复现目标
原论文：Chen Y, Chong L, Bao Z, Wang S, Wang Y, Feng Y. An interpretability heart disease prediction model based on stacking ensemble with SHAP. Frontiers in Molecular Biosciences. 2026;12. doi:10.3389/fmolb.2025.1763157. PMCID: PMC12963821.
作者机构：青岛大学附属医院（陈彦洁 - 腹部超声科、丛立强 - 泌尿外科、鲍正浩 - 腹部超声科、冯亚男 - 腹部超声科）、青岛理工大学信息与控制工程学院（王少强）、青岛理工大学理学院（王宇辰）。
数据集：Kaggle BRFSS 2020（Behavioral Risk Factor Surveillance System）。319,795条样本，17个特征变量 + 1个目标变量。类别分布严重不平衡：No=292,422（91.44%）, Yes=27,373（8.56%）。
复现范围：
- ✅ 覆盖：多模型分类对比（Naive Bayes、Decision Tree、Random Forest、Gradient Boosting、Extra Trees、Stacking Ensemble）、SHAP可解释性分析、特征重要性排序、特征交互分析
- ❌ 未覆盖：CatBoost模型（运行环境未安装该库，以Extra Trees替代）、贝叶斯超参数优化、网格搜索调参
方法差异：
- 过采样：原论文使用Borderline-SMOTE vs AI使用标准SMOTE
- 超参数优化：原论文对GB/CatBoost进行贝叶斯优化、对Decision Tree进行网格搜索 vs AI使用默认参数
- 交叉验证：均使用5折交叉验证
- 模型选择：原论文包含CatBoost vs AI以Extra Trees替代
执行记录
| 指标 | 数值 |
|---|---|
| 耗时 | 22分钟（17:12:30 → 17:34:28 UTC） |
| 积分消耗 | 231.39积分（¥2.31） |
| Python脚本 | 10个 |
| 分析图表 | 12张 |
| 数据文件 | 4个JSON |
| 训练模型 | 已保存 |
| 分析报告 | 1份 |
复现结果对比
特征重要性排序对比（SHAP分析）
| 排名 | 原论文 | AI复现 | AI SHAP值 | 一致性 |
|---|---|---|---|---|
| 1 | SleepTime | AgeCategory_70-74 | 16.72 | ⚠️ 不一致 |
| 2 | GenHealth | Asthma_Yes | 15.08 | ⚠️ 不一致 |
| 3 | AgeCategory | Smoking_Yes | 13.80 | ⚠️ 不一致 |
| 4 | Sex | DiffWalking_Yes | 13.31 | ⚠️ 不一致 |
| 5 | BMI | PhysicalActivity_No | 6.71 | ⚠️ 不一致 |
表面看差异较大，但需注意关键方法论差异：AI对分类变量进行了one-hot编码，因此原论文中的"AgeCategory"被拆分为AgeCategory_70-74、AgeCategory_80+、AgeCategory_75-79等多个独立特征。如果将同一原始变量的各编码值合并计算，AgeCategory（合计贡献 16.72 + 4.34 + 4.10 = 25.16）和GenHealth（GenHealth_Fair 4.07 + 其他等级）均出现在两份结果中。差异在于：原论文中SleepTime排名第一，而AI结果中吸烟（13.80）和哮喘（15.08）的贡献更为突出，这可能与SMOTE变体不同和超参数差异有关。
AI发现的特征交互效应：Age80+ × GenHealth_Poor（交互强度0.85）、Stroke × DiffWalking（0.72）、Diabetic × KidneyDisease（0.68），这些交互在原论文中未单独报告。
模型性能对比
| 模型 | 原论文Accuracy（Table 7） | AI Accuracy | 原论文AUC（Table 7） | AI AUC | 原论文F1（Table 7） | AI F1 |
|---|---|---|---|---|---|---|
| Naive Bayes | 0.74 | 0.6832 | 0.81 | 0.8066 | 0.73 | 0.3038 |
| Decision Tree | 0.88 | 0.7629 | 0.88 | 0.7937 | 0.88 | 0.3220 |
| CatBoost | 0.88 | — | 0.96 | — | 0.88 | — |
| Gradient Boosting | 0.84 | 0.8114 | 0.92 | 0.8290 | 0.84 | 0.3734 |
| Extra Trees | — | 0.8586 | — | 0.7630 | — | 0.2908 |
| Random Forest | — | 0.8656 | — | 0.7875 | — | 0.3082 |
| Stacking Ensemble | 0.8669 | 0.825 | 0.97 | 0.84 | 0.8691 | 0.39 |
| Hard Voting | 87% | — | — | — | — | — |
| Soft Voting | 88% | — | — | — | — | — |
关于指标差异的重要说明：AI复现结果的Precision和F1显著低于原论文，这并非模型质量问题，而是评估指标的统计口径不同。原论文报告的是加权（weighted）指标，受多数类（No, 91.44%）主导；AI复现报告的是少数类（心脏病=Yes, 仅8.56%）的指标。在91.44%的类别不平衡下，少数类的Precision天然较低——例如AI的Naive Bayes少数类Precision仅0.1871，但AUC（0.8066）与原论文（0.81）高度一致，说明模型的排序能力是可比的。
AUC作为不受类别分布影响的指标，更适合跨研究对比。AI的Stacking AUC（0.84）低于原论文（0.97），差距主要来自以下因素。
差距分析
- SMOTE变体差异：原论文使用Borderline-SMOTE（仅在决策边界生成合成样本），AI使用标准SMOTE（均匀过采样）。Borderline-SMOTE在不平衡比例高达1:10.7的场景下通常表现更优。
- 无超参数优化：原论文对Gradient Boosting和CatBoost进行了贝叶斯优化，对Decision Tree进行了网格搜索。AI使用默认参数，这对集成模型（尤其是Stacking的元学习器）影响显著。
- CatBoost缺失：原论文Stacking的基学习器包含CatBoost（AUC 0.96），AI以Extra Trees（AUC 0.7630）替代，基学习器质量下降直接影响Stacking性能。
- 加权 vs 少数类指标：Accuracy和F1的差异主要源于统计口径不同，AUC的差距（0.84 vs 0.97）才是真实的模型性能差距。
AI做到了什么
- 22分钟完成32万样本的数据预处理、6种模型训练与评估
- 生成12张分析图表，包括SHAP蜂群图、特征重要性bar plot、混淆矩阵
- 完成SHAP特征交互分析，发现3组显著交互效应
- 识别出AgeCategory和GenHealth作为关键风险因子，与原论文一致
- 完整的可重复分析代码（10个Python脚本）
- 2.31元完成全部分析
AI没做到什么
- 未训练CatBoost：原论文Stacking的核心基学习器，其AUC（0.96）远超AI替代的Extra Trees（0.7630），直接拉低了Stacking整体性能
- 未进行超参数优化：原论文的贝叶斯优化和网格搜索是性能提升的关键步骤，AI全部使用默认参数
- 未使用Borderline-SMOTE：在8.56%的极端不平衡场景下，过采样策略的选择对模型性能影响显著
- 评估指标口径不一致：AI报告少数类指标，原论文报告加权指标，导致Precision/F1/Accuracy的直接对比存在误导性
- 未复现投票集成：原论文报告了Hard Voting（87%）和Soft Voting（88%）的结果，AI未实现
- 未做SleepTime的深入分析：原论文SHAP排名第一的特征在AI结果中不突出，未进一步排查原因
结论
在AUC这一类别不平衡场景下最可靠的指标上，AI的Stacking（0.84）与原论文（0.97）存在0.13的差距。差距主要源于三个可量化因素：CatBoost缺失（原论文基学习器AUC 0.96 vs AI替代的Extra Trees 0.7630）、无超参数优化、标准SMOTE替代Borderline-SMOTE。特征重要性方面，AgeCategory和GenHealth在两份分析中均为核心风险因子，但one-hot编码导致排序不可直接对比。
22分钟、2.31元完成32万样本的基础验证。AI能够快速建立baseline并生成可解释性分析，但从baseline到原论文水平的性能提升（AUC 0.84 → 0.97）依赖于研究者在过采样策略、超参数调优和模型选择上的专业判断。