复现目标
原论文： Ahmed, M.A., AbdelMoety, A. & Soliman, A.M.A. (2025). Predicting cancer risk using machine learning on lifestyle and genetic data. Scientific Reports, 15, 30458. DOI: 10.1038/s41598-025-15656-8
作者机构：
- Mohamed Abdelmoaty Ahmed — Faculty of Medicine, Merit University, Sohag, Egypt
- Ahmed AbdelMoety — Electrical Engineering Department, South Valley University, Qena, Egypt（通讯作者）
- Asmaa Mohamed Ahmed Soliman — Public Health Department, Assiut University; Faculty of Medicine, Merit University
数据集： Cancer Prediction Dataset（Kaggle，CC BY 4.0），1,500 名患者记录，8 个特征（年龄、性别、BMI、吸烟状态、遗传风险等级、运动量、饮酒量、癌症病史），二分类目标（Diagnosis）。原论文使用同源 1,200 条记录版本。
复现范围：
- 覆盖：描述性统计、数据预处理、多模型训练与对比、交叉验证、特征重要性分析、可视化
- 未覆盖：CatBoost（原论文最优模型）、LightGBM、k-NN 三种模型；原论文的特征缩放方法细节
方法差异：
- 特征重要性：原论文用 Pearson 相关系数，AI 用 SHAP（基于 Random Forest）
- 模型数量：原论文 9 种 vs AI 6 种
- 数据集规模：原论文 1,200 条 vs AI 1,500 条（同源不同版本）
执行记录
| 项目 | 数值 |
|---|---|
| 耗时 | 4 分钟（3分4秒，向上取整） |
| 产出文件 | 17 个 |
| 训练模型数 | 6 种 |
| 交叉验证 | 5 折分层 |
| 可视化图表 | 7 张 |
| 积分消耗 | 72.58（¥0.73） |
复现结果对比
模型性能对比
| 模型 | 原论文准确率 | 原论文来源 | AI 准确率 | AI ROC-AUC | AI F1 | 差异 |
|---|---|---|---|---|---|---|
| Logistic Regression | 85.83% | Table 4 | 84.33% | 0.9167 | 0.7854 | -1.50pp |
| Decision Tree | 93.33% | Table 4 | 86.67% | 0.8644 | 0.8261 | -6.66pp |
| Random Forest | 96.67% | Table 4 | 94.00% | 0.9662 | 0.9159 | -2.67pp |
| SVM | 92.50% | Table 4 | 89.33% | 0.9444 | 0.8491 | -3.17pp |
| Gradient Boosting | 97.50% | Table 4 | 94.67% | 0.9612 | 0.9266 | -2.83pp |
| XGBoost | 97.50% | Table 4 | 93.67% | 0.9624 | 0.9124 | -3.83pp |
| k-NN | 88.75% | Table 4 | 未测试 | — | — | — |
| LightGBM | 97.50% | Table 4 | 未测试 | — | — | — |
| CatBoost | 98.75% | Table 4 | 未测试 | — | — | — |
注：原论文同时报告了 5 折交叉验证结果（Table 3），其中 CatBoost CV 准确率 0.9850（标准差 0.0068），Gradient Boosting 0.9733（0.0057），XGBoost 0.9742（0.0055）。
特征重要性对比
| 排名 | 原论文（Pearson 相关系数） | AI（SHAP 值） | 一致性 |
|---|---|---|---|
| 1 | Cancer History（0.41） | Age（1.25） | 不一致 |
| 2 | Gender（0.28） | GeneticRisk（0.98） | 不一致 |
| 3 | Genetic Risk（0.27） | BMI（0.65） | 部分一致 |
| 4 | Smoking（0.26） | CancerHistory（0.45） | 部分一致 |
| 5 | — | Smoking（0.32） | — |
关键发现： 特征排名差异并非"错误"，而是度量方法差异导致的合理结果。Pearson 相关系数只能衡量线性关系，因此 Cancer History（二元变量，强线性）排名第一。SHAP 值基于树模型的非线性分裂，能捕捉年龄与癌症之间的阶梯式风险递增关系——年龄从 20 岁到 80 岁的癌症风险不是线性增长，而是在某些年龄段（如 50-60 岁）出现跳跃式上升。这一发现是对原论文的有价值补充。
两种方法共同确认的强预测因子：Genetic Risk（原论文第 3、AI 第 2）、Cancer History（原论文第 1、AI 第 4）、Smoking（原论文第 4、AI 第 5）。核心因子集合一致，只是排序不同。
描述性统计对比
| 指标 | AI 结果 |
|---|---|
| 样本量 | 1,500 |
| 癌症发生率 | 37.13% |
| 平均年龄 | 50.32（SD 17.64） |
| 平均 BMI | 27.51（SD 7.23） |
| 吸烟率 | 27% |
| 遗传风险（均值） | 0.51（SD 0.68，三级分类 0/1/2） |
| 癌症病史比例 | 14% |
差距原因分析
- 模型选择差异： 原论文的 CatBoost（98.75%）未被 AI 测试。CatBoost 在处理类别特征和梯度提升方面有独特优势，这可能是原论文最高准确率的关键
- 数据集版本差异： AI 使用的 Kaggle V2 版本有 1,500 条记录（vs 原论文 1,200 条），更多数据可能改变模型的过拟合/泛化平衡
- 超参数优化： 原论文可能进行了更精细的超参数调优，而 AI 使用默认参数
- 特征缩放方法： 原论文明确使用了特征缩放作为预处理步骤，具体方法（StandardScaler vs MinMaxScaler）可能影响 SVM 等距离敏感模型的表现
AI做到了什么
- 4 分钟完成从数据探索到 SHAP 分析的全流程
- 6 种模型的分层交叉验证和测试集评估
- 7 张专业可视化图表（含 ROC 曲线、混淆矩阵、SHAP 摘要图）
- SHAP 分析揭示了 Pearson 相关系数无法捕捉的非线性特征效应（年龄的阶梯式风险）
- 完整可复现的 Python 代码和结构化结果文件
- 成本仅 ¥0.73
AI没做到什么
- 未测试 3 种模型： CatBoost（原论文最优）、LightGBM、k-NN 未被纳入，无法复现原论文的最高性能
- 准确率有 2-7pp 差距： 所有共同模型上 AI 均低于原论文，Decision Tree 差距最大（-6.66pp）
- 未做超参数优化： AI 使用默认参数，原论文可能进行了针对性调优
- 特征工程未对齐： 未明确复现原论文的预处理流水线
- 缺少模型解释的临床语境： 未结合癌症流行病学知识讨论特征重要性的临床意义
结论
AI 在 4 分钟内成功验证了原论文的核心结论：集成学习模型（Random Forest、Gradient Boosting、XGBoost）在癌症风险预测上显著优于传统算法，遗传风险和吸烟状态是可靠的预测因子。SHAP 分析作为补充手段，揭示了年龄的非线性效应——这是原论文仅用线性相关分析时未能充分体现的。
主要差距在于模型覆盖不完整（缺少 CatBoost 等 3 种模型）和准确率的 2-7pp 落差。这提示 AI 自动化适合快速建立研究基线和初步验证，但达到发表水平的精细优化仍需研究者介入。