医疗众筹平台产生高维、多模态的数据流，对传统预测与解释方法构成挑战。本文提出医疗众筹框架（MCF）：以多层 stacking 架构结合重复 bagging 与专用融合网络，整合项目元数据、文本叙事与捐赠者互动信号；在预测精度之外，还给出计算高效的可解释性框架，把全局模型分析与局部实例级解释结合起来。基于真实众筹数据的大规模实验显示，MCF 在回归与分类任务上均达到当时最优表现，消融实验与不平衡敏感性研究验证了其稳健性。作者指出，该集成架构设计、多模态融合策略与可解释性设计可推广到医疗之外的决策分析场景。