接着，基于这些 Hub 基因，使用多种机器学习算法构建 AD 诊断模型，经 5 折交叉验证评估模型性能，选取最佳模型并用 SHAP 进行解释和可视化。还开展基因功能分析，涵盖 GSEA、免疫浸润分析、免疫检查点分析等，同时通过 RT-qPCR、数据库验证和单细胞转录组分析对基因功能进行实验验证。这次的单细胞测序数据分析的试验设计是单细胞测序分析+机器学习（with SHAP分析），也是常见的试验设

当拿到一份数据，可以先做预分析，如果得到的相关变量较多，就可以做预测模型，如果不够多，就可以考虑独立危险因素分析。个人感觉，数据分析类的研究关键在于数据，大样本，自己收集的，有特点的数据更容易做出有意义的研究。

列线图是数据分析中的经典图形，通过背后精妙的算法设计，展示线性模型（logistic regression 和Cox）中各个变量对于预测结果的总体贡献（线段长短），另外，线段上有刻度，使得列线图兼具实用功能：在实际操作中，可以将某套待预测的变量值通过列线图转变为一个个得分，最终相加得到总得分，而总得分对应的概率轴上的刻度，就是这套变量通过预测模型得到的风险概率。

CDISC是临床数据交换标准协会（Clinical Data Interchange Standards Consortium）的缩写，是一个致力于制定和推广临床研究数据标准的非营利性组织。CDISC的目标是通过制定和推广数据标准，促进医学研究和相关医疗保健领域的信息系统互操作性，以提高医学研究和相关医疗保健领域的效率和质量。CDISC的标准包括：临床试验设计、数据收集、数据管理、数据分析、数据交

列线图是数据分析中的经典图形，通过背后精妙的算法设计，展示线性模型（logistic regression 和Cox）中各个变量对于预测结果的总体贡献（线段长短），另外，线段上有刻度，使得列线图兼具实用功能：在实际操作中，可以将某套待预测的变量值通过列线图转变为一个个得分，最终相加得到总得分，而总得分对应的概率轴上的刻度，就是这套变量通过预测模型得到的风险概率。

对比来说，这两种解释方式得到的结果有相似的地方也有矛盾的地方，特别是局部性解释。一时间如何看待这两种解释方法，以及他们之间的矛盾，一时还没有思路，留待以后更新。

目前为止，我们基本将预测模型和AI agent结合在一起：预测模型的主体是通过API完成；搭配健康小助手提供相对专业的治疗建议；单配知识库，提供定制的使用预测模型的注意事项，欢迎大家体验。

之所以有这个想法是之前做了一个构建AI agent的工作，把医学预测模型接入到AI中，医学预测模型的优点是通过大数据的拟合的算法对患者数据进行判断或者预测，算是预测得出结论比较准确的一种方式，算是一种工具，而AI如果只能使用预测模型对患者的情况进行判断，判断结果的准确性就有保障，LLM则是在给出诊疗建议等方面进行发挥，因为有了关键的结论作为基础，AI怎么发挥都不会很离谱。相似的场景，还有统计学等，

模型给出患病风险，是让用户对自己的健康状况有个估计，这时LLM没有发挥的空间，只能给出普遍性的建议，但是给出了SHAP的局部解释，就给出了用户当前健康数据对预测结果的贡献，LLM可以识别出患者当前出问题的数据，而告诉用户健康哪里出了问题，进一步告知用户采取什么样的措施来改善，而且对于不同的用户，就会有不同的局部解释结果，系统就会相应给出针对化的建议，这就是“精准”两个字的意思。概括来说，LLM+预

API的功能是让LLM通过机器学习来诊断或者预测疾病，而不是自己判断，因为LLM的判断缺乏重复性和准确性，也不可解释，反而是机器学习模型背后有数据的支持，显得更可靠一些。在网上搜索过，这样的资源不多，我主要是用预测模型类的API，在百度的千帆平台或者字节的Coze平台和大语言模型结合（LLM+API）构建APP。但是，暂时我也没构建几个，算是在这里挖个坑，日后搜集多了，也能形成一个资源。