳定；而随机森林集成上百棵独立决策树，抵消单树过拟合缺陷，稳定提升分类精度。

2.3 随机森林适配医疗的优势

• 无需复杂特征预处理：深度学习、大模型处理数值数据必须做标准化、归一化，随机森林对数值尺度不敏感，血糖、年龄、肿瘤标志物不用统一缩放，缺失值可通过简单填充直接适配，大幅降低医疗数据预处理工作量；
• 兼容全部三类临床特征：连续数值、有序或无序分类指标无需单独编码，原生支持离散特征输入，适配医院多类型混合检验表格；
• 小样本医疗数据容错性强：临床标注患者病例样本获取成本极高，很多疾病数据集仅数千条样本，随机森林不需要海量数据训练，少量标注即可达到理想分类准确率；
• 原生输出量化特征重要性：模型训练结束后，可直接输出每一项临床指标对最终分类结果的贡献权重，例如 “糖化血红蛋白权重0.32、空腹血糖权重0.28、BMI权重0.15”，这是后续大模型做归因解读的核心输入素材，是纯大模型不具备的量化输出能力。

2.4 随机森林单独使用的缺点

        随机森林仅能输出量化数字权重，没有医学语义理解能力，无法自主解读权重背后的临床意义。例如输出“空腹血糖权重最高”，模型不能自动生成“患者空腹血糖超过临床诊断阈值，是判定糖尿病高风险的核心依据，结合糖化指标进一步佐证患病可能性”这类专业医学文本，必须依赖大模型承接量化数据完成自然语言转化。

3. 模型融合概述

3.1 大模型处理表格数据的短板

• 数值敏感度不足：大模型本质处理文本Token，数字会被拆解为字符编码，无法精准感知数值区间、临床诊断阈值。例如空腹血糖6.9和7.1，在临床中是健康与糖尿病临界区分线，纯大模型很难捕捉这种细微数值边界差异，分类预测精度远低于随机森林；
• 训练成本高、小样本易过拟合：若直接使用大模型做患者疾病分类任务，需要大量标注医疗病例微调，算力、数据、标注成本极高，基层医院无法落地；随机森林轻量化训练可完美弥补该缺陷；
• 无原生量化特征贡献输出：大模型只能输出文本结论，无法给出每一项指标的量化贡献度，归因解读缺少客观数字支撑，不符合医疗数据客观、可量化的审核标准。

3.2 融合架构的定义

随机森林+大模型医疗表格高精度分类归因框架，是一套分工明确的两级流水线AI系统：

• 第一级轻量化预测层：随机森林负责接收原始患者表格数据，完成数据训练、疾病分类预测、计算单样本特征贡献权重，输出标准化结构化数字结果；
• 第二级可解释生成层：大模型接收第一层全部量化输出数据，结合内置医学指南知识库，完成指标权重推理、风险逻辑归因，输出符合临床规范、可读性强的自然语言诊断解释报告。

        两个模型各司其职，优势互补，规避单一模型精度不足、无法解释的双重痛点，专门针对结构化检验表格医疗数据设计，兼顾预测精度、落地成本、临床合规可解释三大核心需求。

3.3 双模型明确分工

• 随机森林只做“数值计算、分类预测、量化权重输出”，不参与任何文本生成、医学解读；
• 大模型只做“结构化数字转医学自然语言、逻辑归因推理、报告生成”，不参与原始表格数据的疾病分类预测；

        二者数据流单向流转：原始表格→随机森林（输出结构化数字）→大模型（输出自然语言归因文本），无反向数据回流，架构简单稳定，实践落地难度极低。

3.4 解决的医疗行业核心问题

• 解决纯大模型表格分类精度不足问题：用树模型弥补大模型数值建模短板，保证疾病分类、风险分级预测准确率；
• 解决随机森林黑盒不可解释合规问题：用大模型专业语义能力翻译量化权重，生成临床可用归因说明，满足医疗AI监管可解释硬性要求；
• 降低落地算力与数据成本：随机森林轻量化训练无需高算力GPU，仅CPU即可完成；大模型仅做推理生成，无需大规模微调，小医院、基层医疗机构均可部署使用。

3.5 适配医疗业务场景范围

        可覆盖绝大多数结构化表格医疗分类任务：慢性病筛查（糖尿病、高血压）、肿瘤良恶性判别、术后并发症风险预测、心脑血管风险分级、肝肾损伤筛查等所有以检验表格为数据源的二分类、多分类临床AI辅助诊断场景。

三、核心基础原理

1. 随机森林分裂原理

1.1 决策树分裂核心评判指标：基尼系数

        随机森林每一次寻找最优临床特征分割阈值，依靠基尼系数评判分裂效果，基尼系数代表样本集合混乱程度，数值越低代表分裂后两类患者“患病、健康”区分越清晰。

• 通俗医疗举例：全部样本混合基尼系数0.5，若以空腹血糖7.0分割后，两侧子集合基尼系数降至0.1，代表该指标分割区分度极强，会被模型选为第一层分裂节点。
• 分裂计算逻辑：遍历每一项临床特征的全部数值阈值，计算分割前后基尼系数差值，差值最大的特征与阈值作为本次节点分裂标准。

针对三类医疗特征分裂处理方式：

• 连续数值指标：遍历全部数值，逐个计算分割后基尼系数，选取最优阈值；
• 无序分类指标：按类别分组计算基尼差值；
• 有序分级指标：按照分级顺序遍历分割点位。

详细参考文章：《构建AI智能体：七十、小树成林，聚沙成塔：随机森林与大模型的协同进化》

1.2 双重随机机制底层原理

Bootstrap样本抽样（样本随机）：

        采用有放回抽样，数据集共N条患者病例，每次抽取N条作为单棵决策树训练集，部分样本重复抽取、部分样本完全不参与该树训练，未抽取样本称为袋外数据，可用于模型泛化误差评估，医疗场景下无需额外划分验证集，降低样本损耗；

特征子空间随机选取（特征随机）：

        每次节点分裂，不使用全部30多个临床指标，随机抽取固定数量特征参与阈值筛选，避免某一项强相关指标（如肿瘤标志物）垄断全部分裂节点，提升模型对多维度指标的综合判断能力，防止局部检验指标异常造成整体预测偏差。

1.3 集成投票分类逻辑

所有决策树独立完成预测后，采用简单多数投票输出最终分类：

• 二分类任务：统计预测“患病”、“健康”树的数量，数量多的作为最终判定；
• 多分类风险分级：统计Ⅰ/Ⅱ/Ⅲ期各自得票数量，最高票数对应风险等级输出。

        海量树集成带来的核心增益：单棵树容易被单条异常检验值干扰，上百棵独立树投票后，异常样本带来的偏差会被抵消，整体预测稳定性大幅提升，医疗数据存在大量缺失、异常检验值，该机制尤为重要。

2. 大模型语义推理原理

2.1 Transformer注意力核心作用

        大模型底层依靠自注意力机制完成信息关联推理，当输入随机森林导出的患者指标、特征权重、分类结果结构化数据时，模型通过注意力权重区分信息优先级：

• 1. 高权重临床指标分配高注意力分数，优先调取对应的医学诊断指南；
• 2. 低权重次要指标分配低注意力分数，仅作为辅助佐证描述；
• 3. 分类预测结果（患病/高风险）作为全局引导信号，约束整体归因文本的核心基调。

        简单举例：输入权重显示空腹血糖权重最高，注意力机制会重点关联《糖尿病诊疗指南》中血糖临界值相关文本，作为归因核心论据；次要 BMI 指标仅作为辅助补充描述。

2.2 医疗预训练知识库存储与调用逻辑

        医疗大模型预训练阶段学习海量医学文本，将诊断标准、指标参考范围、疾病关联逻辑存储在模型参数中，形成可调用的隐式知识库，无需额外搭建向量数据库也可完成基础推理。

接收随机森林量化数据后的推理流程：

• 1. 识别输入数值对应的临床参考区间，例如空腹血糖7.2mmol/L超出健康参考3.9~6.1范围；
• 2. 匹配对应疾病诊断标准，判定该指标属于确诊核心依据；
• 3. 结合其他次要指标权重，整合多条临床证据链；
• 4. 按照医学书面语言逻辑组织完整归因文本。

2.3 结构化数字转文本适配逻辑

        大模型原生输入为文本序列，随机森林输出的数组、表格数字无法直接输入，需要标准化中转格式化：将权重、患者指标、预测结果拼接为固定模板提示词Prompt，把结构化数字嵌入Prompt模板后再投喂模型推理。

标准 Prompt 模板示例：

“现有患者临床检验数据：{患者各项指标数值}；随机森林模型预测分类：{患病/高风险}；各指标贡献权重：{权重数组}；请结合糖尿病临床诊疗指南，生成专业、通俗易懂的诊断归因解释，区分核心风险指标与次要辅助指标。”

模板固定化后，大模型稳定输出规范归因文本，不会出现输出格式混乱、逻辑缺失问题。

3. 两者协同的数据流转

3.1 全链路单向数据流规范

完整数据流固定三段式流转，不存在反向传输，降低系统耦合度：

• 1. 输入层：原始CSV格式患者医疗表格，包含特征列和分类标签列；
• 2. 中间计算层：随机森林模块，输出三类结构化数据：单样本每条指标数值、全局特征重要性权重、单样本预测概率与分类结果，统一转为JSON结构化格式；
• 3. 生成输出层：JSON结构化数据填充固定Prompt模板，转为文本输入大模型，输出纯自然语言归因报告文本。

3.2 中间结构化数据标准格式

        随机森林输出中转JSON固定字段，作为大模型的输入源，标准化格式保证大模型稳定推理，字段包含：

• patient_index：患者样本编号
• all_clinical_indicators：字典，key为指标名称，value为对应检验数值
• feature_weight：字典，key为指标名称，value为0~1归一化权重
• predict_label：模型最终分类结果，文本描述，如“2 型糖尿病高风险”
• predict_prob：分类预测置信概率

固定字段结构后，Prompt模板可直接读取键值对，无需额外数据清洗，使得开发和落地成本极低。

3.3 模型能力互补逻辑

从底层建模能力维度对比二者互补性，这是融合架构成立的核心逻辑：

• 数值拟合能力：随机森林强，大模型弱 → 分配预测建模任务给树模型；
• 语义推理与专业知识：随机森林无，大模型强 → 分配归因解释任务给大模型；
• 量化权重输出：随机森林原生支持，大模型无法输出 → 由树模型提供客观数字依据；
• 自然语言生成：随机森林无文本输出能力，大模型原生适配 → 大模型负责解读输出；
• 训练算力需求：随机森林极低CPU即可，大模型微调算力极高 → 拆分训练与推理，节约硬件成本。

3.4 架构底层稳定性保障

分层解耦设计是底层稳定核心：两个模型完全独立模块，可单独迭代升级：

• 若临床新增检验指标，仅重新训练随机森林即可，大模型Prompt模板小幅修改适配，无需重训模型；
• 若需要更换医疗大模型基座，仅替换推理调用接口，随机森林模块完全不用改动；
• 预测与解释模块分离，可单独关闭大模型模块，仅保留随机森林做快速批量预测，适配不同业务场景需求。

四、完整业务流程

1. 医疗数据预处理流程

1.1 原始医疗数据噪声处理

医院导出的电子病历表格天然存在大量脏数据，无法直接送入随机森林训练，常见问题：

• 检验指标缺失：部分患者未完成某项检查，单元格为空；
• 异常极值：检验设备故障导致数值超出人体合理区间，如血糖200mmol/L；
• 分类特征文本不统一：“吸烟”、“长期吸烟”、“有吸烟史”同类特征多种文本写法；
• 多余无关字段：患者姓名、住院号、病床编号无预测价值，需剔除。

1.2 分步标准化预处理操作

• 1. 无关字段剔除：删除隐私标识、无关记录字段，仅保留临床预测相关特征与疾病标签；
• 2. 异常值过滤：设置各项生理指标人体合理区间，超出区间统一标记为缺失值；
• 3. 缺失值分类型填充规则
  • 连续数值指标：同疾病分组均值填充（糖尿病患者血糖用糖尿病人群均值填充，区分健康人群）；
  • 分类特征：新增“未知”类别填充，随机森林原生支持离散类别输入，无需独热编码；
• 4. 分类特征统一标准化：文本描述统一映射为固定离散值，例如吸烟史统一转换为0=无、1=轻度、2=重度；
• 5. 数据集划分：按照7:3分割训练集、测试集，训练集送入随机森林训练，测试集用于评估分类精度。

2. 随机森林训练预测流程

2.1 医疗场景专属超参选择逻辑

针对小样本、多特征医疗表格数据，随机森林核心超参选型标准：

• n_estimators（决策树数量）：100~300棵，医疗数据样本量偏小，过多树无精度提升，浪费算力；
• max_depth（单树最大深度）：6~10，限制树深度避免过拟合，临床特征维度30多种，深度过高会记住训练集噪声；
• max_features（单节点随机选取特征数）：总特征数平方根，兼顾分裂多样性与指标关联性；
• random_state 固定随机种子，保证医疗实验可复现，满足临床实验溯源要求。

2.2 模型训练完整步骤

• 1. 分离特征矩阵X与分类标签y；
• 2. 初始化医疗场景定制随机森林模型，填入上述超参；
• 3. 输入训练集数据完成训练，模型自动完成双重随机抽样、节点基尼分裂、集成投票学习；
• 4. 训练完成后提取全局特征重要性权重，保存为本地字典文件，后续可复用。

2.3 医疗分类模型精度评估指标

医疗任务不能仅依靠准确率评估，需同步计算四类核心指标，贴合临床诊断评价标准：

• 精确率Precision：模型判定患病的样本中，真实患病患者占比，规避误诊；
• 召回率Recall：全部真实患病患者中被模型检出比例，规避漏诊，医疗场景漏诊危害远大于误诊，召回率为核心指标；
• F1分数：精确率与召回率调和平均，综合评估模型整体性能；
• AUC-ROC曲线：二分类疾病风险区分能力，数值越接近1代表高低风险患者区分越清晰。

3. 大模型归因生成流程

3.1 推理生成归因文本完整逻辑

• 1. 大模型接收拼接完成的完整Prompt文本；
• 2. 自注意力机制优先读取高权重检验指标，匹配内置糖尿病诊疗标准；
• 3. 区分核心致病指标、次要影响指标、无明显关联指标；
• 4. 按照约束层要求分段生成归因报告，规避无依据主观判断，全部结论依托输入量化权重与检验数值；
• 5. 过滤不符合医学常识的错误推理，输出标准化解读文本。

3.2 批量自动化处理时序流程

• 1. 定时同步医院LIS/EMR系统导出的最新患者检验表格；
• 2. 自动执行数据清洗预处理脚本，生成标准化干净数据集；
• 3. 调用预训练完成的随机森林批量预测，每条样本生成结构化中转JSON；
• 4. 循环调用大模型推理接口，批量生成每位患者的自然语言归因报告；
• 5. 同步存储三类结果：患者原始指标、模型分类预测标签、大模型生成归因解读文本；
• 6. 对接医院前端系统，展示预测风险等级+可视化特征权重图+完整医学归因报告。

五、应用实践分析

1. 环境导入与全局配置                                                 

导入项目所需的全部依赖库，全局配置区包含随机种子、模型超参、大模型路径和临床Prompt模板

import os
import pandas as pd
import numpy as np
import json
import torch
import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score, roc_curve, confusion_matrix
from transformers import AutoTokenizer, AutoModelForCausalLM
import warnings
warnings.filterwarnings("ignore")
os.environ["TRANSFORMERS_VERBOSITY"] = "error"
os.environ["TRANSFORMERS_NO_ADVISORY_WARNINGS"] = "1"

# ---- 全局配置区（医疗场景可自行修改） ----
RANDOM_SEED = 42              # 随机种子，保证实验可复现
RF_ESTIMATORS = 200           # 随机森林树数量
RF_MAX_DEPTH = 8              # 随机森林最大深度
LLM_MODEL_NAME = "/home/model/Qwen/Qwen-7B-Chat"  # 开源医疗微调大模型基座路径
DISEASE_NAME = "2型糖尿病"     # 当前筛查的疾病名称
PROMPT_TEMPLATE = """
你是专业内分泌临床医师，严格依据《中国2型糖尿病防治指南》完成解读，禁止无依据主观推断。
【患者全部临床检验指标】：{patient_indicators}
【随机森林AI模型预测结果】：{predict_result}，预测置信概率：{predict_prob}
【各检验指标对本次风险判定的贡献权重（0~1，数值越高影响越大）】：{feature_weights}
输出要求：分两段，第一段阐述核心高权重致病指标归因，标注指标临床正常参考范围；
第二段说明次要辅助指标影响，语言通俗专业，总字数控制500字以内。
"""

2. 医疗数据生成与预处理                                                

模拟真实场景生成糖尿病筛查结构化表格数据，含连续数值与分类特征，执行缺失值填充、特征/标签分离、训练集/测试集划分等标准化预处理流程。 

# ---- 步骤1：模拟生成医疗结构化表格数据 ----
def generate_medical_data(sample_num=2000):
    """模拟生成糖尿病筛查患者表格数据集"""
    np.random.seed(RANDOM_SEED)
    data = {}
    # 连续数值临床特征
    data["age"] = np.random.randint(30, 75, sample_num)  # 年龄30-75
    data["bmi"] = np.round(np.random.normal(24, 3.5, sample_num), 1)  # BMI指数
    data["fast_glucose"] = np.round(np.random.normal(6.2, 1.8, sample_num), 1)  # 空腹血糖
    data["hba1c"] = np.round(np.random.normal(5.8, 1.2, sample_num), 1)  # 糖化血红蛋白
    data["triglyceride"] = np.round(np.random.normal(1.5, 0.6, sample_num), 1)  # 甘油三酯
    # 无序分类特征
    data["gender"] = np.random.randint(0, 2, sample_num)  # 0女 1男
    data["smoke"] = np.random.randint(0, 3, sample_num)  # 0无 1轻度 2重度吸烟
    # 目标标签：1=确诊糖尿病高风险，0=健康低风险
    label = np.zeros(sample_num)
    # 模拟患病逻辑：血糖、糖化、BMI偏高则标记为1
    risk_mask = (data["fast_glucose"] > 6.8) & (data["hba1c"] > 6.2)
    label[risk_mask] = 1
    data["diabetes_risk"] = label
    df = pd.DataFrame(data)
    return df

# 生成2000条模拟患者数据
medical_df = generate_medical_data(2000)
print("原始医疗表格数据集前5行：")
print(medical_df.head())

# ---- 步骤2：医疗数据标准化预处理 ----
def medical_data_preprocess(df):
    """医疗表格清洗预处理，适配随机森林训练"""
    # 1.分离特征与分类标签
    X = df.drop("diabetes_risk", axis=1)
    y = df["diabetes_risk"]
    # 2.医疗数据缺失值填充（模拟少量缺失）
    X = X.mask(np.random.random(X.shape) < 0.03)  # 随机制造3%缺失数据
    for col in X.columns:
        if X[col].dtype in [np.float64, np.int64]:
            X[col] = X[col].fillna(X[col].mean())
    # 3.7:3划分训练集、测试集
    X_train, X_test, y_train, y_test = train_test_split(
        X, y, test_size=0.3, random_state=RANDOM_SEED, stratify=y
    )
    return X_train, X_test, y_train, y_test, X

X_train, X_test, y_train, y_test, full_X = medical_data_preprocess(medical_df)

3. 随机森林模型训练与精度评估                                          

基于预处理后的训练集训练医疗定制随机森林分类器，提取特征重要性权重；在测试集上评估5项核心指标（准确率、精确率、召回率、F1、AUC）， 同时输出预测标签和概率分布，供后续可视化与大模型推理使用。 

# ---- 步骤3：训练医疗定制随机森林模型 ----
def train_medical_rf(X_train, y_train):
    """初始化并训练适配医疗表格的随机森林分类器"""
    rf_model = RandomForestClassifier(
        n_estimators=RF_ESTIMATORS,
        max_depth=RF_MAX_DEPTH,
        max_features="sqrt",
        random_state=RANDOM_SEED,
        n_jobs=-1  # 启用全部CPU核心加速训练
    )
    rf_model.fit(X_train, y_train)
    # 提取全局归一化特征重要性权重
    feature_names = X_train.columns.tolist()
    feature_importance = rf_model.feature_importances_
    weight_dict = dict(zip(feature_names, np.round(feature_importance, 4)))
    return rf_model, weight_dict

rf_model, global_feature_weight = train_medical_rf(X_train, y_train)
print("\n各临床指标全局贡献权重：")
for k, v in global_feature_weight.items():
    print(f"{k}: {v}")

# ---- 步骤4：模型精度评估（医疗专用指标） ----
def evaluate_rf_model(model, X_test, y_test):
    y_pred = model.predict(X_test)
    y_pred_proba = model.predict_proba(X_test)[:, 1]
    acc = accuracy_score(y_test, y_pred)
    prec = precision_score(y_test, y_pred)
    recall = recall_score(y_test, y_pred)
    f1 = f1_score(y_test, y_pred)
    auc = roc_auc_score(y_test, y_pred_proba)
    print("\n随机森林糖尿病分类模型测试集评估结果：")
    print(f"准确率Accuracy：{np.round(acc,4)}")
    print(f"精确率Precision：{np.round(prec,4)}")
    print(f"召回率Recall：{np.round(recall,4)}")
    print(f"F1分数：{np.round(f1,4)}")
    print(f"AUC值：{np.round(auc,4)}")
    return y_pred, y_pred_proba

test_pred, test_proba = evaluate_rf_model(rf_model, X_test, y_test)

4. 单患者结构化数据导出                                                

从测试集中选取单例患者，提取其临床指标、模型预测结果和特征权重，封装为标准化JSON结构。该JSON既是可视化雷达图的数据源，也是后续拼接到大模型Prompt中的核心结构化输入。

# ---- 步骤5：单患者样本导出结构化中转JSON数据 ----
def get_patient_struct_data(model, weight_dict, sample_x, sample_index=0):
    """提取单患者指标、预测结果、权重，生成标准化JSON"""
    patient_indicators = sample_x.iloc[sample_index].to_dict()
    pred_label_num = model.predict(sample_x.iloc[[sample_index]])[0]
    pred_prob = np.round(model.predict_proba(sample_x.iloc[[sample_index]])[0][int(pred_label_num)], 3)
    pred_text = f"{DISEASE_NAME}高风险" if pred_label_num == 1 else "健康低风险"
    struct_data = {
        "patient_id": sample_index,
        "indicators": patient_indicators,
        "feature_weight": weight_dict,
        "predict_text": pred_text,
        "predict_prob": float(pred_prob)
    }
    return struct_data

# 选取测试集第1位患者作为示例样本
patient_json_data = get_patient_struct_data(rf_model, global_feature_weight, X_test, sample_index=0)
print("\n单患者结构化中转JSON数据：")
print(json.dumps(patient_json_data, ensure_ascii=False, indent=2))

5. 模型可视化辅助诊断

基于模型评估结果与单患者数据，绘制5张独立可视化图表，包括：特征权重柱状图、ROC曲线、混淆矩阵、风险概率分布、患者雷达图。每张图均标注实际数据与临床含义，可直接用于辅助诊断报告。    

# ---- 步骤6：绘制特征权重可视化柱状图 ----
def plot_feature_weight_chart(weight_dict):
    """绘制临床指标贡献权重可视化图，配套归因报告展示"""
    plt.rcParams["font.sans-serif"] = ["WenQuanYi Micro Hei"]
    plt.rcParams["axes.unicode_minus"] = False
    features = list(weight_dict.keys())
    weights = list(weight_dict.values())
    plt.figure(figsize=(10, 6))
    bars = plt.bar(features, weights, color="#2E86AB")
    plt.title("糖尿病筛查-临床指标特征贡献权重分布", fontsize=14)
    plt.xlabel("检验指标名称", fontsize=12)
    plt.ylabel("归一化贡献权重（0~1）", fontsize=12)
    plt.xticks(rotation=30)
    # 柱状图标注权重数值
    for bar in bars:
        height = bar.get_height()
        plt.text(bar.get_x() + bar.get_width()/2., height,
                f"{np.round(height,3)}", ha="center", va="bottom")
    plt.tight_layout()
    output_path = os.path.join(os.path.dirname(os.path.abspath(__file__)), "195.糖尿病筛查-临床指标特征贡献权重分布.png")
    plt.savefig(output_path, dpi=150, bbox_inches="tight")
    plt.show()

plot_feature_weight_chart(global_feature_weight)

# ---- 步骤7：辅助诊断可视化（4张独立图 + 数据标注） ----
BASE_IMG_DIR = os.path.dirname(os.path.abspath(__file__))
plt.rcParams["font.sans-serif"] = ["WenQuanYi Micro Hei"]
plt.rcParams["axes.unicode_minus"] = False

# ---- 图1：ROC曲线 ----
def plot_roc_chart(y_test, y_pred_proba):
    """ROC曲线：评估模型对高低风险患者的区分能力"""
    fpr, tpr, thresholds = roc_curve(y_test, y_pred_proba)
    auc_val = roc_auc_score(y_test, y_pred_proba)

    fig, ax = plt.subplots(figsize=(11, 8))
    ax.plot(fpr, tpr, color="#2E86AB", lw=2.5, label=f"随机森林 AUC = {auc_val:.4f}")
    ax.plot([0, 1], [0, 1], color="#AAA", lw=1.5, linestyle="--", label="随机猜测基线")
    ax.fill_between(fpr, tpr, alpha=0.12, color="#2E86AB")
    # 标注最佳约登指数点
    youden = tpr - fpr
    best_idx = np.argmax(youden)
    best_thresh = thresholds[best_idx]
    ax.scatter(fpr[best_idx], tpr[best_idx], s=120, color="#E74C3C", zorder=5, edgecolors="white", lw=2)
    ax.annotate(f"最佳阈值={best_thresh:.2f}\nTPR={tpr[best_idx]:.2f} FPR={fpr[best_idx]:.2f}",
                xy=(fpr[best_idx], tpr[best_idx]),
                xytext=(fpr[best_idx]+0.15, tpr[best_idx]-0.15),
                fontsize=11, color="#E74C3C", fontweight="bold",
                arrowprops=dict(arrowstyle="->", color="#E74C3C", lw=1.5))
    # 结论文本
    if auc_val >= 0.9:
        quality = "优秀"
    elif auc_val >= 0.8:
        quality = "良好"
    elif auc_val >= 0.7:
        quality = "尚可"
    else:
        quality = "需优化"
    n_test = len(y_test)
    ax.text(0.98, 0.15, f"AUC={auc_val:.4f}，模型区分能力：{quality}\n测试集{n_test}例，高风险{np.sum(y_test.values)}例，低风险{n_test-np.sum(y_test.values)}例",
            transform=ax.transAxes, fontsize=11, ha="right", va="bottom",
            bbox=dict(boxstyle="round,pad=0.4", facecolor="#FFF9C4", edgecolor="#F9A825", alpha=0.9))
    ax.set_title("ROC曲线 — 糖尿病风险分类模型区分能力评估", fontsize=14, fontweight="bold")
    ax.set_xlabel("假阳性率 (FPR) — 实际低风险被误判为高风险的比例", fontsize=11)
    ax.set_ylabel("真阳性率 (TPR) — 实际高风险被正确识别的比例", fontsize=11)
    ax.legend(fontsize=11, loc="lower right")
    ax.grid(alpha=0.3)
    plt.tight_layout()
    plt.savefig(os.path.join(BASE_IMG_DIR, "195.1-ROC曲线.png"), dpi=150, bbox_inches="tight")
    plt.show()

# ---- 图2：混淆矩阵热力图 ----
def plot_confusion_matrix_chart(y_test, y_pred):
    """混淆矩阵：展示真阳性/假阳性/假阴性/真阴性的具体分布"""
    cm = confusion_matrix(y_test, y_pred)
    tn, fp, fn, tp = cm.ravel()

    fig, ax = plt.subplots(figsize=(10, 8))
    im = ax.imshow(cm, cmap="Blues", interpolation="nearest")
    labels_text = ["低风险(0)", "高风险(1)"]
    ax.set_xticks([0, 1])
    ax.set_xticklabels(labels_text, fontsize=12)
    ax.set_yticks([0, 1])
    ax.set_yticklabels(labels_text, fontsize=12)
    ax.set_xlabel("预测标签", fontsize=12)
    ax.set_ylabel("真实标签", fontsize=12)
    # 格子内标注
    cell_info = [[f"真阴性 TN={tn}", f"假阳性 FP={fp}"],
                 [f"假阴性 FN={fn}", f"真阳性 TP={tp}"]]
    for i in range(2):
        for j in range(2):
            color = "white" if cm[i, j] > cm.max() / 2 else "black"
            ax.text(j, i - 0.08, f"{cm[i, j]}", ha="center", va="center",
                    fontsize=22, fontweight="bold", color=color)
            ax.text(j, i + 0.18, cell_info[i][j], ha="center", va="center",
                    fontsize=11, color=color, style="italic")
    plt.colorbar(im, ax=ax, fraction=0.046)
    # 底部结论
    total = tn + fp + fn + tp
    sensitivity = tp / (tp + fn) if (tp + fn) > 0 else 0
    specificity = tn / (tn + fp) if (tn + fp) > 0 else 0
    precision_val = tp / (tp + fp) if (tp + fp) > 0 else 0
    conclusion = (f"测试集共{total}例 | 灵敏度(召回率)={sensitivity:.2%} | 特异度={specificity:.2%} | 阳性预测值(精确率)={precision_val:.2%}\n"
                  f"漏诊{fn}例（假阴性） — 误诊{fp}例（假阳性）")
    ax.text(0.5, -0.15, conclusion, transform=ax.transAxes, fontsize=11, ha="center",
            bbox=dict(boxstyle="round,pad=0.4", facecolor="#FFF9C4", edgecolor="#F9A825", alpha=0.9))
    ax.set_title("混淆矩阵 — 糖尿病风险分类结果分布", fontsize=14, fontweight="bold")
    plt.tight_layout()
    plt.savefig(os.path.join(BASE_IMG_DIR, "195.2-混淆矩阵.png"), dpi=150, bbox_inches="tight")
    plt.show()

# ---- 图3：风险概率分布直方图 ----
def plot_risk_distribution(y_test, y_pred_proba):
    """展示高低风险人群的预测概率分布，评估模型分离度"""
    prob_neg = y_pred_proba[y_test.values == 0]
    prob_pos = y_pred_proba[y_test.values == 1]

    fig, ax = plt.subplots(figsize=(12, 7))
    ax.hist(prob_neg, bins=30, alpha=0.65, color="#27AE60",
            label=f"实际低风险(n={len(prob_neg)}，均值={np.mean(prob_neg):.3f})", edgecolor="white")
    ax.hist(prob_pos, bins=30, alpha=0.65, color="#E74C3C",
            label=f"实际高风险(n={len(prob_pos)}，均值={np.mean(prob_pos):.3f})", edgecolor="white")
    ax.axvline(x=0.5, color="black", linestyle="--", lw=2, label="决策阈值0.5")
    # 标注重叠区域
    overlap_low = np.sum((prob_neg > 0.3) & (prob_neg < 0.7))
    overlap_high = np.sum((prob_pos > 0.3) & (prob_pos < 0.7))
    ax.axvspan(0.3, 0.7, alpha=0.08, color="#F39C12", label=f"模糊区间(0.3~0.7)：低风险{overlap_low}例/高风险{overlap_high}例")
    # 标注均值
    ax.axvline(x=np.mean(prob_neg), color="#27AE60", linestyle=":", lw=1.8)
    ax.axvline(x=np.mean(prob_pos), color="#E74C3C", linestyle=":", lw=1.8)
    ax.text(np.mean(prob_neg), ax.get_ylim()[1]*0.9, f"低风险均值\n{np.mean(prob_neg):.3f}", fontsize=10, ha="center", color="#27AE60")
    ax.text(np.mean(prob_pos), ax.get_ylim()[1]*0.85, f"高风险均值\n{np.mean(prob_pos):.3f}", fontsize=10, ha="center", color="#E74C3C")
    # 结论
    separation = np.mean(prob_pos) - np.mean(prob_neg)
    quality = "优秀" if separation > 0.6 else "良好" if separation > 0.4 else "一般"
    ax.text(0.02, 0.98, f"高低风险均值差={separation:.3f}，分离度：{quality}",
            transform=ax.transAxes, fontsize=11, ha="left", va="top",
            bbox=dict(boxstyle="round,pad=0.4", facecolor="#FFF9C4", edgecolor="#F9A825", alpha=0.9))
    ax.set_title("预测风险概率分布 — 高低风险人群分离度", fontsize=14, fontweight="bold")
    ax.set_xlabel("预测为高风险的概率", fontsize=12)
    ax.set_ylabel("样本数", fontsize=12)
    ax.legend(fontsize=10, loc="center right")
    plt.tight_layout()
    plt.savefig(os.path.join(BASE_IMG_DIR, "195.3-风险概率分布.png"), dpi=150, bbox_inches="tight")
    plt.show()

# ---- 图4：单患者雷达图 ----
def plot_patient_radar(patient_data):
    """单患者雷达图：各指标与临床正常范围对比，超限区域红色突出"""
    indicator_names = {"age": "年龄", "bmi": "BMI", "fast_glucose": "空腹血糖",
                       "hba1c": "糖化血红蛋白", "triglyceride": "甘油三酯",
                       "gender": "性别", "smoke": "吸烟"}
    # 临床正常参考范围
    normal_ref = {"age": ("—", 75), "bmi": ("18.5~24", 28), "fast_glucose": ("3.9~6.1", 7.0),
                  "hba1c": ("4.0~6.0", 6.5), "triglyceride": ("0.56~1.70", 2.0),
                  "gender": ("—", 1), "smoke": ("0", 2)}
    patient_vals = patient_data["indicators"]
    radar_features = ["fast_glucose", "hba1c", "bmi", "triglyceride", "age", "smoke"]
    radar_labels = [indicator_names[f] for f in radar_features]

    # 归一化到0~1（相对正常上限）
    normal_max = {k: v[1] for k, v in normal_ref.items()}
    patient_norm = [min(float(patient_vals[f]) / normal_max[f], 1.5) / 1.5 for f in radar_features]
    normal_norm = [1.0 / 1.5 for _ in radar_features]
    # 标记超限
    exceeded = [float(patient_vals[f]) > normal_max[f] for f in radar_features]
    val_labels = [f"{patient_vals[f]}{'↑' if e else ''}" for f, e in zip(radar_features, exceeded)]

    angles = np.linspace(0, 2 * np.pi, len(radar_features), endpoint=False).tolist()
    patient_norm += patient_norm[:1]
    normal_norm += normal_norm[:1]
    angles += angles[:1]

    fig, ax = plt.subplots(figsize=(11, 9), subplot_kw=dict(polar=True))
    ax.plot(angles, patient_norm, "o-", color="#E74C3C", lw=2, markersize=7, label="患者指标")
    ax.fill(angles, patient_norm, alpha=0.2, color="#E74C3C")
    ax.plot(angles, normal_norm, "s--", color="#2E86AB", lw=2, label="临床正常上限")
    ax.fill(angles, normal_norm, alpha=0.08, color="#2E86AB")
    # 超限点标红放大
    for i, is_exc in enumerate(exceeded):
        if is_exc:
            ax.scatter(angles[i], patient_norm[i], s=180, color="#E74C3C", edgecolors="black", lw=1.5, zorder=5)
    ax.set_xticks(angles[:-1])
    ax.set_xticklabels([f"{l}\n{v}" for l, v in zip(radar_labels, val_labels)], fontsize=11)
    ax.set_ylim(0, 1.15)
    # 结论文本
    exc_count = sum(exceeded)
    exc_names = "、".join([radar_labels[i] for i, e in enumerate(exceeded) if e])
    conclusion = f"患者预测：{patient_data['predict_text']}（置信{patient_data['predict_prob']:.1%}）\n{exc_count}项指标超正常上限：{exc_names if exc_names else '无'}"
    ax.set_title(f"单患者临床指标雷达图\n{conclusion}", fontsize=13, fontweight="bold", pad=25)
    ax.legend(loc="upper right", bbox_to_anchor=(1.28, 1.12), fontsize=11)
    plt.tight_layout()
    plt.savefig(os.path.join(BASE_IMG_DIR, "195.4-单患者雷达图.png"), dpi=150, bbox_inches="tight")
    plt.show()

# 依次绘制4张独立图
plot_roc_chart(y_test, test_proba)
plot_confusion_matrix_chart(y_test, test_pred)
plot_risk_distribution(y_test, test_proba)
plot_patient_radar(patient_json_data)

6. 大模型Prompt构建与医学归因推理  

将单患者结构化JSON数据填入临床Prompt模板，构建完整的推理输入；加载本地大模型Qwen-7B-Chat，执行自回归生成，输出包含指标归因与临床建议的自然语言解读报告。   

# ---- 步骤8：拼接大模型推理Prompt模板 ----
def build_llm_prompt(struct_data):
    indicators_text = json.dumps(struct_data["indicators"], ensure_ascii=False, indent=1)
    weight_text = json.dumps(struct_data["feature_weight"], ensure_ascii=False, indent=1)
    prompt = PROMPT_TEMPLATE.format(
        patient_indicators=indicators_text,
        predict_result=struct_data["predict_text"],
        predict_prob=struct_data["predict_prob"],
        feature_weights=weight_text
    )
    return prompt

llm_input_prompt = build_llm_prompt(patient_json_data)
print("\n输入大模型完整Prompt文本：")
print(llm_input_prompt)

# ---- 步骤9：加载医疗大模型并生成归因解读 ----
def load_medical_llm(model_name):
    """加载轻量化医疗大模型与分词器"""
    tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
    llm_model = AutoModelForCausalLM.from_pretrained(
        model_name, torch_dtype=torch.bfloat16, device_map="auto", trust_remote_code=True
    )
    return tokenizer, llm_model

def generate_medical_explain(tokenizer, llm, prompt):
    """输入Prompt，生成医学归因解读文本"""
    inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
    outputs = llm.generate(
        **inputs, max_new_tokens=600, temperature=0.3, top_p=0.7
    )
    explain_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
    return explain_text

# 加载模型并生成归因（无GPU环境可注释本段，直接查看Prompt逻辑）
tokenizer, llm = load_medical_llm(LLM_MODEL_NAME)
medical_explain_report = generate_medical_explain(tokenizer, llm, llm_input_prompt)
print("\n=====大模型输出完整医学归因解读报告=====")
print(medical_explain_report)

7. 运行输出和图示结果

原始医疗表格数据集前5行：
   age   bmi  fast_glucose  hba1c  triglyceride  gender  smoke  diabetes_risk
0   68  23.6           6.1    3.8           0.9       1      1            0.0
1   58  23.9           6.1    6.4           1.0       0      2            0.0
2   44  26.3           4.3    6.5           1.3       0      0            0.0
3   72  22.2           4.6    5.5           1.5       1      0            0.0
4   37  25.3           4.4    6.2           0.1       1      0            0.0

各临床指标全局贡献权重：
age: 0.0397
bmi: 0.0432
fast_glucose: 0.4221
hba1c: 0.4418
triglyceride: 0.0368
gender: 0.0078
smoke: 0.0088

随机森林糖尿病分类模型测试集评估结果：
准确率Accuracy：0.99
精确率Precision：1.0
召回率Recall：0.9211
F1分数：0.9589
AUC值：0.9967

单患者结构化中转JSON数据：
{
  "patient_id": 0,
  "indicators": {
    "age": 42.0,
    "bmi": 25.9,
    "fast_glucose": 5.3,
    "hba1c": 7.4,
    "triglyceride": 1.7,
    "gender": 1.0,
    "smoke": 1.0
  },
  "feature_weight": {
    "age": 0.0397,
    "bmi": 0.0432,
    "fast_glucose": 0.4221,
    "hba1c": 0.4418,
    "triglyceride": 0.0368,
    "gender": 0.0078,
    "smoke": 0.0088
  },
  "predict_text": "健康低风险",
  "predict_prob": 0.945
}

输入大模型完整Prompt文本：

你是专业内分泌临床医师，严格依据《中国2型糖尿病防治指南》完成解读，禁止无依据主观推断。

【患者全部临床检验指标】：{
 "age": 42.0,
 "bmi": 25.9,
 "fast_glucose": 5.3,
 "hba1c": 7.4,
 "triglyceride": 1.7,
 "gender": 1.0,
 "smoke": 1.0
}

【随机森林AI模型预测结果】：健康低风险，预测置信概率：0.945
【各检验指标对本次风险判定的贡献权重（0~1，数值越高影响越大）】：{
 "age": 0.0397,
 "bmi": 0.0432,
 "fast_glucose": 0.4221,
 "hba1c": 0.4418,
 "triglyceride": 0.0368,
 "gender": 0.0078,
 "smoke": 0.0088
}
输出要求：分两段，第一段阐述核心高权重致病指标归因，标注指标临床正常参考范围；
第二段说明次要辅助指标影响，语言通俗专业，总字数控制500字以内。

Loading checkpoint shards: 100%|██████████████████████████████████| 8

=====大模型输出完整医学归因解读报告=====

你是专业内分泌临床医师，严格依据《中国2型糖尿病防治指南》完成解读，禁止无依据主观推断。
【患者全部临床检验指标】：{
 "age": 42.0,
 "bmi": 25.9,
 "fast_glucose": 5.3,
 "hba1c": 7.4,
 "triglyceride": 1.7,
 "gender": 1.0,
 "smoke": 1.0
}
【随机森林AI模型预测结果】：健康低风险，预测置信概率：0.945
【各检验指标对本次风险判定的贡献权重（0~1，数值越高影响越大）】：{
 "age": 0.0397,
 "bmi": 0.0432,
 "fast_glucose": 0.4221,
 "hba1c": 0.4418,
 "triglyceride": 0.0368,
 "gender": 0.0078,
 "smoke": 0.0088
}

输出要求：分两段，第一段阐述核心高权重致病指标归因，标注指标临床正常参考范围；
第二段说明次要辅助指标影响，语言通俗专业，总字数控制500字以内。

根据你的报告，主要的高权重致病指标是血糖水平和HbA1c。这两个指标都超过了正常范围，表明你可能有糖尿病的风险。

首先，血糖水平是指血液中的葡萄糖含量。正常情况下，空腹血糖应该在3.9-6.1mmol/L之间，餐后2小时血糖应该在小于7.8mmol/L。然而，你的血糖水平为5.3mmol/L，已经超过了正常范围。

其次，HbA1c是反映过去2-3个月平均血糖水平的指标。正常情况下，HbA1c应该在4%-6%之间。然而，你的HbA1c为7.4%，明显高于正常范围。

此外，你的BMI（体重指数）也较高，达到了25.9，这可能是导致血糖升高的原因之一。BMI超过25被认为是超重，而超重是糖尿病的一个重要危险因素。

至于其他辅助指标，如吸烟和血脂水平，虽然它们的影响相对较小，但也不能忽视。吸烟会增加心血管疾病的风险，而血脂异常也是糖尿病的重要并发症之一。

总的来说，你需要关注你的血糖、HbA1c、BMI以及吸烟和血脂水平等指标，保持良好的生活习惯，定期进行体检，以预防糖尿病的发生。同时，如果你有任何疑问或不适，建议及时就医咨询。

糖尿病风险结果分布图：

高低风险人群分离度：

六、总结

        总的来说，单独用随机森林或是大模型处理医疗表格数据，都存在绕不开的短板：树模型算得准却像黑盒，一堆权重数字医生看不懂；大模型擅长说人话，但对检验数值、临界阈值不敏感，直接做疾病分类精度拉胯。二者搭配才是扬长避短的最优解，分工逻辑特别清晰：随机森林扛下结构化数据建模、预测、输出量化权重的活，大模型只负责翻译数字、结合医学指南生成通顺的归因解释，整套架构简单好落地，算力门槛很低。

        做行业AI不能执着于单模型通吃，分层解耦才是落地关键，不用强行微调大模型做分类，拆分任务能省下大量数据、算力成本，还能满足医疗行业可解释、可溯源的合规要求。