固定训练与验证的预测研究¶

这项功能适用于已有液体活检特征表、明确标签和经过审查的固定训练/验证划分。它补充既有 assay 表格流程，不会自动推断临床标签或替用户建立有效的临床验证设计。

输入与操作¶

将 JSON 配置及四份表格放在同一来源目录。配置示例：

{
  "version": 1,
  "assay": "small-rna",
  "value_kind": "processed_features",
  "train_features": "train.csv",
  "validation_features": "validation.csv",
  "train_metadata": "train_metadata.csv",
  "validation_metadata": "validation_metadata.csv",
  "independent_patients_confirmed": false,
  "split_description": "A fixed internal holdout; patient identity requires source review.",
  "preprocessing_provenance": "Published processed array intensities; upstream normalization was not reproduced.",
  "limitations": ["Internal holdout only; batch balance and patient independence require review."],
  "models": ["logistic", "rbf_svm", "random_forest"],
  "max_features": 200,
  "specificity_target": 0.95,
  "seed": 42
}

CSV、TSV、Parquet 均支持；特征表每行一个样本，训练与验证列定义一致；元数据包含样本编号、0/1 标签和患者编号。两组均需包含两个类别，训练每类至少五个观测。跨组患者或样本重叠、未匹配记录及重复患者测量会被拒绝，不能用虚构患者编号绕过检查。

Web 和 CLI 使用同一套工具：

添加目录，让智能体先检查预测配置、分组和测量类型，暂不拟合。
审阅后明确要求运行，训练内选择模型与阈值，并生成 ROC、PR、校准图和报告。
要求重新读取已保存摘要，核对选定模型、实际特异度与训练目标的区别。
对同一队列的不同特征集，要求基于已完成研究进行配对比较，不重拟合父模型。

预测研究目前通过对话工具执行，不会单独生成 Plan 面板中的预测步骤按钮。同一目录内原有的显式 assay 配置仍可生成计划并使用 Run next step。原始计数需完整、非负且为整数，beta 值需在 0–1。其他数值输入的缺失值在训练流水线内处理。患者身份未证实时必须保留限制；“未证实”不等于已独立。

预测拟合与比较共用每轮六个科学任务的上限，在本地执行并于阶段间检查取消。 Stop 可能需要等待正在进行的 scikit-learn 拟合返回，与 run_analysis 的隔离工作进程终止机制不同。

结果与限制¶

输出含输入指纹、冻结训练选择、模型、验证概率、各模型指标、AUROC 区间、 ROC/PR/校准图和本地报告，遵循原有任务归属与垃圾箱规则。再次读取预测摘要会检查概率文件哈希，并明确训练选定模型，不把多个模型的指标取平均代替其结果。 ROC、PR 与校准图随产物编号提供类型，报告以本地绑定的图注为准，避免模型把不同图形的含义标反。

预处理与特征选择在训练折内拟合，阈值来自选定参数下的训练 OOF 概率；它不是完全嵌套的独立模型选择评估。训练特异度目标不保证在验证集达到。上游发表数据已经引入的归一化泄漏，也不能靠本软件消除。

配对比较要求相同训练元数据和匹配的验证样本、标签、患者组；当前训练元数据按文件内容逐字节核对，重排后的等价文件也可能不通过。差值明确为 A−B，区间为探索性且未作多重比较校正。跨零不能证明优越，也不能证明等效。内部 AUROC 很高甚至为 1，都不代表临床筛查已验证。