基于人工智能放射组学的超声图像乳腺疾病分类方法研究与应用产品系统Vibe Coding

乳腺癌是女性最常见的恶性肿瘤之一，早期诊断对提高生存率至关重要。超声检查因其无辐射、便捷成为首选筛查手段，但传统诊断高度依赖医生经验，存在主观性强、误诊率高的问题。本项目旨在利用人工智能放射组学技术，通过计算机视觉算法辅助医生进行乳腺超声图像的自动化分析。该系统应用于医疗影像辅助诊断场景，能够自动提取图像特征并进行良恶性分类，有效降低漏诊率，提升基层医疗机构的诊断效率和准确性，具有显著的临床应用价值。

本系统采用前后端分离架构，主要包含前台用户交互端和后台管理分析端两大核心模块。
1. 智能诊断功能： 支持用户上传乳腺超声图片，系统自动进行预处理（重采样、归一化），调用训练好的随机森林模型进行推理，实时输出良恶性预测结果及置信度概率。
2. 可视化分析看板： 集成ECharts图表库，直观展示模型性能指标（如混淆矩阵、ROC曲线、AUC值）以及放射组学特征的重要性排序，帮助医生理解模型决策依据。
3. 数据与模型管理： 后台支持对历史病例数据的增删改查，提供模型版本管理功能，允许查看不同参数配置下的模型评估报告，实现了从数据输入到结果展示的全流程数字化管理。

负责任务： 本人独立完成了从数据清洗、特征工程、模型构建到Web系统开发的全流程工作。
技术实现： 后端基于Python Flask框架，利用PyRadiomics库提取形状及一阶统计特征，使用Scikit-learn构建随机森林分类器（准确率92%）；前端采用Vue.js + Element UI构建响应式界面。
难点与亮点： 解决了超声图像噪声大、样本不均衡的问题，通过Z-score归一化和形态学修复优化了数据质量；实现了放射组学特征的可视化解释，打破了AI“黑盒”壁垒，使辅助诊断结果更具可解释性。