智能医疗系统毕业设计：从零搭建一个可扩展的入门级架构

---

智能医疗系统毕业设计：从零搭建一个可扩展的入门级架构

摘要：许多计算机专业学生在完成“智能医疗系统毕业设计”时，常因缺乏真实业务场景理解而陷入功能堆砌或技术选型混乱。本文面向新手，基于微服务与前后端分离架构，提供一套轻量、可部署、具备基础智能能力（如症状初筛）的系统方案。读者将掌握核心模块划分、RESTful API 设计、数据库建模及安全认证机制，快速构建符合学术与工程双重标准的毕业作品。

---

一、毕设常见痛点：为什么“智能医疗”总被导师打回？

1. 需求拍脑袋：
   一上来就“AI 诊断”“大数据预测”，结果连挂号流程都没跑通。评审老师一句“业务闭环在哪？”直接凉凉。

2. 技术栈攀比：
   把 Spring Cloud 全家桶、Kafka、Redis、MySQL、MongoDB、ES 全部怼上，本地 8G 内存笔记本开机即 100%，答辩现场演示卡成 PPT。

3. 数据合规盲区：
   把患者姓名、手机号明文存库，日志里还打印身份证：1101********1234。导师反问一句“知道《个人信息保护法》第几条吗？”瞬间社死。

4. 测试=“能跑就行”：
   功能点一遍没报错就当完成，并发 10 个请求数据库锁死，页面 504，评审直接“性能不达标”。

---

二、单体 or 微服务？毕设场景下的理性选择

维度	单体	微服务
开发周期	1 人 3 周可交付	需 CI/CD、网关、配置中心，至少 6 周
运维成本	IDEA 一键启动	多台容器，8G 内存起步
答辩演示	笔记本即服务器	现场网络波动，Nacos 掉线直接翻车
加分项	功能完备即可	架构演进亮点，老师眼前一亮

结论：
新手阶段先“伪微服务”——按领域拆成独立 Maven 模块（patient、doctor、consultation），本地打包三个 jar，端口 8081/8082/8083，既展示“拆分思想”，又避免真·分布式事务地狱。后续有余力再引入 Spring Cloud Alibaba 升级。

---

三、技术栈与模块划分

1. 后端：Spring Boot 2.7 + MyBatis-Plus + HikariCP + MySQL 8.0
2. 前端：Vue 3 + Vite + ElementPlus（axios 拦截器统一挂 JWT）
3. 安全：Spring Security + JWT + HTTPS（自签证书即可，答辩前把 Chrome 警告屏蔽掉）
4. 轻量规则引擎：Drools 7 行内 DSL，实现“症状→科室”初筛，无 GPU 也能跑
5. 压测：ApacheBench + H2 内存库，避免生产数据污染

模块一览：

medical-backend ├── patient-service // 患者中心 ├── doctor-service // 医生中心 ├── consultation-service// 问诊&初筛 ├── gateway-service // 统一网关（伪） └── common-starter // JWT、异常、日志脱敏

--- ## 四、核心代码走读：Clean Code 示范 ### 1. JWT 鉴权中间件（common-starter） ```java public class JwtFilter extends OncePerRequestFilter { private static final String HEADER = "Authorization"; private static final String PREFIX = "Bearer "; @Override protected void doFilterInternal(HttpServletRequest req, HttpServletResponse res, FilterChain chain) throws ServletException, IOException { String bearer = req.getHeader(HEADER); if (bearer == null || !bearer.startsWith(PREFIX)) { chain.doFilter(req, res); return; } String jwt = bearer.substring(PREFIX.length()); try { Claims claims = JwtUtil.parse(jwt); UsernamePasswordAuthenticationToken auth = new UsernamePasswordAuthenticationToken( claims.getSubject(), // username null, Collections.emptyList()); SecurityContextHolder.getContext().setAuthentication(auth); } catch (ExpiredJwtException e) { res.setStatus(HttpServletResponse.SC_UNAUTHORIZED); return; } chain.doFilter(req, res); } }

要点：

• 只负责“解析&放上下文”，业务逻辑零侵入
• 异常直接返回 401，前端 axios 拦截器统一弹窗“登录过期”

2. 症状匹配规则（consultation-service）

rule "咳嗽->呼吸内科" when $s: SymptomRequest(symptoms contains "咳嗽") then $s.setRecommendDept("呼吸内科"); end

Drools 文件放在src/main/resources/rules/symptom.drl，启动时一次性加载，毫秒级响应，零机器学习开销。

3. 患者敏感数据脱敏（MyMetaObjectHandler）

@Override public void insertFill(MetaObject metaObject) { Object phone = getFieldValByName("phone", metaObject); if (phone != null) { setFieldValByName("phone", DesensitizeUtil.mobile(phone.toString()), metaObject); } }

工具方法mobile保留前三后四，中间四位****，日志与数据库统一脱敏，评审老师问“隐私如何保护”直接甩代码。

---

五、本地部署与压测：让笔记本也能扛住 200 并发

1. 打包
   mvn -T 1C clean package -DskipTests

2. 启动顺序
   MySQL → patient-service(8081) → doctor-service(8082) → consultation(8083)

3. 初始化数据
   consultation-service/src/main/resources/sql/demo.sql含 1000 条模拟患者，用户名/密码已脱敏。

4. 压测脚本

   ab -n 2000 -c 200 -T 'application/json' \ -H 'Authorization: Bearer eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9...' \ -p consult.json \ http://localhost:8083/api/consult/sympt

   结果：

   • Requests per second: 183 [#/sec]
   • 99% 响应时间: 52 ms
     足够应付答辩现场 5 位老师同时点击。

---

六、生产环境避坑指南（伪·生产=答辩电脑 + 老师手机热点）

• 禁止硬编码：
  数据库密码、JWT 密钥统一进application-prod.yml，打包前mvn clean package -P prod，否则 jar 里一搜123456直接穿帮。

• 日志别打印明文：
  使用 Logback 的%replace把 11 位手机替换为1********11，示例：
  <pattern>%replace(%msg){'(\d{3})\d{4}(\d{4})', '$1****$2'}</pattern>

• HTTPS 自签证书：
  本地 hosts 把medical.demo指向 127.0.0.1，Chrome 导出证书到手机，演示时老师微信扫码也不会出现“不安全”大红条。

• 异常统一包装：
  业务码 200 表示成功，非 0 表示异常，前端只认码不认文本，避免把SQLGrammarException直接返到页面。

---

七、下一步：在 4G 内存笔记本上跑轻量 AI

规则引擎只能做“症状→科室”映射，想升级“疑似疾病 TOP3”又不舍得买 GPU？可尝试：

1. 文本向量化：
   用 腾讯词向量 100 维精简版（200 M 以内），症状文本做平均池化，余弦相似度匹配 ICD-10 疾病库。

2. 轻量模型：
   阿里开源的 MobileBERT 中文量化版（46 M）+ ONNXRuntime CPU 推理，单次预测 <200 ms，4G 内存占用 800 M 以内。

3. 数据增强：
   用 ChatGLM3-6B 本地 4bit 量化批量生成“同义不同表述”症状，解决训练样本不足，毕设也能写“基于大语言模型的数据增强”章节，瞬间拉高格调。

---

八、结语：先让系统跑起来，再谈“智能”

毕业设计不是 Kaggle 竞赛，评审最看重“业务闭环 + 工程规范 + 隐私合规”。先把患者注册、医生问诊、症状初筛跑通，再叠一层 JWT 脱敏 HTTPS，已经能打败 80% 的“纯 PPT 项目”。至于深度学习、知识图谱，那是读研以后的故事——别急，一步一步来。

如果你已经成功把本架构跑通，不妨试着把规则引擎换成轻量 BERT，记得在 README 里注明“CPU 推理，未收集任何真实患者数据”。愿你的毕设一次过，答辩时老师只问细节不问需求——加油，未来真正的生产系统等你去升级。

---