复现目标
原论文：Sharma, A., Khade, T., & Satapathy, S.M. (2025). A cross dataset meta-model for hepatitis C detection using multi-dimensional pre-clustering. Scientific Reports, 15, 7183.
- DOI: 10.1038/s41598-025-91298-0
- 机构：印度韦洛尔理工学院（VIT）计算机科学与工程学院
- 通讯作者：Shashank Mouli Satapathy
数据集：UCI HCV Data（615 samples, 13 features），原论文还额外使用了 NHANES 数据集（254 samples）构建 869 例混合数据集。
复现范围：
| 覆盖 | 未覆盖 |
|---|---|
| 5种基础模型（RF, XGBoost, LGBM, KNN, SVC） | K-Means + K-Modes 多维预聚类 |
| Stacking 元模型（相同架构） | NHANES 数据集（无公开可下载版本） |
| SHAP 特征重要性分析 | K-Modes 聚类特征生成 |
| SMOTE 过采样 | 消融实验（Table 8, 9） |
| 10 折分层交叉验证 | — |
方法差异：原论文核心创新是将连续特征通过 K-Means 分桶为类别特征，再通过 K-Modes 聚类生成新特征（kmodes_predicted），作为额外输入喂入分类模型。AI 复现未包含此步骤，使用标准 SMOTE 代替。
执行记录
| 指标 | 数值 |
|---|---|
| 耗时 | 8 分钟 |
| 积分消耗 | 80.51 积分（¥0.81） |
| 产出文件数 | 23 |
| 可视化图表 | 9 张 |
| 代码文件 | 6 个 |
| 模型数量 | 6 种（5 基础 + 1 Stacking） |
| 交叉验证 | 10 折分层 |
复现结果对比
特征重要性排序（SHAP Top 5）
| 排名 | 原论文（Observations 章节） | AI 复现（SHAP beeswarm） | 方向 | 一致性 |
|---|---|---|---|---|
| 1 | AST（天冬氨酸转氨酶） | AST | ↑ HCV+ | ✅ |
| 2 | GGT（γ-谷氨酰转肽酶） | GGT | ↑ HCV+ | ✅ |
| 3 | BIL（胆红素） | BIL | ↑ HCV+ | ✅ |
| 4 | CHOL（胆固醇） | CHOL | ↓ HCV+（反向） | ✅ |
| 5 | ALB（白蛋白） | ALB | ↓ HCV+（反向） | ✅ |
5/5 完全一致，包括方向性。AST、GGT、BIL 升高指向 HCV 阳性，CHOL、ALB 降低指向 HCV 阳性——与临床已知的肝功能受损指标完全吻合。
模型性能对比
| 模型 | 原论文 Accuracy | 来源 | AI Accuracy | AI AUC-ROC | 对比 |
|---|---|---|---|---|---|
| Random Forest | 94.25% | Table 7（含预聚类） | 95.93% | 0.9912 | AI +1.68% |
| XGBoost | 93.10% | Table 7 | 95.93% | 0.9820 | AI +2.83% |
| LightGBM | 93.10% | Table 7 | 95.93% | 0.9885 | AI +2.83% |
| SVC | 90.80% | Table 7 | 95.12% | 0.9851 | AI +4.32% |
| KNN | 90.80% | Table 7 | 92.68% | 0.9509 | AI +1.88% |
| Stacking 元模型 | 94.83% | Table 7 | 95.12% | 0.9879 | AI +0.29% |
注：原论文 Table 7 数据是含预聚类步骤的结果（即论文最佳配置）。无预聚类的 baseline 见 Table 6（如 RF baseline = 93.68%）。AI 在所有模型上均高于原论文，但这不代表方法更优——原论文使用 869 例混合数据集（更大但可能更复杂），AI 使用 615 例 UCI 单数据集。
描述性统计
| 类别 | 样本数 | 占比 |
|---|---|---|
| Blood Donor（健康对照） | 372 | 60.5% |
| Hepatitis | 85 | 13.8% |
| Suspect Blood Donor | 55 | 8.9% |
| Fibrosis | 53 | 8.6% |
| Cirrhosis | 50 | 8.1% |
二分类后：HCV 阴性 427 例（69.4%），HCV 阳性 188 例（30.6%），类别比约 2.3:1。SMOTE 后训练集平衡为 342:342。
差距原因分析
- 数据集规模与复杂度：原论文混合 UCI + NHANES（869例，跨数据源），AI 仅用 UCI（615例）。跨数据源引入的噪声可能解释原论文性能略低。
- 预聚类特征工程：原论文消融实验（Table 8）显示预聚类仅带来 +0.57% 提升（93.67% → 94.25%），说明预聚类不是性能差距的主因。
- 超参数空间：两者都用 GridSearchCV，但搜索空间可能不同。
AI 做到了什么
- 8 分钟内完成从数据预处理到 SHAP 分析的完整 pipeline
- 6 种模型的训练、调参和评估（含 10 折交叉验证）
- SHAP Top 5 特征排序与原论文完全一致
- 所有模型准确率达到或超过原论文水平
- 9 张发表级可视化图表
- 可复现的完整代码
AI 没做到什么
- 未实现多维预聚类：原论文核心创新是 K-Means 分桶 → K-Modes 聚类 → 生成 kmodes_predicted 特征。这种「无监督→有监督」的两阶段方法需要研究者设计，AI 未自主尝试
- 未融合 NHANES 数据集：原论文构建跨数据源混合数据集需要对齐不同来源的特征定义
- 未做消融实验：原论文 Table 8-9 系统评估了各组件贡献，AI 未自主设计消融方案
- 未做多类别分类：原论文讨论了 HCV 分期预测（Hepatitis/Fibrosis/Cirrhosis 细分），AI 仅做二分类
结论
AI 在 8 分钟内成功复现了原论文的核心分析流程，SHAP 特征重要性排序 Top 5 完全一致，各模型准确率达到或超过原论文水平。但原论文的方法论贡献——多维预聚类框架和跨数据源融合策略——需要研究者的专业设计和创新能力，这部分无法被 AI 自动替代。
积分消耗：80.51 积分（¥0.81），耗时 8 分钟。