大数据百家讲坛

主题：大模型技术与应用专题报告

宋立桓专家：智医同行—AI机器学习提升临床预测模型的可解释性

个人简介

• 微软MVP
• 中国计算机学会人工智能与模式识别专业委员会委员
• 著作《R语言医学数据分析实践》
• 多项人工智能专利发明人

人工智能的核心逻辑

• 人工智能模拟人类智能
• 三要素：算法、算力、数据
• 数据标注是AI发展的基石，2025年全球医疗数据标注需求同比增长217%
• 算力需求：GPU（图形处理器）并行处理能力，2025年Q1中国企业对英伟达NVIDIA公司H20芯片采购额达160亿美元

AI学习方式

• 从数据中学习规律，用于预测未知数据或决策

机器学习预测模型的优势

• 非线性自动化建模能力
• 适应高维数据
• 自适应优化方法提升预测精度

临床预测模型分类

• 诊断模型：基于症状和特征诊断疾病概率
• 预后模型：疾病复发、死亡、伤残等结局概率

机器学习模型构建流程

1. 数据收集：七大老年公共数据库（ELSA、HRS、SHARE、KLoSA、CHARLS、MHAS、LASI）
2. 数据预处理：数据理解、清洗、标准化、特征工程、数据划分
3. 构建模型：选择模型、调整超参数
4. 模型评估：准确率、敏感性、精确率、特异性、F1分数、AUC值
5. 模型可解释性：SHAP（Shapley值）分析
6. 模型部署：Streamlit建立网页应用

模型可解释性重要性

• 提高透明度和信任度
• 优化模型、合规性保障、避免偏见

SHAP分析

• 基于博弈论中的Shapley值
• 衡量每个特征对模型预测结果的贡献度

可解释性机器学习文献研究

• 预测中国中老年癌症患者抑郁症研究
• 回顾性多中心研究，纳入2021年2月至2024年接受体检的CKD患者和健康个体
• 采用机器学习模型预测CKD，SHAP分析评估特征重要性和模型结果

机器学习+SHAP分析文献研究

• 六个ML模型：决策树、随机森林、MLP、AdaBoost、XGBoost、LightGBM
• 评估指标：准确性、F1分数、敏感性、特异性、PPV、NPV、AUC、PR-AUC
• SHAP分析可视化图
• 网页应用预测模型

临床可解释性机器学习框架总结

1. 患者选择
2. 数据清洗
3. 缺失值处理
4. 数据插补
5. 特征工程
6. 模型构建
7. 模型可解释性-SHAP分析
8. 模型部署
9. 外部队列验证

机器学习与GPU

• 初学者：耐心
• 中级：云端GPU
• 高级：本地GPU

叶彦辛专家：玩转FastGPT—从问答Bot到超级Agent

个人简介

• FastGPT官方资深讲师
• 智能体社区技术专家
• 数字化国家级奖项一等奖获得者
• 腾讯TAPD特邀讲师

FastGPT应用搭建核心方法

• 智能体三个问题：用户对象、核心任务、所需知识/数据

智能客服Agent形态

• 维修Agent形态
• 助教Agent
• 工业全息可视化交互bot
• 自媒体运营助手
• 公文写作助手
• 飞书日报机器人
• 智能差旅费用合规审核Bot

简单Bot上手：智能差旅费用合规审核

• 模拟财务审核专员
• 用户输入报销描述或发票数据，判断合规性

FastGPT知识库

• 知识库导入
• 图片知识库
• 知识库上传细则：目录规范、切片方式、精细化管理、测试与反馈循环

系统配置

• 开场白美化
• HTTP请求：对接公开API

智能体应用案例

• 飞书日报机器人Agent
• 汉语新解Agent
• 合同审核大师
• 出游规划大师
• 趋势洞察workflow

多智能体动态路由协同