基于召回率优化的移动端卒中预测系统：针对不平衡数据集的算法创新与临床转化研究

本研究针对卒中预测中数据集严重不平衡导致的模型性能失真问题，创新性地采用召回率(Recall)作为核心评估指标，开发了基于Logistic Regression、Soft Voting Ensemble和SVM的预测系统（分别获得92%、92%和94%的召回率），通过SHAP实现模型可解释性，并集成至Flutter移动应用。该研究突破了传统SMOTE合成数据和准确率(Accuracy)指标的局限性，为临床辅助诊断提供了高灵敏度工具。

　　

在全球范围内，卒中（Stroke）已成为第五大致死疾病，每4-5分钟就有一人因此死亡。这种因脑部供血中断导致的急症，每分钟未治疗将损失190万个神经元，相当于大脑加速衰老3.6年/小时。尽管机器学习在卒中预测中展现出潜力，但现有研究存在两大致命缺陷：一是依赖合成少数类过采样技术(SMOTE)生成虚假数据，可能导致临床误判；二是过度追求准确率(Accuracy)指标，在健康人群占95%的不平衡数据中，模型可能完全漏诊真实卒中病例——正如某研究显示，当模型宣称达到95.5%准确率时，实际卒中识别率竟为0%。

针对这一临床痛点，研究人员开展了一项突破性研究。通过分析Kaggle卒中预测数据集（含5110例样本，卒中占比仅5.26%），团队系统评估了Logistic Regression(LR)、高斯朴素贝叶斯(GNB)、随机森林(RF)等7种算法性能。研究创新性地提出以召回率(Recall)为核心评估标准，因为该指标直接反映模型捕捉真实卒中病例的能力——在"时间就是大脑"的卒中救治中，漏诊（假阴性）的代价远高于误诊（假阳性）。

关键技术路线包含：1）采用kNN算法对BMI缺失值进行插补；2）通过因子分析混合数据(FAMD)可视化特征分布；3）开发定制化支持向量机(SVM)与软投票集成(Soft Voting)模型；4）运用SHAP值解析特征贡献度；5）基于Flutter框架构建跨平台移动应用。

研究结果方面：
3.4.1 模型评估
最优模型SVM通过类别权重调整实现94%的卒中召回率，较文献报道的5.6%-40%提升显著。LR和GNB-LR集成模型分别达到92%召回率，且SHAP分析显示年龄、血糖、高血压是最强预测因子。

4.3 对比分析
在未使用SMOTE的研究中，本研究的94%召回率远超同类工作（RDET分类器5%、CNN 0%），较Zhang等报告的SVM模型(91.2%)进一步提升。

1. 可解释AI
   SHAP分析揭示：年龄增长（红色高值）使卒中风险提升3.5个SHAP值单位，而私人工作（蓝色低值）具有保护效应。血糖与高血压的协同作用在SVM模型中尤为突出。

2. 移动应用开发
   集成最优模型的Flutter应用提供暗/亮模式切换，通过TensorFlow Lite实现离线预测。输入参数包括吸烟状态、婚姻状况等12项临床特征，输出即时风险评估。

这项研究颠覆了传统医疗AI开发范式：首先，证明在不合成数据的前提下，通过算法层面的权重调整可显著提升模型临床适用性；其次，建立召回率作为医疗不平衡数据的"金标准"；最后，通过可解释性技术与移动端部署，实现从理论到床旁的转化。正如讨论部分强调，该框架可扩展至其他存在"少数类关键性"的领域，如癌症筛查或航空安全监测。未来将通过医院真实世界数据验证，并探索多模态数据融合方案。论文的创新成果已发表在《Neuroscience Informatics》期刊。