MedSci Skills：让 Claude 替你完成医学研究从文献到发表的每一步

Skill超级捕获手 技术创作者 2026-08-19 12 阅读

医学研究全链路 AI 助手 MedSci Skills：让 Claude 替你完成从文献到发表的每一步

MedSci Skills 是目前市面上最专业的医学/生物医学研究 AI 技能包，覆盖「课题发现 → 文献检索 → 研究设计 → 统计分析 → 论文写作 → 投稿合规 → 审稿回复」完整流程，59 个技能全部来自真实发表物的实战验证，由韩国首尔 Asan Medical Center 放射科医学博士 Yoojin Nam 主导维护。与通用 AI 编程助手不同，它的护城河是合规检查层：49 种报告指南（如 CONSORT、STROBE、PRISMA）和偏倚风险工具深度集成，引用完整性核验和数字一致性检查被做成确定性关卡（deterministic integrity gates），直接嵌进工作流——AI 生成的内容会在这里被拦截并强制修正，而不是直接输出给审稿人。2026 年 8 月最新 v5.0 还新增了医学 AI 模型工程链路，支持构建可复现、防数据泄漏的 PyTorch 训练仓库，并集成 MONAI / nnU-Net / timm / torchvision 主流框架。

功能与原则

MedSci Skills 遵循 Agent Skills 开放标准（agentskills.io），本质是一组结构化的 SKILL.md 指令集，驱动 Claude Code / Codex / Cursor / GitHub Copilot 完成医学研究任务。核心设计原则：

  • 端到端覆盖：不做单一功能的工具，做研究全流程的 SOP 层
  • 合规优先：报告指南合规是所有输出必须通过的第一道关卡，不是可选项
  • 零配置接入：使用公共 API（PubMed、CrossRef、arXiv 等），无需申请密钥或搭建后端
  • 模型工程专用lane：新增 v5.0 模型工程链路，填补了「AI 辅助医学研究和 AI 辅助医学模型开发」之间的工具空白

认可度

  • GitHub Star：261（截至 2026-08-19），Fork 63
  • 当日最新 push：2026-08-19，仍在活跃维护
  • 9 个插件分类（文献 / 数据 / 建模 / 统计 / 写作 / 审稿 / 投稿 / 项目编排 / 合规），59 个技能全部可通过 npx medsci-skills install 一键装入主流 AI 编码工具
  • 已发布 Zenodo DOI（10.5281/zenodo.20155321）和配套 arXiv 论文（2606.09500）
  • Claude Code 官方 marketplace 收录

链接

GitHub 仓库：https://github.com/Aperivue/medsci-skills

原作者

Yoojin Nam, MD（南姆永进，医学博士）
– 所属：韩国首尔延世大学医学院 Asan Medical Center，放射科与医学影像研究所
– ORCID：0000-0001-8565-1360
– 定位：临床放射科医师 + 研究者，所有技能在真实投稿中测试验证，非概念验证

介绍

医学研究从想法到发表，中间过程极其碎片化：文献检索工具分散、报告规范繁杂、统计方法选择缺乏明确标准、引用核验全靠人工、审稿意见回复消耗大量时间。MedSci Skills 正是为解决这一痛点而生。

它将 59 个互相关联的技能组织成 9 大插件分类，每一类对应研究流程的一个阶段。例如「medsci-literature」插件包含文献检索（PubMed / OpenAlex / arXiv）、全文获取、Zotero 同步和引用完整性审计；「medsci-analysis」处理统计检验选择、样本量计算、meta 分析和批量数据分析；「medsci-writing」则在 IMRAD 结构写作的基础上，叠加 AI 风格清洗（去除 AI 生成文本特征）和 AI 检测工具规避。这些不是通用提示词，而是经过真实投稿验证的指令模板。

v5.0 新增的「medsci-modeling」插件是本次最大亮点。它帮助研究者完成三件事：① 根据论文描述选择合适的模型架构（影像分类、分割、NLP 等）；② 自动生成一个包含数据增强、训练/验证/测试划分、可复现性声明的 PyTorch 训练仓库脚手架；③ 在提交论文前做模型审计，检查训练数据泄漏、评估指标选择是否合理，最终输出符合 MINIMARK 要求的模型卡片（Model Card / Datasheet）。这直接填补了「AI 辅助临床研究和 AI 辅助临床 AI 模型开发」之间的工具空白。

特点

  • 59 个技能全部在真实出版物中测试验证，不是概念验证——作者本人就是使用者
  • 49 种报告指南内置，STROBE、CARE、SPIRIT、CONSORT 等主流清单开箱即用，AI 输出自动触发合规检查
  • 引用 / 参考文献完整性审计：自动核验 DOI、期刊名、年份、页码，发现不一致立即提示
  • 零密钥配置：PubMed、CrossRef、OpenAlex 等主流学术 API 无需密钥即可调用
  • 跨平台兼容：Claude Code、Codex、Cursor、GitHub Copilot 全部支持，一条命令安装
  • PyTorch 生态集成：支持 MONAI（医学影像）、nnU-Net（分割）、timm / torchvision（通用视觉），训练脚手架开箱即用

使用方法

快速安装（一行命令）：

npx medsci-skills install

推荐安装（含版本更新提示）：

npx medsci-skills install --enable-update-notify

Git 手动安装：

git clone https://github.com/Aperivue/medsci-skills.git
mkdir -p ~/.claude/skills
cp -r medsci-skills/skills/* ~/.claude/skills/

安装完成后重启 Claude Code，使用 /orchestrate 启动——它会自动分类用户输入并路由到最合适的技能。

单技能安装（通过 GitHub CLI）：

gh skill install Aperivue/medsci-skills check-reporting  # 仅安装报告合规技能
gh skill install --all Aperivue/medsci-skills           # 安装全部 59 个技能

插件方式（Claude Code 官方插件市场）：

/plugin marketplace add Aperivue/medsci-skills
/plugin  # 然后按分类启用所需插件

使用场景与人群

适用场景：
– 医学 / 生物医学 / 临床工程方向的研究者，从课题立项到论文投稿全流程
– 需要快速完成系统综述（Systematic Review）或 meta 分析的科研人员
– 开发医学 AI 模型（影像分类、分割、NLP）并需要可复现训练代码的研究团队
– 需要在投稿前自查报告合规性（STROBE、CARE、CONSORT 等指南）的博士生和住院医师

目标用户：
– 临床医生 + 研究者（尤其是放射科、心内科、肿瘤科等影像相关科室）
– 生物医学工程方向的研究生和博士后
– 医学 AI 模型开发者（需要从论文到代码的完整链路）

输入与输出案例

案例 1：系统综述文献筛选

输入：「帮我做一个关于 CT 影像诊断胰腺癌的 meta 分析，从 PubMed 检索相关文献，过滤掉非英文、非人类研究、样本量小于 50 的文章」

输出：
- 自动调用 PubMed API 检索，列出符合条件的文献列表（含 DOI、期刊、影响因子）
- 按 PRISMA 流程图格式输出文献筛选路径（初步检索 → 去重 → 标题摘要筛选 → 全文评估 → 最终纳入）
- 输出可填入 PRISMA checklist 的文献数量分布

案例 2：模型训练仓库脚手架生成

输入：「我有一篇关于用 U-Net 分割脑 MRI 肿瘤的二区论文，数据集是 BraTS 2023，能帮我搭建一个可复现的训练仓库吗？」

输出：
- 自动生成包含 data/、models/、train.py、evaluate.py 的 PyTorch 项目结构
- 数据划分脚本（训练/验证/测试 7:1.5:1.5）
- 配置 YAML，含 MONAI 或 nnU-Net 推荐参数
- 训练曲线和 DSC / HD95 评估指标自动记录
- 输出 Model Card 草稿，包含训练数据来源、数据集版本、硬件环境、预期用途声明

GitHub: https://github.com/Aperivue/medsci-skills

评论区

0 条评论

登录后可评论。

Skill超级捕获手 12 阅读