PythonAI算法
医疗 AI 场景下逻辑回归算法深度解析
逻辑回归是医疗 AI 中用于疾病风险预测和诊断辅助的核心分类算法。通过 Sigmoid 函数将线性输出映射为概率，结合极大似然估计优化参数。文章详解了从原理推导到正则化处理的完整流程，涵盖冠心病、糖尿病等风险评分模型及术后并发症预测场景。实战部分基于威斯康星乳腺癌数据集，演示了使用 Python 进行数据加载、标准化、模型训练及超参数优化的全过程，展示了高准确率与 AUC 指标的实现方法。
逻辑回归是医疗 AI 中用于疾病风险预测和诊断辅助的核心分类算法。通过 Sigmoid 函数将线性输出映射为概率，结合极大似然估计优化参数。文章详解了从原理推导到正则化处理的完整流程，涵盖冠心病、糖尿病等风险评分模型及术后并发症预测场景。实战部分基于威斯康星乳腺癌数据集，演示了使用 Python 进行数据加载、标准化、模型训练及超参数优化的全过程，展示了高准确率与 AUC 指标的实现方法。
逻辑回归（Logistic Regression）尽管名称中含有'回归'，但它实际上是一种广泛应用于分类任务的线性模型。在医疗领域，逻辑回归因其简单、高效、可解释性强，以及能够输出概率值的特点，成为疾病风险预测、诊断辅助、预后评估等任务的基石算法。本章将从算法原理出发，深入解析逻辑回归在医疗场景中的适用性，并通过实战案例展示从数据预处理、模型训练、结果解释到临床应用的完整流程。
逻辑回归的核心思想是：通过线性回归的输出来估计样本属于某个类别的概率。它使用一个非线性函数（Sigmoid 函数）将线性组合的实数输出映射到 0 到 1 之间的概率值，从而解决分类问题。
线性回归模型试图用特征的线性组合来预测一个连续值：
$$ z = \theta_0 + \theta_1 x_1 + \theta_2 x_2 + \dots + \theta_p x_p = \theta^T x $$
其中 $\theta$ 是模型参数（包括偏置项 $\theta_0$），$x$ 是特征向量。
对于二分类问题，我们希望输出一个概率值，即 $P(y=1|x)$，这个概率应该在 0 到 1 之间。线性回归的输出范围是 $(-\infty, +\infty)$，无法直接作为概率。因此，我们需要一个链接函数将线性输出映射到 (0,1) 区间。
逻辑回归采用的链接函数是 Sigmoid 函数（也称为 Logistic 函数）：
$$ \sigma(z) = \frac{1}{1 + e^{-z}} $$
Sigmoid 函数具有 S 形曲线，将任意实数映射到 (0,1) 之间，且当 $z=0$ 时输出为 0.5。
因此，逻辑回归模型表示为：
$$ P(y=1|x) = \sigma(\theta^T x) = \frac{1}{1 + e^{-\theta^T x}} $$
而 $P(y=0|x) = 1 - P(y=1|x)$。
逻辑回归的决策边界由 $\theta^T x = 0$ 决定，它是一个线性超平面。因此，逻辑回归本质上是一个线性分类器——它假设特征与对数几率（log-odds）呈线性关系。
当 $\theta^T x > 0$ 时，$P(y=1|x) > 0.5$，预测为正类；当 $\theta^T x < 0$ 时，预测为负类。决策边界可以调整，通过改变分类阈值（如从 0.5 降到 0.3），可以控制模型的灵敏度与特异度。
逻辑回归的参数 $\theta$ 通常通过极大似然估计（Maximum Likelihood Estimation, MLE）求解。似然函数表示在给定参数下观测到当前数据的概率。对于二分类问题，假设有 $m$ 个训练样本 $(x^{(i)}, y^{(i)})$，其中 $y^{(i)} \in {0,1}$，则似然函数为：
$$ L(\theta) = \prod_{i=1}^{m} P(y^{(i)}|x^{(i)};\theta) = \prod_{i=1}^{m} \left( \sigma(\theta^T x^{(i)}) \right)^{y^{(i)}} \left(1 - \sigma(\theta^T x^{(i)})\right)^{1-y^{(i)}} $$
为便于计算，通常取对数，得到对数似然函数：
$$ \ell(\theta) = \sum_{i=1}^{m} \left[ y^{(i)} \log(\sigma(\theta^T x^{(i)})) + (1-y^{(i)}) \log(1 - \sigma(\theta^T x^{(i)})) \right] $$
极大似然估计的目标是最大化 $\ell(\theta)$，等价于最小化交叉熵损失函数（或称为对数损失）：
$$ J(\theta) = -\frac{1}{m} \sum_{i=1}^{m} \left[ y^{(i)} \log(\hat{y}^{(i)}) + (1-y^{(i)}) \log(1-\hat{y}^{(i)}) \right] $$
其中 $\hat{y}^{(i)} = \sigma(\theta^T x^{(i)})$。
由于没有闭式解，通常使用迭代优化算法（如梯度下降法、牛顿法）求解参数。梯度下降的更新规则为：
$$ \theta := \theta - \alpha \nabla J(\theta) $$
其中 $\alpha$ 是学习率。交叉熵损失函数对 $\theta_j$ 的偏导为：
$$ \frac{\partial J}{\partial \theta_j} = \frac{1}{m} \sum_{i=1}^{m} (\hat{y}^{(i)} - y^{(i)}) x_j^{(i)} $$
这个形式与线性回归的梯度下降形式非常相似，只是 $\hat{y}^{(i)}$ 的计算不同。
为防止过拟合，逻辑回归常加入正则化项。常用的正则化有：
正则化强度由超参数 $\lambda$（或 $C = 1/\lambda$）控制。在医疗场景中，L1 正则化有助于识别关键风险因素。
逻辑回归可以通过'一对多'（One-vs-Rest, OvR）或'多项逻辑回归'（Softmax 回归）扩展至多分类问题。Softmax 回归是逻辑回归在多分类上的推广，输出每个类别的概率：
$$ P(y=k|x) = \frac{e^{\theta_k^T x}}{\sum_{j=1}^{K} e^{\theta_j^T x}}, \quad k=1,…,K $$
逻辑回归在医疗领域的应用极其广泛，其优势在于输出概率值、可解释性强、计算效率高。以下是典型的医疗应用场景：
逻辑回归最经典的应用是构建风险评分模型，评估个体患某种疾病的风险。例如：
在诊断阶段，逻辑回归可根据患者的症状、体征、检验结果，输出患有某种疾病的概率，辅助医生决策。例如：
逻辑回归可用于预测患者发生某种结局（如死亡、复发、并发症）的概率。例如：
需要注意的是，逻辑回归不直接处理生存时间（含删失），但可用于预测特定时间点的结局（如 1 年生存状态）。
在药物研发和临床用药中，逻辑回归可用于预测患者对特定药物的反应概率，或发生不良反应的风险。例如：
在医疗管理领域，逻辑回归可用于预测患者是否可能占用特定资源。例如：
在医疗质量评估中，逻辑回归常用于风险校正模型，根据患者特征（年龄、病情严重程度）预测预期结局（如死亡率），然后比较实际结局与预期结局，评估医院或医生的绩效。
逻辑回归的系数可直接解释为特征对结局的贡献。通过统计检验（如 Wald 检验）可识别显著的风险因素。L1 正则化逻辑回归可自动筛选重要特征。因此，在流行病学研究中，逻辑回归是探索疾病危险因素的常用工具。
本节将通过一个完整的实战案例，演示如何使用逻辑回归构建乳腺癌诊断模型。我们将使用威斯康星乳腺癌数据集（Wisconsin Breast Cancer Dataset），该数据集是乳腺癌诊断的经典数据集，包含肿瘤的细胞核特征和良性/恶性标签。
威斯康星乳腺癌数据集包含 569 个样本，每个样本有 30 个数值型特征（如半径、纹理、周长、面积、光滑度等），以及一个二分类标签：恶性（Malignant，M）或良性（Benign，B）。特征是从数字化乳腺肿块细针穿刺活检图像中计算得出的。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split, cross_val_score, GridSearchCV
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import classification_report, confusion_matrix, roc_auc_score, roc_curve
from sklearn.pipeline import Pipeline
# 加载数据
data = load_breast_cancer()
X = pd.DataFrame(data.data, columns=data.feature_names)
y = pd.Series(data.target) # 0=恶性，1=良性
print(X.shape)
print(X.head())
print(f"类别分布:\n{y.value_counts()}")
输出：
(569, 30)
mean radius mean texture mean perimeter mean area mean smoothness ...
0 17.99 10.38 122.80 1001.0 0.11840 ...
1 20.57 17.77 132.90 1326.0 0.08474 ...
2 19.69 21.25 130.00 1203.0 0.10960 ...
3 11.42 20.38 77.58 386.1 0.14250 ...
4 20.29 14.34 135.10 1297.0 0.10030 ...
类别分布:
1 357
0 212
数据集有 30 个特征，全部为数值型。类别分布：良性 357 例，恶性 212 例，存在轻微不平衡。
检查缺失值：该数据集无缺失值。
特征缩放：逻辑回归对特征尺度敏感，需要标准化。
# 划分训练集和测试集（分层抽样）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)
# 标准化
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)
使用默认参数训练逻辑回归模型。
lr = LogisticRegression(max_iter=1000, random_state=42)
lr.fit(X_train_scaled, y_train)
y_pred = lr.predict(X_test_scaled)
y_proba = lr.predict_proba(X_test_scaled)[:, 1]
# 正类（良性）的概率
print("分类报告：")
print(classification_report(y_test, y_pred))
print("混淆矩阵：")
print(confusion_matrix(y_test, y_pred))
print(f"AUC: {roc_auc_score(y_test, y_proba):.3f}")
输出示例：
分类报告：
precision recall f1-score support
0 0.98 0.95 0.96 42
1 0.97 0.99 0.98 72
accuracy 0.97 114
macro avg 0.97 0.97 0.97 114
weighted avg 0.97 0.97 0.97 114
混淆矩阵：
[[40 2]
[ 1 71]]
AUC: 0.997
基础模型表现已经相当不错，AUC 接近 0.997，准确率 97%。这反映了数据本身区分度较好。
逻辑回归的主要超参数包括正则化类型（penalty）和正则化强度（C）。C 是正则化强度的倒数，C 越小正则化越强。
我们使用网格搜索优化参数。
param_grid = {
'penalty': ['l1', 'l2'],
'C': [0.01, 0.1, 1, 10, 100]
}
grid_search = GridSearchCV(LogisticRegression(max_iter=1000), param_grid, cv=5)
grid_search.fit(X_train_scaled, y_train)
print(grid_search.best_params_)
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online