基于大语言模型的心脏病风险预测
把 UCI Cleveland 心脏病病历喂给大模型做风险判断：先把 13 项临床指标「文本序列化」成带医学知识的自然语言，再用 GPT-4o / Qwen-Max / DeepSeek-V3 × 三种 Prompt 策略做 3×3 对照，并与四个 ML 基线同台比较——一条完整的「大模型 vs 传统 ML」研究流水线。
数据与任务
| 样本量 | UCI Cleveland 心脏病 · 均衡抽样对照 |
|---|---|
| 核心方法 | 文本序列化 + 3×3 Prompt对照 + ML基线 |
| 技术栈 | GPT-4o · Qwen-Max · DeepSeek-V3 · scikit-learn |
如果你想找一个紧跟大模型热点、又能把"用 LLM 做预测"这件事讲明白的项目，这个「大模型心脏病风险预测」很合适。
它的题目自带话题度——直接拿大语言模型去读病历、判断冠心病风险，再和传统机器学习掰一掰手腕。配套也给你备齐了，帮你真正搞懂它、在面试和答辩里讲明白：带中文注释、能读懂的代码，一份从数据到 Prompt 设计再到对照分析的技术文档，里面连简历描述和会被追问的面试问题都连答案写好了，还有一整套能直接做 PPT 的配图。
先说清楚，它到底在做什么
任务本身是个经典的二分类——根据年龄、血压、胆固醇、心电图、ST 段等 13 项临床指标，判断一个人有没有冠心病。但这个项目的有趣之处在于换了把"新锤子"：不训练专门的模型，而是直接让大语言模型来做判断，再看它和传统机器学习比起来到底如何。
真正的难点是：大模型只会读文字，而病历是一堆数字和编码。所以项目的核心创新是"文本序列化"——把每一条结构化病历翻译成一段医生口吻的自然语言描述，并在翻译时嵌入临床知识（比如把"ST 段压低 2.3mm"翻译成"中度压低，提示心肌缺血，OR≈3.0"）。这样大模型拿到的不是冷冰冰的数字，而是带着医学常识的病情陈述。
搞懂它，你能在面试里讲清楚什么
把下面几件事吃透，面试官顺着大模型这条线问下来你都能接得住。
一条完整的大模型推理引擎是怎么搭起来的。 这是项目的工程地基。你要能讲清楚从"单条病历 → 文本序列化 → 拼装 System/User Prompt → 调 API（温度、重试、退避）→ 三层解析把回答抠成 JSON → 落成预测+置信度+推理依据"这整条链路——其中尤其是怎么稳健地从大模型的自由文本里解析出结构化结果（正则+代码块+兜底默认值的三层兜底），这是真正动手做 LLM 应用才会遇到的工程问题。
三种 Prompt 策略怎么设计、为什么逐级递进。 项目系统地对比了零样本、零样本+思维链（CoT）、少样本+思维链三种策略。你能借此讲清楚 Prompt 工程的门道：CoT 怎么用"六步临床推理"引导模型先分析再下结论、few-shot 怎么塞进正负参考病例让模型"照葫芦画瓢"，以及随策略复杂度上升、提示词从约 400 字涨到约 900 字背后的取舍。
大模型 vs 传统 ML，这场对照能得出什么有分量的结论。 这是整个项目最出彩、也最能体现判断力的地方。项目把 3 大模型×3 策略和 4 个调好参的 ML 基线放在同一套均衡测试集上同台比较。你能借此讲清楚一个成熟的数据科学判断：在这种结构化表格任务上，经典机器学习依然又稳又准；而大模型真正的价值不在刷准确率，而在它能给出一段有临床依据的推理——下面这张"诊断归因关键词"图就是证据：大模型在判断时反复援引 ST 段、心绞痛、胆固醇、血管钙化这些真正的高危因素，把"为什么这么判"说得清清楚楚。能讲清"什么任务该用大模型、什么任务经典 ML 更合适"，正是面试官想听的判断力。
下面这组对照实验图也都给你做好了，可以直接放进答辩或面试 PPT：
更关键的是，每张图怎么跑出来的、该怎么解读，技术文档里都讲清楚了——你能说明白每张图到底说明了什么，而不只是把图贴上去。
面试官会问的，都帮你备好了
随便感受几个这个项目真实会被追问的问题：
- 病历是结构化的数字，你是怎么把它喂给只懂文字的大模型的？
- 零样本、思维链、少样本三种 Prompt 有什么区别？few-shot 的示例你怎么选？
- 大模型输出是自由文本，你怎么稳定地解析成"有没有病"的结构化结果？
- 同一批数据，大模型和传统机器学习你觉得谁更合适？为什么？
看到会愣一下？正常。配套的项目讲解资料把这个项目——从整体思路到每个流程细节、各种可能被追问的点——连参考答案都给你写好了，连大模型和 ML 那组对照该怎么讲都帮你梳理好了。另外还有现成的简历描述，照着改就能写进简历；那套配图也能直接套进 PPT 模板，快速出一份面试 / 答辩 PPT。
配套资料：搞懂一个项目需要的，这里全都有
先看那份技术文档——从数据探索、文本序列化、Prompt 策略设计，一直讲到大模型与 ML 的对照分析，图文并茂：
代码也给你了——关键部分都带着中文注释，帮你读懂"它到底是怎么实现的"：左边是把临床指标翻译成自然语言的文本序列化，右边是三种 Prompt 策略的 System Prompt 构建：
技术文档、项目讲解资料、源码注释、整套配图——搞懂一个项目、并在面试里讲清楚它，需要的全都备齐了。
适合谁
不管你是赶毕设、想给简历添个紧跟大模型潮流的项目，还是在准备面试，这个题目都接得住。专业上，计算机、人工智能、数据科学、医学信息、生物医学工程方向都很合适——尤其是想往大模型应用、AI+医疗方向走的同学。把"怎么把结构化数据喂给大模型、怎么设计 Prompt、怎么把大模型和传统 ML 放在一起客观对照"这条完整链路真正搞懂、能讲出来，就是一个既追热点、又有方法论分量、撑得起面试的项目。
想把这样的项目做成你简历上的亮点？
这是一套配齐了代码、文档、面试问答和配图的 AI+X 项目，可写进简历、在面试里讲清楚。 想做同类项目、或获取「基于大语言模型的心脏病风险预测」的完整资料（代码 / 数据处理流程 / 论文文档 / 配图）， 请联系为你介绍本页面的老师咨询，按你的情况定一个合适的项目。