HaHafeng
f01981bf78
核心功能： - 新增AICodeService（550行）：AI代码生成核心服务 - 新增AIController（257行）：4个API端点 - 新增dc_tool_c_ai_history表：存储对话历史 - 实现自我修正机制：最多3次智能重试 - 集成LLMFactory：复用通用能力层 - 10个Few-shot示例：覆盖Level 1-4场景 技术优化： - 修复NaN序列化问题（Python端转None） - 修复数据传递问题（从Session获取真实数据） - 优化System Prompt（明确环境信息） - 调整Few-shot示例（移除import语句） 测试结果： - 通过率：9/11（81.8%） 达到MVP标准 - 成功场景：缺失值处理、编码、分箱、BMI、筛选、填补、统计、分类 - 待优化：数值清洗、智能去重（已记录技术债务TD-C-006） API端点： - POST /api/v1/dc/tool-c/ai/generate（生成代码） - POST /api/v1/dc/tool-c/ai/execute（执行代码） - POST /api/v1/dc/tool-c/ai/process（生成并执行，一步到位） - GET /api/v1/dc/tool-c/ai/history/:sessionId（对话历史） 文档更新： - 新增Day 3开发完成总结（770行） - 新增复杂场景优化技术债务（TD-C-006） - 更新工具C当前状态文档 - 更新技术债务清单 影响范围： - backend/src/modules/dc/tool-c/*（新增2个文件，更新1个文件） - backend/scripts/create-tool-c-ai-history-table.mjs（新增） - backend/prisma/schema.prisma（新增DcToolCAiHistory模型） - extraction_service/services/dc_executor.py（NaN序列化修复） - docs/03-业务模块/DC-数据清洗整理/*（5份文档更新） Breaking Changes: 无 总代码行数：+950行 Refs: #Tool-C-Day3
114 lines
6.4 KiB
Markdown
114 lines
6.4 KiB
Markdown
# **工具 C：AI 辅助医疗数据清洗场景分级清单**
|
||
|
||
这份清单按**技术实现难度**和**业务逻辑复杂度**从简单到复杂排列。所有场景均假设数据已加载为 Pandas DataFrame (df)。
|
||
|
||
## **Level 1: 基础卫生清理 (Data Hygiene)**
|
||
|
||
*目标：把“脏”数据变成“能读”的数据。Excel 也能做，但 Python 更快更准。*
|
||
|
||
### **1.1 变量名标准化 (Rename)**
|
||
|
||
* **场景：** 原始表头是中文或含特殊符号（年龄(岁), 性别/Gender, 入院\_日期），SPSS 报错。
|
||
* **用户指令：** “把所有列名转为纯英文小写，去掉括号。”
|
||
* **Python 逻辑：** 使用映射字典或正则替换列名。
|
||
|
||
### **1.2 数值列“排毒” (Clean Numeric)**
|
||
|
||
* **场景：** 检验科导出的数据，数值列混入了符号（\>100, \<0.1, 12.5+, 未查）。
|
||
* **用户指令：** “把‘肌酐’列里的非数字符号去掉，‘\<0.1’按‘0.05’处理，转为浮点数。”
|
||
* **Python 逻辑：** str.replace \+ 正则提取 \+ pd.to\_numeric(errors='coerce')。
|
||
|
||
### **1.3 统一缺失值 (Standardize Nulls)**
|
||
|
||
* **场景：** 数据里混杂了各种代表“空”的词：NA, N/A, \-, \\, 不详。
|
||
* **用户指令：** “把所有代表‘没有’的字符都统一替换为标准的空值。”
|
||
* **Python 逻辑：** df.replace(\['-', '不详', 'NA'\], np.nan, inplace=True)。
|
||
|
||
## **Level 2: 变量标准化与重编码 (Recode & Standardization)**
|
||
|
||
*目标：为统计分析准备分类变量。*
|
||
|
||
### **2.1 文本转数值映射 (Map Categorical)**
|
||
|
||
* **场景：** 性别列是 Male/Female，吸烟史是 Yes/No。
|
||
* **用户指令：** “把性别转为 1(男)/0(女)，把吸烟史转为 1/0。”
|
||
* **Python 逻辑：** df\['sex'\].map({'Male': 1, 'Female': 0})。
|
||
|
||
### **2.2 连续变量分箱 (Binning)**
|
||
|
||
* **场景：** 需要按年龄分组进行卡方检验。
|
||
* **用户指令：** “把年龄按 0-18, 19-60, 60+ 分为‘未成年’, ‘成年’, ‘老年’三组。”
|
||
* **Python 逻辑：** pd.cut() 函数。
|
||
|
||
### **2.3 复杂日期计算 (Date Logic)**
|
||
|
||
* **场景：** 计算生存时间（OS）。Excel 经常算错闰年或月份。
|
||
* **用户指令：** “根据‘确诊日期’和‘随访日期’计算生存月数，保留1位小数。”
|
||
* **Python 逻辑：** (df\['end\_date'\] \- df\['start\_date'\]).dt.days / 30.4。
|
||
|
||
## **Level 3: 临床逻辑特征工程 (Feature Engineering)**
|
||
|
||
*目标：基于医学知识生成新的分析指标。*
|
||
|
||
### **3.1 复合公式计算 (Complex Formula)**
|
||
|
||
* **场景：** 计算 eGFR (肾小球滤过率) 或 BMI。
|
||
* **用户指令：** “帮我计算 BMI。如果 BMI \> 28，生成新列标记为‘肥胖’。”
|
||
* **Python 逻辑：** 向量化计算 df\['weight'\] / (df\['height'\]/100)\*\*2 \+ 条件赋值 np.where。
|
||
|
||
### **3.2 提取入排标准 (Cohort Selection)**
|
||
|
||
* **场景：** 筛选符合条件的入组人群。
|
||
* **用户指令：** “筛选出：确诊为肺腺癌，且年龄大于18岁，且没有高血压病史的病人。”
|
||
* **Python 逻辑：** df.query("diagnosis \== 'Lung Adenocarcinoma' & age \> 18 & hypertension \== 0")。
|
||
|
||
### **3.3 哑变量生成 (One-Hot Encoding)**
|
||
|
||
* **场景：** 准备做 Logistic 回归，有一个无序多分类变量“血型 (A, B, AB, O)”。
|
||
* **用户指令：** “把血型生成哑变量。”
|
||
* **Python 逻辑：** pd.get\_dummies(df\['blood\_type'\], prefix='blood')。
|
||
|
||
## **Level 4: 结构重塑与高级治理 (Reshaping & Governance)**
|
||
|
||
*目标：改变表格结构以适应特定的统计模型，或进行高阶数据修复。*
|
||
|
||
### **4.1 长宽表转换 (Pivot/Melt) —— Excel 的噩梦**
|
||
|
||
* **场景：** 目前是“一人多行”（张三-第1次化验，张三-第2次化验），要做重复测量分析，需要变成“一人一行”（张三-化验1-化验2）。
|
||
* **用户指令：** “把表格从长表转为宽表，按病人ID索引，用‘访视次序’做后缀，铺开‘白细胞’列。”
|
||
* **Python 逻辑：** df.pivot(index='id', columns='visit', values='wbc')。
|
||
|
||
### **4.2 智能去重 (Smart Deduplication)**
|
||
|
||
* **场景：** 同一个病人有两条记录，一条信息全，一条信息缺。
|
||
* **用户指令：** “按病人ID去重。如果有重复，保留‘检查日期’最近的那一条；如果日期一样，保留‘数据完整度’最高的那条。”
|
||
* **Python 逻辑：** df.sort\_values(\['date', 'completeness'\]).drop\_duplicates(subset=\['id'\], keep='last')。
|
||
|
||
### **4.3 跨列逻辑校验 (Cross-Check)**
|
||
|
||
* **场景：** 发现脏数据。
|
||
* **用户指令：** “检查一下有没有‘男性’但是‘怀孕次数\>0’的错误数据，标记出来。”
|
||
* **Python 逻辑：** df.loc\[(df\['sex'\]=='男') & (df\['preg\_count'\]\>0), 'error\_flag'\] \= 1。
|
||
|
||
### **4.4 多重插补 (Multiple Imputation) —— 统计学的高级填补**
|
||
|
||
* **场景：** 数据集有缺失值（如 BMI 缺失），单纯用均值填补会破坏数据分布。需要利用其他变量（如年龄、性别、肌酐）的相关性来预测填补。
|
||
* **用户指令：** “使用多重插补法(MICE)对‘BMI’和‘年龄’列的缺失值进行填补。”
|
||
|
||
* # **Python 逻辑： \`\`\`python** **from sklearn.experimental import enable\_iterative\_imputer** **from sklearn.impute import IterativeImputer** **仅针对数值列进行插补** **cols \= \['bmi', 'age', 'creatinine'\]** **imp \= IterativeImputer(max\_iter=10, random\_state=0)** **df\[cols\] \= imp.fit\_transform(df\[cols\])**
|
||
|
||
## **Level 5: 非结构化文本挖掘 (Text Mining) —— Python 的绝对统治区**
|
||
|
||
*目标：从备注或报告文本中“抠”出数据。这是 Excel 绝对做不到的。*
|
||
|
||
### **5.1 正则表达式提取 (Regex Extraction)**
|
||
|
||
* **场景：** 只有一列文本“病理诊断”，内容如：“(左肺上叶)浸润性腺癌，大小3.5\*2cm”。需要提取肿瘤大小。
|
||
* **用户指令：** “从‘病理诊断’里提取出肿瘤的长径（最大的那个数字）。”
|
||
* **Python 逻辑：** df\['text'\].str.extract(r'(\\d+\\.?\\d\*)\\s\*\[\\\*xX\]\\s\*(\\d+\\.?\\d\*)') 并取最大值。
|
||
|
||
### **5.2 字符串模糊匹配 (Fuzzy Matching)**
|
||
|
||
* **场景：** 医院名称录入混乱：“协和医院”、“北京协和”、“协和”。需要统一。
|
||
* **用户指令：** “把‘医院名称’列里所有包含‘协和’的，都统一改为‘PUMCH’。”
|
||
* **Python 逻辑：** df.loc\[df\['hospital'\].str.contains('协和'), 'hospital'\] \= 'PUMCH'。 |