作为一名即将毕业的医学信息工程专业学生，我深知毕业设计选题的纠结与迷茫。很多同学的项目要么停留在简单的“增删改查”Demo，要么技术栈东拼西凑，缺乏工程规范和真实应用场景，答辩时自然显得单薄。今天，我想分享一个我近期实践的、基于Python的毕业设计项目，它聚焦于构建一个兼具数据服务和可视化能力的医疗信息系统后端，希望能给大家带来一些启发。

1. 项目背景与痛点分析

在开始技术细节前，我们先明确一下为什么要做这样一个项目。医学信息工程的毕业设计，核心在于“信息”与“工程”的结合。然而，现实中常常遇到几个痛点：

• Demo化严重：很多项目只是一个简单的CRUD（创建、读取、更新、删除）界面，没有考虑API设计、错误处理、安全认证等工程化要素。
• 缺乏真实数据与场景：使用虚构的、结构简单的数据，无法体现处理真实医疗数据（如时序数据、影像关联数据）的复杂性。
• 技术栈杂乱无章：为了赶进度，前端、后端、数据库各种技术混用，缺乏统一规范和设计模式，代码难以维护和扩展。
• 忽视安全与隐私：医疗数据敏感性极高，但很多设计忽略了数据脱敏、访问控制、传输加密等基本安全要求。

因此，我的项目目标很明确：构建一个高性能、安全、可扩展的医疗数据服务后端，它不仅能规范地管理患者信息，还能提供直观的数据可视化，并且整个架构符合基本的软件工程规范。

2. 技术选型：为什么是FastAPI？

面对Flask、Django等成熟的Python Web框架，我最终选择了FastAPI。这不是盲目追新，而是基于毕业设计的需求做的权衡：

• 极致性能与异步支持：FastAPI基于Starlette（ASGI服务器），原生支持async/await。这意味着在处理I/O密集型操作（如数据库查询、调用外部API）时，可以显著提高并发能力，这对于未来可能接入大量设备数据的医疗场景很有优势。
• 强大的类型校验与自动文档：通过Pydantic模型定义请求和响应数据结构，FastAPI能提供自动的数据验证和序列化。更棒的是，它能根据这些类型提示自动生成交互式OpenAPI（Swagger）文档。这对于毕业设计答辩简直是神器，评委老师可以直接在浏览器里测试你的API，无需你额外准备接口说明文档。
• 学习曲线与开发效率：相比Django的“大而全”，FastAPI更轻量、更现代；相比Flask需要大量插件组合，FastAPI开箱即用的特性（如依赖注入、后台任务）更能保证项目结构的整洁。对于时间有限的毕业设计来说，它能让我们更专注于业务逻辑，而非框架配置。

简而言之，FastAPI在开发效率、运行性能、文档完备性三者间取得了很好的平衡，非常适合用来构建一个高质量的毕业设计原型。

3. 核心实现：从数据到图表

整个项目围绕几个核心模块展开：数据模型、API接口、权限控制和可视化服务。

3.1 数据模型与数据库层

我使用SQLAlchemy作为ORM，SQLite用于开发（便于移植），并计划了向PostgreSQL的迁移。首先定义核心的患者模型。

from sqlalchemy import Column, Integer, String, Float, DateTime, Boolean
from sqlalchemy.ext.declarative import declarative_base
from datetime import datetime

Base = declarative_base()

class Patient(Base):
    """患者数据模型"""
    __tablename__ = 'patients'

    id = Column(Integer, primary_key=True, index=True)
    # 敏感信息，存储时需加密或脱敏处理
    patient_id = Column(String(50), unique=True, index=True, nullable=False) # 病历号
    name = Column(String(100), nullable=False)
    # 实际项目中，身份证号等应加密存储，此处为演示
    id_card_hash = Column(String(128), comment='身份证号哈希值，用于去重验证')
    gender = Column(String(10))
    age = Column(Integer)
    phone = Column(String(20))
    # 医疗数据
    admission_date = Column(DateTime, default=datetime.utcnow)
    diagnosis = Column(String(500))
    blood_pressure_systolic = Column(Float, comment='收缩压 (mmHg)')
    blood_pressure_diastolic = Column(Float, comment='舒张压 (mmHg)')
    heart_rate = Column(Float, comment='心率 (bpm)')
    temperature = Column(Float, comment='体温 (°C)')
    # 审计字段
    is_active = Column(Boolean, default=True)
    created_at = Column(DateTime, default=datetime.utcnow)
    updated_at = Column(DateTime, default=datetime.utcnow, onupdate=datetime.utcnow)

    def to_dict(self, exclude_sensitive=True):
        """将模型实例转为字典，可控制是否排除敏感字段"""
        data = {c.name: getattr(self, c.name) for c in self.__table__.columns}
        if exclude_sensitive:
            data.pop('id_card_hash', None)
            # 可脱敏处理手机号等
            if data.get('phone'):
                data['phone'] = data['phone'][:3] + '****' + data['phone'][-4:]
        return data

3.2 使用Pydantic定义API契约

这是FastAPI的精华所在。我们为创建、更新、查询分别定义数据模式。

from pydantic import BaseModel, Field, validator
from typing import Optional
from datetime import datetime

class PatientCreate(BaseModel):
    """创建患者请求体模型"""
    patient_id: str = Field(..., min_length=3, max_length=50, description="病历号")
    name: str = Field(..., min_length=1, max_length=100, description="患者姓名")
    id_card: str = Field(..., regex=r'^\d{17}[\dXx]$', description="身份证号")
    gender: str = Field(..., regex='^(男|女|其他)$', description="性别")
    age: int = Field(..., ge=0, le=150, description="年龄")
    phone: str = Field(..., regex=r'^1[3-9]\d{9}$', description="手机号")
    diagnosis: Optional[str] = Field(None, max_length=500, description="诊断信息")
    blood_pressure_systolic: Optional[float] = Field(None, ge=50, le=250, description="收缩压")
    blood_pressure_diastolic: Optional[float] = Field(None, ge=30, le=150, description="舒张压")
    heart_rate: Optional[float] = Field(None, ge=30, le=200, description="心率")
    temperature: Optional[float] = Field(None, ge=35.0, le=42.0, description="体温")

    @validator('blood_pressure_systolic', 'blood_pressure_diastolic')
    def validate_bp(cls, v, values, **kwargs):
        """验证血压值逻辑，例如舒张压应小于收缩压"""
        field_name = kwargs['field'].name
        if field_name == 'blood_pressure_diastolic' and 'blood_pressure_systolic' in values:
            if v and values['blood_pressure_systolic'] and v >= values['blood_pressure_systolic']:
                raise ValueError('舒张压必须小于收缩压')
        return v

class PatientResponse(PatientCreate):
    """返回给前端的患者响应模型，继承创建模型并添加额外字段"""
    id: int
    admission_date: Optional[datetime]
    is_active: bool
    created_at: datetime
    updated_at: datetime

    class Config:
        orm_mode = True # 允许从ORM对象转换

3.3 构建CRUD接口与JWT认证

接下来是核心的API路由。我们使用FastAPI的依赖注入系统来管理数据库会话和用户认证。

from fastapi import FastAPI, Depends, HTTPException, status, Security
from fastapi.security import HTTPBearer, HTTPAuthorizationCredentials
from sqlalchemy.orm import Session
from typing import List
import jwt
from datetime import datetime, timedelta

# 初始化FastAPI应用
app = FastAPI(
    title="医疗数据服务API",
    description="一个用于管理患者信息与生成可视化图表的RESTful服务",
    version="1.0.0"
)

security = HTTPBearer()

# 依赖项：获取数据库会话
def get_db():
    db = SessionLocal()
    try:
        yield db
    finally:
        db.close()

# 依赖项：验证JWT Token并获取当前用户
def get_current_user(credentials: HTTPAuthorizationCredentials = Security(security), db: Session = Depends(get_db)):
    token = credentials.credentials
    try:
        payload = jwt.decode(token, SECRET_KEY, algorithms=[ALGORITHM])
        username: str = payload.get("sub")
        if username is None:
            raise HTTPException(status_code=401, detail="无效的认证凭证")
    except jwt.PyJWTError:
        raise HTTPException(status_code=401, detail="认证失败")
    # 这里可以查询数据库，验证用户是否存在且拥有相应角色
    # 为简化，假设token有效即通过
    return {"username": username, "role": payload.get("role", "user")}

@app.post("/patients/", response_model=PatientResponse, status_code=status.HTTP_201_CREATED)
async def create_patient(
    patient: PatientCreate,
    db: Session = Depends(get_db),
    current_user: dict = Depends(get_current_user)
):
    """创建新患者记录（需要认证）"""
    # 检查权限，例如只有医生或管理员可以创建
    if current_user["role"] not in ["doctor", "admin"]:
        raise HTTPException(status_code=403, detail="权限不足")
    # 检查病历号是否重复
    db_patient = db.query(Patient).filter(Patient.patient_id == patient.patient_id).first()
    if db_patient:
        raise HTTPException(status_code=400, detail="病历号已存在")
    # 对身份证号进行哈希处理（示例，实际应用应加盐）
    import hashlib
    id_card_hash = hashlib.sha256(patient.id_card.encode()).hexdigest()
    # 将Pydantic模型转换为字典，并替换id_card字段
    patient_data = patient.dict(exclude={'id_card'})
    patient_data['id_card_hash'] = id_card_hash
    # 创建数据库对象
    db_patient = Patient(**patient_data)
    db.add(db_patient)
    db.commit()
    db.refresh(db_patient)
    return db_patient

@app.get("/patients/", response_model=List[PatientResponse])
async def read_patients(
    skip: int = 0,
    limit: int = 100,
    name: Optional[str] = None,
    db: Session = Depends(get_db),
    current_user: dict = Depends(get_current_user)
):
    """分页查询患者列表，可按姓名过滤"""
    query = db.query(Patient).filter(Patient.is_active == True)
    if name:
        # 使用参数化查询防止SQL注入，SQLAlchemy已天然支持
        query = query.filter(Patient.name.contains(name))
    patients = query.offset(skip).limit(limit).all()
    return patients

3.4 集成Plotly生成可视化图表

数据可视化是医疗信息系统的亮点。我们在后端使用Plotly生成图表，以JSON格式返回给前端渲染。

import plotly.graph_objects as go
import plotly.io as pio
from fastapi.responses import JSONResponse

@app.get("/patients/{patient_id}/vitals-chart")
async def get_patient_vitals_chart(
    patient_id: int,
    db: Session = Depends(get_db),
    current_user: dict = Depends(get_current_user)
):
    """获取指定患者的生命体征趋势图（模拟数据）"""
    patient = db.query(Patient).filter(Patient.id == patient_id, Patient.is_active == True).first()
    if not patient:
        raise HTTPException(status_code=404, detail="患者未找到")

    # 模拟一段时间内的生命体征数据（实际应从时间序列数据库或相关表中查询）
    dates = ['2024-01-01', '2024-01-02', '2024-01-03', '2024-01-04', '2024-01-05']
    systolic = [120, 118, 122, 119, 121]  # 收缩压
    diastolic = [80, 78, 82, 79, 81]     # 舒张压
    heart_rates = [72, 75, 70, 74, 73]   # 心率

    # 创建图表
    fig = go.Figure()
    fig.add_trace(go.Scatter(x=dates, y=systolic, mode='lines+markers', name='收缩压', line=dict(color='firebrick', width=2)))
    fig.add_trace(go.Scatter(x=dates, y=diastolic, mode='lines+markers', name='舒张压', line=dict(color='royalblue', width=2)))
    fig.add_trace(go.Scatter(x=dates, y=heart_rates, mode='lines+markers', name='心率', yaxis='y2', line=dict(color='green', width=2)))

    # 更新图表布局
    fig.update_layout(
        title=f'患者 {patient.name} 生命体征趋势图',
        xaxis_title='日期',
        yaxis_title='血压 (mmHg)',
        yaxis2=dict(title='心率 (bpm)', overlaying='y', side='right'),
        hovermode='x unified',
        template='plotly_white'
    )

    # 将图表转换为JSON并返回
    chart_json = pio.to_json(fig)
    return JSONResponse(content=chart_json)

4. 性能与安全考量

一个合格的毕业设计不能只实现功能，还必须考虑性能和安全性。

• 数据库连接池：在生产环境中，务必配置数据库连接池（如使用asyncpg驱动配合databases库，或在同步模式下配置SQLAlchemy的连接池参数），避免频繁创建和销毁连接带来的开销。
• 防止SQL注入：坚持使用ORM（如SQLAlchemy）或参数化查询，绝对不要使用字符串拼接来构造SQL语句。上面的代码中，filter(Patient.name.contains(name))由SQLAlchemy处理，是安全的。
• 敏感信息脱敏：如前所示，在to_dict方法或专门的响应模型中，对手机号、身份证号等字段进行脱敏处理。存储时，对极高敏感信息（如身份证号）应进行不可逆哈希或加密存储。
• JWT安全实践：设置合理的Token过期时间；使用强密钥（SECRET_KEY）；考虑将Token存入Redis黑名单以实现登出功能。
• 输入验证与边界检查：充分利用Pydantic的Field和validator，对输入数据的类型、范围、格式进行严格校验，这是防止无效或恶意数据的第一道防线。

5. 生产环境避坑指南

如果想让你的毕业设计更上一层楼，可以从“可运行的原型”向“可部署的服务”迈进一小步，这会是答辩中的巨大加分项。

1. 数据库迁移（SQLite -> PostgreSQL）：

   • 时机：当数据关系复杂、需要并发写或数据量增大时，应考虑迁移。
   • 方法：使用Alembic进行数据库迁移管理。首先在alembic.ini和env.py中修改数据库连接字符串为PostgreSQL（如postgresql://user:pass@localhost/dbname）。
   • 注意：SQLite与PostgreSQL的数据类型（如布尔值、日期时间、字符串长度限制）和某些SQL语法有差异，迁移后需仔细测试。可以使用sqlalchemy.dialects.postgresql中的特定类型来确保兼容性。

2. HTTPS部署：

   • 必要性：医疗数据传输必须加密。在公网演示或部署时，务必使用HTTPS。
   • 实现：最简单的方案是使用反向代理。在服务器上用Nginx或Caddy配置SSL证书（可以从Let‘s Encrypt免费获取），代理到后端FastAPI服务（通常运行在127.0.0.1:8000）。这样，Nginx处理HTTPS，FastAPI专注业务逻辑。

3. 医疗数据匿名化处理建议：

   • 去标识化：在用于开发、测试或分析的数据集中，移除或替换所有能直接标识个人身份的信息（如姓名、身份证号、详细住址、电话号码全号）。
   • 假名化：用不可逆的假名（如UUID）替代直接标识符，并确保映射表的安全。
   • 泛化与扰动：对年龄、日期等数据进行泛化（如将出生日期转为年龄段）或加入随机扰动，防止通过数据关联重新识别个人。
   • 合规性：了解并参考《个人信息保护法》以及医疗行业相关数据安全标准，在毕业设计报告中体现你对数据隐私的考量。

6. 总结与展望

通过这个项目，我们实践了如何使用FastAPI快速构建一个类型安全、文档齐全的RESTful API，如何用Pydantic进行严格的数据校验，如何集成JWT实现API安全访问，以及如何在后端动态生成丰富的可视化图表。整个代码结构清晰，遵循了单一职责等Clean Code原则，并充分考虑了医疗数据的特殊性和安全性要求。

这个系统已经是一个功能完整的毕业设计原型。但医学信息工程的领域远不止于此。一个值得深入思考的扩展方向是：如何将本系统扩展为支持HL7/FHIR标准的轻量级医疗中间件？

HL7和FHIR是医疗信息交换的国际标准。你可以尝试：

• 在FastAPI中新增一个/fhir/路径下的路由组。
• 定义符合FHIR资源标准（如Patient、Observation）的Pydantic模型。
• 编写转换器，将你数据库中的Patient模型数据转换为FHIR标准的JSON格式。
• 实现FHIR的搜索（Search）和读取（Read）等核心交互操作。

这样一来，你的系统就不仅能服务于自定义的前端，还能作为标准化的数据接口，与其它符合FHIR标准的医疗系统（如电子病历系统、健康APP）进行互联互通，其意义和深度将大大提升。

希望这篇笔记能为你2025年的毕业设计提供一个扎实的起点和清晰的思路。从解决一个具体的工程问题出发，逐步深入，你的项目一定会脱颖而出。