医学AI代码库
面向医学研究者的 R 语言任务手册与代码工具书：从 t 检验等常用统计方法到 Logistic 回归与预测模型评价，按节核对数据、代码和结果。
面向医学硕博、年轻医生和临床研究者的 R 语言任务手册：每节先讲清统计方法的前提与结果解释，再给出配套的可复用代码模板，按节核对输入、运行与验证边界。
知识讲解
t检验
按孕期吸烟状态比较新生儿平均出生体重，运行独立最小示例，解释 Welch 检验的均值差、置信区间与 P 值。
卡方检验与确切概率检验
用两张真实列联表比较组内比例，根据期望频数选择 Pearson 卡方或 Fisher 确切概率检验。
线性回归
同时纳入母亲体重与孕期吸烟状态，解释连续结局的调整后平均差及置信区间。
Logistic回归
以低出生体重为结局拟合 Logistic 模型，理解调整后 OR、置信区间及真实观测的预测概率。
ROC曲线与AUC
用乳腺细胞学留出数据画 ROC 曲线，区分一个阈值的敏感度、假阳性率与整体 AUC。
从代码开始
代码页按“功能说明、核心R包、代码、注意事项”四部分组织，每个片段独立完成一个任务，页面代码与可下载的权威 .R 脚本保持一致。
代码碎片库
1.5.1 t检验
独立样本 t 检验模板：声明数据框、结局列与分组列，返回均值差、置信区间、t 值与 P 值。
代码碎片库
1.5.3 卡方检验与确切概率检验
独立的 2×2 表模板：配置分组和阳性类别，返回人数、期望频数、组内比例和所选检验。
代码碎片库
1.8.1 线性回归
连续结局回归模板：声明预测列和因子参考水平，返回系数、标准误、置信区间和 P 值。
代码碎片库
2.3.1 Logistic回归
二分类 Logistic 建模模板：指定结局、预测变量与参考水平，返回系数、OR 结果表与拟合概率。
代码碎片库
2.10.1 ROC曲线与AUC
区分度评价模板：从已固定的评价分数与真实结局计算 AUC、各阈值坐标和 ROC 图。
使用前核对
警告先确认研究问题和数据条件
知识页的 R 输出来自指定教学数据，代码碎片需要读者提供声明的输入。演示用于方法学习；应用前请核对观察单位、变量编码、目标人群与统计假设。Agent 负责生成与执行代码，研究者负责问题定义、方法选择和结果判断。