案例解读
从数据上传到论文生成，查看 AI 辅助科研的完整过程。
复现报告：帕金森病可解释AI预测 — UPDRS与认知功能成AI首要预测因子，与原论文高度一致
透明报告：21分钟复现Esan等人2025年帕金森病预测研究，7种模型+SHAP分析
【21分钟验证尼日利亚-英国联合团队论文】2105名患者帕金森病预测：6种ML模型+SHAP解释
复现Esan等人2025年发表于Current Research in Translational Medicine的帕金森病预测研究，基于2105名患者33个特征，6种机器学习模型+Stacking集成+SHAP可解释性分析，21分钟完成全部分析，花费0.54元
复现报告：吸烟状态预测（Aishwarya et al. 2025） — AI在6个模型上全面超过原论文，LightGBM AUC达0.8993
透明报告：40分钟验证Scientific Reports吸烟预测论文，AI的LightGBM（AUC=0.8993）超过原论文RF（AUC=0.84），核心SHAP特征排序Top 5完全一致
【40分钟验证印度Manipal理工学院Scientific Reports论文】4万人体检数据吸烟状态预测：7种ML模型+SHAP分析
AI用40分钟、不到10元完成4万条体检数据的吸烟状态预测分析，LightGBM的AUC达到0.8993，超过原论文Random Forest的0.84。血红蛋白是最强预测因子。
复现报告：Wine Quality ML预测 — 酒精度稳居第一预测因子，9分钟完成6模型+Stacking对比
透明报告：复现Khan等人2025年Discover Applied Sciences葡萄酒品质预测研究，6497条记录、6种ML模型+Stacking集成，AI 9分钟完成，核心特征重要性排序与原论文一致
【9分钟验证印度团队Springer Nature论文】6497瓶葡萄酒品质预测：6种ML模型+Stacking集成对比
复现Khan等人2025年发表于Discover Applied Sciences的葡萄酒品质预测研究，基于UCI Wine Quality数据集6497条记录，6种机器学习模型+Stacking集成学习，9分钟完成全部分析，花费0.93元
复现报告：Shah et al. 心血管风险预测 — LR和RF的AUC反超原论文，收缩压Top 1预测因子完全一致
透明报告：基于70000条临床记录验证Scientific Reports心血管疾病风险预测论文，6种模型50分钟完成，SHAP特征排序Top 5完全一致
【50分钟验证印度团队Scientific Reports论文】7万人心血管疾病风险预测：6种ML模型+Stacking集成对比
复现Shah等人2025年发表于Scientific Reports的心血管疾病风险预测研究，基于70000条临床记录，6种机器学习模型+Stacking集成学习，50分钟完成全部分析，花费6.93元
验证报告：印度肝病患者集成学习预测 — AI补充SHAP可解释分析，性能差距揭示特征选择的关键作用
透明报告：AI用41分钟训练7种模型验证PLOS ONE肝病预测论文，准确率差距13个百分点指向特征选择策略的重要性
【41分钟验证摩洛哥-巴基斯坦团队PLOS ONE论文】583例印度患者肝病预测：7种ML模型+SHAP可解释分析
AI用41分钟完成7种机器学习模型训练和SHAP特征解释，验证PLOS ONE发表的肝病预测研究
复现报告：作物推荐系统ML分析 — Random Forest准确率99.55%反超原论文Gradient Boosting的99.27%
透明报告：54分钟AI复现Scientific Reports作物推荐系统论文，Random Forest模型准确率99.55%
【54分钟验证印度-波兰-澳洲团队Scientific Reports论文】作物推荐系统：6种ML模型+SHAP对比10种模型+LIME
AI用54分钟验证作物推荐系统研究，Random Forest准确率99.55%超越原论文Gradient Boosting的99.27%，SHAP替代LIME提供更全面的特征解释
复现报告：DASS-42焦虑预测 — 排除循环预测后AUC仍达0.88，SHAP揭示抑郁-焦虑共病机制
透明报告：10,000份DASS-42问卷，排除焦虑题目避免循环预测，5种模型+Stacking集成，SHAP分析补充原论文未做的特征解释
【74分钟验证Egypt-UK团队Scientific Reports论文】万人DASS-42焦虑预测：避开循环预测陷阱+SHAP解释
AI用74分钟验证DASS-42焦虑预测研究，刻意排除焦虑题目避免循环预测，Stacking集成AUC达0.88，SHAP揭示抑郁和压力是焦虑最强预测因子
复现报告：胰腺癌尿液标志物预测 — AI的Logistic Regression和SVM反超原论文AUC，20分钟完成
透明报告：590份尿液样本，7种机器学习模型+SHAP分析，AI在线性模型上反超原论文，Gradient Boosting AUC达0.98
【20分钟验证沙特-土耳其团队Scientific Reports论文】590份尿液样本预测胰腺癌：7种ML模型+SHAP对比
AI用20分钟复现胰腺癌尿液生物标志物预测研究，Gradient Boosting达到AUC 0.98，与原论文投票分类器AUC 0.99高度一致
复现报告：Tariq et al. 2025 学生压力预测 — AI的Random Forest反超原论文，29分钟完成6种模型全流程
透明报告：复现Scientific Reports学生压力预测研究，AI Random Forest准确率0.8909超过原论文0.88，29分钟完成38个文件产出。
【29分钟验证墨西哥-英国跨国团队Scientific Reports论文】1100名大学生压力等级预测：6种ML模型+SHAP解释
AI用29分钟、5.97元复现了Tariq等人2025年发表在Scientific Reports的学生压力预测研究，6种机器学习模型对比，Random Forest准确率89.09%。
复现报告：丙型肝炎Stacking元模型检测 — SHAP Top 5预测因子完全一致，RF/XGBoost准确率反超原论文
透明报告：8分钟复现Sharma et al. (2025)丙型肝炎检测研究，6种模型对比+SHAP分析
【8分钟验证印度VIT团队Scientific Reports论文】615人丙型肝炎检测：6种ML模型+Stacking元模型对比
AI用8分钟复现丙型肝炎检测研究：Random Forest达95.93%准确率（AUC 0.9912），SHAP揭示AST和GGT是最关键预测因子
复现报告：Nahar et al. (2026) 心脏病 Stacking Ensemble 预测 — Naive Bayes 反超原论文8个百分点，4分钟完成6种模型对比
透明报告：AI用4分钟复现心脏病早期预测论文，Stacking Ensemble达到90.76%准确率，Naive Bayes准确率91.30%大幅超过原论文83.19%
【4分钟验证孟加拉-马来西亚团队Analytical Science Advances论文】918名患者心脏病早期预测：Stacking集成+SHAP可解释分析
AI用4分钟复现心脏病预测研究，Stacking Ensemble达到90.76%准确率/0.943 AUC，Naive Bayes反超原论文8个百分点，总花费不到6毛钱
复现报告：El Attar & El-Hajj (2026) 电信客户流失预测 — 软投票集成AUC达0.936反超原论文，18分钟完成
透明报告：AI复现Frontiers in AI客户流失论文，7种模型+SHAP分析，Soft Voting集成AUC-ROC 0.936超越原论文的0.918
【18分钟验证黎巴嫩团队Frontiers in AI论文】7043名客户流失预测：7种ML模型+SHAP对比
AI用18分钟完成电信客户流失预测全流程，训练7种机器学习模型+软投票集成，SHAP分析揭示合同类型、在网时长是流失核心因子。
复现报告：DASS-42抑郁预测（ShamsEldin 2025） — 决策树反超原论文4%，SVM性能差距仅1.3%
透明报告：AI用10分钟验证近4万人DASS-42心理量表抑郁预测，5种模型对比原论文结果
【10分钟验证埃及-英国团队Scientific Reports论文】近4万人DASS-42心理量表：5种ML模型预测抑郁严重程度
AI用10分钟复现了ShamsEldin等7位研究者发表在Scientific Reports的抑郁预测研究，SVM准确率97.97%，决策树反超原论文4个百分点
复现报告：孕产妇健康风险Quad-Ensemble预测 — AI的Voting集成F1=0.857反超原论文Stacking最优0.856
透明报告：15分钟复现Khadidos et al. (2024) Scientific Reports孕产妇健康风险预测，8种模型配置的完整对比
【15分钟验证沙特-英国联合团队Scientific Reports论文】1014名孕产妇健康风险：4种模型×4种集成策略对比
AI用15分钟复现Khadidos等5位学者的Quad-Ensemble孕产妇健康风险预测研究，Voting集成F1达0.857，与原论文Stacking最优0.856持平
复现报告：Ganie 2025 心脏病集成学习预测 — Stacking模型AUC达0.977，AI在准确率和AUC上均超越原论文D1结果
透明报告：AI用35分钟复现Scientific Reports心脏病预测论文，12种模型完整对比，Stacking准确率92%超过原论文91%，核心SHAP特征排序前2位完全一致
【35分钟验证印度-美国团队Scientific Reports论文】1190人心脏病预测：12种ML模型+集成学习+SHAP分析
AI用35分钟复现了Ganie, Pramanik和Zhao发表在Scientific Reports的心脏病预测研究，Stacking集成模型达到92%准确率和0.977 AUC，略超原论文D1的91%准确率。
复现报告：阿尔茨海默病集成学习预测 — Top 5预测因子完全一致，AI单模型全面超越原论文
透明报告：48分钟复现Hossain et al. (2025)阿尔茨海默病预测研究，SHAP特征重要性Top 5完全匹配，4个单模型准确率均超原论文
【48分钟验证孟加拉团队Alzheimer's & Dementia论文】2149名患者阿尔茨海默病预测：5种ML模型+SHAP解释
AI用48分钟复现Hossain等人的阿尔茨海默病预测研究，Stacking Ensemble准确率94.6%，SHAP特征重要性Top 5与原论文完全一致，花费5.09元
复现报告：Zhu et al. 乳腺癌SHAP-RF-RFE特征选择研究 — 核心Top 4诊断特征完全一致，交叉验证仅差0.0004
透明报告：复现广州大学2025年Scientific Reports乳腺癌检测研究，5种ML模型对比，AI 60分钟完成全部分析
【60分钟验证广州大学Scientific Reports论文】569例乳腺癌诊断：5种ML模型+SHAP可解释性分析
复现 Zhu et al. (2025) 乳腺癌早期检测研究，AI 60分钟完成5种模型训练，LightGBM达到100%测试准确率，与原论文核心特征高度一致
复现报告：癌症风险预测ML研究 — 集成模型趋势一致，SHAP揭示年龄的非线性效应超越线性相关
透明报告：4分钟验证Scientific Reports 2025癌症风险预测论文，6种模型趋势与原论文一致，SHAP分析补充了相关系数未能捕捉的非线性特征关系
【4分钟验证埃及团队Scientific Reports论文】1500人癌症风险预测：6种ML模型+SHAP分析
AI用4分钟完成6种机器学习模型训练+SHAP可解释性分析，验证Scientific Reports 2025论文的癌症风险预测方法。随机森林AUC达0.966。
复现报告：Sharafeldeen et al. HR离职预测 — AdaBoost综合最优但特征排序与原论文存在分歧
透明报告：AI用10分钟复现Scientific Reports 2026年HR离职预测研究，AdaBoost在F1和AUC上表现最佳，但SHAP特征重要性排序与原论文显著不同
【10分钟验证埃及Mansoura大学Scientific Reports论文】1470名员工离职预测：5种ML模型+SHAP分析
AI用10分钟完成5种集成学习模型训练+SHAP可解释性分析，验证Scientific Reports 2026论文的HR离职预测方法。AdaBoost综合表现最佳。
复现报告：Ganie et al. 肥胖等级集成学习预测 — Voting模型97.16%反超原论文Stacking的96.88%，Top 5特征排序完全一致
透明报告：8分钟复现Scientific Reports肥胖等级多分类研究，6种集成模型对比，SHAP特征重要性Top 5完全吻合
【8分钟验证沙特-印度-美国三国团队Scientific Reports论文】2111人肥胖等级预测：6种集成学习模型对比
AI用8分钟复现了发表在Scientific Reports上的肥胖等级多分类预测研究，Voting集成模型达到97.16%准确率，与原论文96.88%高度一致
复现报告：空气质量集成学习预测 — CO而非PM2.5成为最强预测因子，14分钟完成5模型训练
透明报告：AI用14分钟训练5种集成学习模型预测空气质量等级，SHAP发现CO（而非原论文的PM2.5）是最重要预测因子
【14分钟验证印度团队Scientific Reports论文】460万条空气质量数据的集成学习预测：5种ML模型对比
AI用14分钟完成5种集成学习模型训练+SHAP可解释性分析，验证Scientific Reports 2026论文的核心方法论。LightGBM准确率95.2%。
7分钟，5种模型跑完AD预测
2149例临床数据，5种集成模型，7分钟跑完阿尔茨海默病预测分析
复现报告：阿尔茨海默病集成学习预测 — 单模型全面超越原论文，Stacking差距揭示超参数调优价值
透明报告：7分钟AI验证Hossain et al. (2025)阿尔茨海默病预测研究，4个单模型准确率均超原论文，但Stacking集成差距2.1%
【7分钟验证孟加拉达芬国际大学Alzheimer's & Dementia论文】2149例阿尔茨海默病预测：5种集成模型+SHAP分析
7分钟完成阿尔茨海默病风险预测分析，5种集成模型对比+Stacking+SHAP可解释性分析，AI单模型全面超越原论文，Stacking准确率94.88%接近原论文97%
5种模型8分钟跑完乳腺癌分类
569例数据，5种ML模型对比，8分钟出全部图表和统计报告
复现报告：WBCD乳腺癌多模型分类 — SVM/RF/XGBoost反超原论文准确率，8分钟完成5模型训练
透明报告：复现PLOS ONE 2025乳腺癌预测研究，AI在SVM/RF/XGBoost上反超原论文2.63%，Logistic Regression AUC达0.996
【8分钟验证孟加拉团队PLOS ONE论文】569例乳腺癌分类：5种ML模型对比+SHAP解释性分析
8分钟完成乳腺癌良恶性分类分析，5种ML模型对比，SVM/RF/XGBoost均达97.37%准确率，SHAP揭示worst concave points为最强预测因子
7分钟，7种模型跑完胎儿健康预测
2126条胎儿心电监护数据，7种模型7分钟跑完，AUC 0.986
复现报告：胎儿CTG健康分类 — LightGBM准确率95.3%与原论文95.16%高度一致，7分钟完成
透明报告：7分钟复现Nazli et al.(2025) CTG胎儿健康三分类研究，7种模型完整对比，SHAP特征分析补充原论文
【7分钟验证土耳其团队Diagnostics论文】2126条CTG数据的胎儿健康分类：7种ML模型对比
7分钟复现Nazli等人(2025)基于心电监护数据的胎儿健康三分类研究，LightGBM达到AUC 0.986，7种模型完整对比
5种模型4分钟跑完肝病预测分析
583例临床数据，5种模型4分钟跑完，花了5毛6
复现报告：ILPD肝病预测集成学习 — 核心Top 5预测因子完全一致，4分钟完成
透明报告：AI 4分钟验证PLOS ONE肝病预测研究，特征重要性排序与原论文完全吻合，性能差距源于超参数调优策略差异
【4分钟验证摩洛哥-巴基斯坦团队PLOS ONE论文】583例肝病预测：5种ML模型对比
4分钟完成583例Indian Liver Patient Dataset的集成学习建模，Random Forest最佳AUC 0.7561，花费0.56元
19分钟跑完阿尔茨海默病预测建模
2149名患者数据，6种模型+SHAP分析，19分钟出全部结果
复现报告：阿尔茨海默病堆叠集成预测 — SHAP Top 5预测因子完全一致，AI在4种单模型上反超原论文
透明报告：复现Hossain等人(2025)的阿尔茨海默病预测研究，2149名患者数据集，6种模型对比，SHAP特征排序Top 5完全一致
【19分钟验证孟加拉Daffodil大学Alzheimer's & Dementia子刊论文，IF=4.5】2149名患者阿尔茨海默病预测：6种ML模型+SHAP分析
19分钟完成阿尔茨海默病风险预测分析，6种模型对比+Stacking集成+SHAP可解释性分析，AI Stacking准确率94.88%接近原论文97%
22分钟，6种模型跑完心脏病预测
32万条数据，6种ML模型+Stacking集成+SHAP分析，22分钟自动完成
复现报告：BRFSS心脏病Stacking预测 — 32万样本22分钟完成6种模型训练与SHAP分析
透明报告：AI复现Chen et al. (2026)心脏病预测研究，BRFSS数据集319,795样本，Stacking集成AUC 0.84，SHAP识别年龄和吸烟为关键风险因子
【22分钟验证青岛大学附属医院Frontiers论文】32万人心脏病风险预测：6种ML模型+Stacking集成+SHAP分析
AI用22分钟复现Chen等人发表在Frontiers in Molecular Biosciences上的心脏病预测研究，Stacking集成AUC达0.84，SHAP揭示年龄和哮喘是最强预测因子
24分钟，5种模型跑完离职预测
1470人数据，5种ML模型，SHAP揭示加班是头号离职因子，AI全程24分钟
复现报告：IBM HR员工离职预测 — SHAP核心Top 3因子完全一致，24分钟5种模型基线建立
透明报告：对Tang (2026) Scientific Reports员工离职预测论文的独立复现，5种ML模型对比+SHAP可解释性分析
【24分钟验证Scientific Reports论文】1470名员工离职预测：5种ML模型+SHAP可解释性分析
24分钟，5种机器学习模型完成IBM HR数据集员工离职预测，Logistic Regression以84.35%准确率胜出，SHAP揭示加班是头号离职因子
7分钟，5种模型跑完肥胖等级预测
2111条数据，5种ML模型，6张SHAP图表，7分钟全部跑完，花了7毛钱
复现报告：Görmez et al. 肥胖等级ML预测 — Random Forest/XGBoost准确率95.27%超越原论文CatBoost，Top 3特征完全一致
透明报告：7分钟验证Frontiers in Physiology肥胖预测研究，AI在SVM上准确率提升10.7个百分点，核心特征排序高度一致
【7分钟验证土耳其团队Frontiers in Physiology论文】2111条数据肥胖等级预测：5种ML模型+SHAP分析
复现Görmez等人的肥胖等级ML预测研究，AI用7分钟训练5种模型，Random Forest准确率95.27%超越原论文CatBoost的93.67%
复现报告：Ahmed et al. 学生成绩预测 — XGBoost反超原论文，Top 3特征完全一致
透明报告：15分钟验证Scientific Reports教育学ML论文，7种模型对比，SHAP特征重要性Top 3一致，XGBoost R²超越原论文。
【15分钟验证跨国团队Scientific Reports论文】6607名学生考试成绩预测：7种ML模型+SHAP分析
用AI在15分钟内验证一篇IF 4.6的教育学机器学习论文，7种回归模型预测学生考试成绩，核心特征重要性排序Top 3完全一致。
71分钟，AI完成肺癌风险预测研究
1000条数据，6种模型，39个产出文件，从上传CSV到论文PDF全自动
复现报告：Ali et al. 肺癌ML框架 — 特征选择9/9一致，4模型准确率反超原论文
透明报告：使用OneSmallStep复现BioMed Research International肺癌检测论文，71分钟完成6种ML模型训练和SHAP分析，39个产出文件
【71分钟验证多国团队BioMed Research International论文】1000例肺癌风险评估：6种ML模型+SHAP分析
上传同一份Kaggle肺癌患者数据集（1000条记录），AI在71分钟内训练6种模型、生成39个产出文件和完整论文。特征选择9/9一致，4种模型准确率反超原论文。
73分钟，5110个病例的卒中预测研究，AI全自动完成
上传一个CSV，输入一段研究指令，73分钟后拿到38个文件：论文、代码、图表、审计报告，全部可下载
复现报告：Dubey et al. (2024) 卒中早期检测 — Top 3预测因子完全一致，SMOTE vs 下采样策略导致性能差异
透明报告：5110人卒中数据集，5种模型训练+SHAP分析，73分钟完成。核心发现：年龄、血糖、BMI排序与原论文一致，但不同的类别不平衡处理策略导致测试AUC显著差距
【73分钟验证印度团队Diagnostics论文】5110人卒中风险预测：5种ML模型+SHAP全解释
AI用73分钟训练5种模型复现卒中预测研究，AdaBoost测试AUC 0.796，SHAP分析揭示年龄、血糖水平和BMI是三大关键风险因子
复现报告：NHANES抑郁预测ML研究 — 6模型AUC均超0.91，4分钟完成全部训练和SHAP分析
透明报告：基于27901条学生数据验证Vu et al. (2025)的6种ML模型抑郁预测方法，所有模型AUC超0.91
【4分钟验证日本国立研究院BMC论文IF=3.8】2.8万学生抑郁风险预测：6种ML模型+SHAP分析
4分钟完成6种机器学习模型训练和SHAP可解释性分析，基于27901条学生心理健康数据复现抑郁症预测研究
38分钟，从一份CSV到一篇完整的SCI论文
上传25万人心血管数据，AI全自动完成统计分析、图表生成、文献检索和论文撰写。附完整过程和产出文件。
【32分钟验证波兰团队PLOS ONE论文】25万人糖尿病风险因子：4种ML模型对比
上传同一份CDC BRFSS数据集（253,680人），AI在32分钟内训练4种模型、生成33个产出文件和完整论文。核心发现一致：BMI、年龄、健康状况是前三预测因子。
复现报告：Majcherek et al. (2025) BRFSS糖尿病风险因子分析 — AI做到了什么，没做到什么
透明报告：AI用32分钟验证了25万人糖尿病风险因子研究，核心结论一致（BMI/年龄/健康状况为Top 3），但模型性能差距显著（AUC 0.78 vs 0.96），根因是过采样方法差异。
心血管疾病风险预测：从25万人数据到完整论文的全过程
基于CDC BRFSS 2015年253,680例真实数据，AI全自动完成数据清洗、统计建模、图表生成和论文撰写，耗时38分钟。
AI论文数据可靠性报告：我们如何验证每一个统计数字
对10个数据集、1000+统计数据点的系统性验证，公开我们的审计方法和结果。
医疗公平性研究：5,500家巴基斯坦医疗机构的公私立差异分析
基于巴基斯坦5,500家医疗机构横断面数据，AI全自动完成资源配置、服务质量与费用的公私立对比研究，耗时48分钟。
48分钟，5500家医疗机构的公平性研究，AI全自动完成
上传巴基斯坦医疗机构数据，AI自动完成公私立对比分析、图表生成和论文撰写。从CSV到PDF，全程无需写一行代码。
Twitter情感分析：逻辑回归与SVM为何优于XGBoost
基于37,407条推文的四分类情感分析研究，对比逻辑回归、SVM、XGBoost三种模型，揭示线性模型在稀疏文本数据上的优势。
59分钟，3.7万条推文的情感分析论文，AI一键搞定
上传Twitter数据集，AI自动完成NLP预处理、多模型对比、可视化和论文撰写。不用写代码，不用调参，直接出论文。