Загрузка видео...

Не удалось загрузить видео

На главную

在医院拍完胸部 X 光后，经常还需要排队等待拿结果给医生查看分析，折腾下来基本都要一个多小时。 最近在 GitHub 上看到的 MedRAX 这款开源的医学影像分析智能体，正在试图改变我们这种传统方式。 它集成了多个专业的胸部 X 光分析工具，基于 LangChain 和 LangGraph 框架构建，使用 GPT-4o 作为核心大模型。 整合了视觉问答、图像分割、病灶定位、报告生成、疾病分类等 7 大类专业工具，无需额外训练即可智能调用这些工具完成复杂的医学影像分析任务。 GitHub： 主要特性： - 视觉问答：使用 CheXagent 和 LLaVA-Med 进行复杂的医学影像理解和推理； - 精准分割：采用 MedSAM 和 PSPNet 模型识别解剖结构； - 病灶定位：通过 Maira-2 模型在影像中精确定位病变位置； - 报告生成：基于 SwinV2 Transformer 自动生成详细的医学诊断报告； - 疾病分类：利用 DenseNet-121 检测 18 种病理类别；...

GitHub_Daily's profile picture

GitHubDaily

81,923 subscribers

192,322 просмотров • 8 месяцев назад •via X (Twitter)

Наука и технологии
LIVE

Anya Rossi• Live Now

Private livecam show

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

Meta昨晚开源了款通用图像识别模型：DINOv3，核心能力在于无需人工标注，可以自己学习图像特征 DINOv3通过自监督学习框架实现，无需人工标注 在基准测试上，性能与SigLIP 2、Perception Encoder等持平甚至超越 它可以生成高质量高分辨率的密集图像特征表示，能捕捉图像的全局信息以及局部细节 可以处理图像分类、目标检测、语义分割、图像检索、深度估计等等视觉任务 除了普通照片，还可以处理卫星图像、医学图像等等 可以用于环境监测中的图像分析、自动驾驶中的物体识别、医疗保健中的医学图像分析、安防监控中的人员识别等等 #DINOv3 #图像识别模型
1:25

Meta昨晚开源了款通用图像识别模型：DINOv3，核心能力在于无需人工标注，可以自己学习图像特征 DINOv3通过自监督学习框架实现，无需人工标注 在基准测试上，性能与SigLIP 2、Perception Encoder等持平甚至超越 它可以生成高质量高分辨率的密集图像特征表示，能捕捉图像的全局信息以及局部细节 可以处理图像分类、目标检测、语义分割、图像检索、深度估计等等视觉任务 除了普通照片，还可以处理卫星图像、医学图像等等 可以用于环境监测中的图像分析、自动驾驶中的物体识别、医疗保健中的医学图像分析、安防监控中的人员识别等等 #DINOv3 #图像识别模型

AIGCLINK

11,415 просмотров • 11 месяцев назад

微软开发了一个 MAI-DxO 的AI医生 可以像真正医生提问、开检查、分析结果，最终判断病因 它模拟多个医生一起工作会诊，逐步推理并准确诊断复杂的病例。 在疑难病准确率上高达85%，而专业医生平均只有 20%。 有什么厉害之处？ 更准：它比医生更容易诊断出复杂疑难病，成功率高达85%。 更省钱：它不会随便给你做一大堆没用的检查，它会自己算成本，更省钱也更有效率。 更像医生：不是一次就答，而是“想一想 → 问问题 → 逐步分析”。 联合会诊：它其实是很多AI（像GPT、Claude这些）组合起来工作，像是几个医生一起讨论，非常全面。
2:56

微软开发了一个 MAI-DxO 的AI医生 可以像真正医生提问、开检查、分析结果，最终判断病因 它模拟多个医生一起工作会诊，逐步推理并准确诊断复杂的病例。 在疑难病准确率上高达85%，而专业医生平均只有 20%。 有什么厉害之处？ 更准：它比医生更容易诊断出复杂疑难病，成功率高达85%。 更省钱：它不会随便给你做一大堆没用的检查，它会自己算成本，更省钱也更有效率。 更像医生：不是一次就答，而是“想一想 → 问问题 → 逐步分析”。 联合会诊：它其实是很多AI（像GPT、Claude这些）组合起来工作，像是几个医生一起讨论，非常全面。

小互

46,682 просмотров • 1 год назад

答应大家的AI歌手教程来了，手把手教你训练你自己的AI歌手，主要分为使用模型和训练模型两部分，这里是第一部分如何使用模型生成音乐的部分，主要介绍了音源的处理，模型的使用和后期音轨的合成。 看在藏师傅生病肝教程的份上希望各位多多支持，下面是具体步骤🧶
0:43

答应大家的AI歌手教程来了，手把手教你训练你自己的AI歌手，主要分为使用模型和训练模型两部分，这里是第一部分如何使用模型生成音乐的部分，主要介绍了音源的处理，模型的使用和后期音轨的合成。 看在藏师傅生病肝教程的份上希望各位多多支持，下面是具体步骤🧶

歸藏(guizang.ai)

394,168 просмотров • 3 лет назад

在使用 Claude Code 或 CodeX 这些 AI 编程工具，生成的代码虽然能跑，但代码质量如何、有没有冗余或潜在 bug，对于初学者来说确实挺难把握。 这时候，可以使用 pyscn 这款代码质量分析工具，全方位地检测 AI 编写的 Python 代码状况。 检测速度达到惊人的 10 万行/秒，不仅能检测到冗余死代码和重复代码片段，还能分析模块耦合度和复杂度。 GitHub： 主要特性： - 基于控制流图的死代码检测，找出永远不会执行的代码段； - 使用 APTED + LSH 算法识别代码克隆，发现重构机会； - 耦合度分析，追踪模块间依赖关系和架构质量； - 圈复杂度分析，识别需要拆分的复杂函数； - 支持 HTML 和 JSON 报告输出，便于团队协作； - CI/CD 集成友好，可设置质量门禁自动检查。 项目完全开源免费，通过 pipx 或 uv 安装即可使用，有需要的开发者可以看一下。
0:21

在使用 Claude Code 或 CodeX 这些 AI 编程工具，生成的代码虽然能跑，但代码质量如何、有没有冗余或潜在 bug，对于初学者来说确实挺难把握。 这时候，可以使用 pyscn 这款代码质量分析工具，全方位地检测 AI 编写的 Python 代码状况。 检测速度达到惊人的 10 万行/秒，不仅能检测到冗余死代码和重复代码片段，还能分析模块耦合度和复杂度。 GitHub： 主要特性： - 基于控制流图的死代码检测，找出永远不会执行的代码段； - 使用 APTED + LSH 算法识别代码克隆，发现重构机会； - 耦合度分析，追踪模块间依赖关系和架构质量； - 圈复杂度分析，识别需要拆分的复杂函数； - 支持 HTML 和 JSON 报告输出，便于团队协作； - CI/CD 集成友好，可设置质量门禁自动检查。 项目完全开源免费，通过 pipx 或 uv 安装即可使用，有需要的开发者可以看一下。

GitHubDaily

41,084 просмотров • 9 месяцев назад

我靠，Understand Anything 这个开源项目有点东西。 它把 LLM 和静态分析结合起来，自动扫描整个代码库，提取文件、函数、类和依赖关系，最终生成一个可交互的代码知识图谱。 可以直接： 1、浏览代码结构和依赖关系 2、查看业务逻辑如何映射到代码 3、语义搜索“哪些模块处理身份验证” 4、自动生成架构学习路径 5、分析一次改动可能影响哪些模块 6、按架构层级对代码自动分组 7、Claude Code, Codex, Cursor, Copilot 等多种支持 它的分析方式也很合理： Tree-sitter 负责提取 import、函数、类等确定性结构；LLM 负责生成摘要、架构归类和业务领域映射。 内部还拆成了多个专业 Agent，分别负责项目扫描、文件分析、架构识别、业务建模、学习路径生成和图谱校验。 最终生成的知识图谱可以保存成 JSON、提交到仓库，并支持增量更新，不需要每次重新分析整个项目。 对 AI Coding 来说，这类工具的价值很可观：把复杂代码库转换成 Agent 可查询、可复用、可持续更新的结构化上下文。 相比每次让 Agent 从头读代码，这更像是在给代码库建立一层长期记忆。
1:33

我靠，Understand Anything 这个开源项目有点东西。 它把 LLM 和静态分析结合起来，自动扫描整个代码库，提取文件、函数、类和依赖关系，最终生成一个可交互的代码知识图谱。 可以直接： 1、浏览代码结构和依赖关系 2、查看业务逻辑如何映射到代码 3、语义搜索“哪些模块处理身份验证” 4、自动生成架构学习路径 5、分析一次改动可能影响哪些模块 6、按架构层级对代码自动分组 7、Claude Code, Codex, Cursor, Copilot 等多种支持 它的分析方式也很合理： Tree-sitter 负责提取 import、函数、类等确定性结构；LLM 负责生成摘要、架构归类和业务领域映射。 内部还拆成了多个专业 Agent，分别负责项目扫描、文件分析、架构识别、业务建模、学习路径生成和图谱校验。 最终生成的知识图谱可以保存成 JSON、提交到仓库，并支持增量更新，不需要每次重新分析整个项目。 对 AI Coding 来说，这类工具的价值很可观：把复杂代码库转换成 Agent 可查询、可复用、可持续更新的结构化上下文。 相比每次让 Agent 从头读代码，这更像是在给代码库建立一层长期记忆。

Vince 聊开发

11,528 просмотров • 1 месяц назад

参加数学建模竞赛，熬夜分析问题、写代码、做实验、写论文，3 天比赛下来身心俱疲。 有位开发者正有如此经历，便开源了一个专为数学建模设计的 AI Agent：MathModelAgent。 自动化完成整个数学建模流程：从问题分析、建立模型、编写代码到撰写论文，最终生成一份可以获奖级别的建模论文。 GitHub： 主要功能： - 自动分析问题并建立数学模型，无需手动梳理复杂逻辑 - 集成代码执行环境，支持本地 Jupyter 和云端代码执行 - 多智能体协作：建模手、代码手、论文手分工合作 - 支持主流 AI 模型，每个智能体可配置最适合的模型 - 自动生成格式规范的完整论文，包含正确的文献引用 - 轻量化架构设计，成本低且部署简单 提供 Docker、本地部署和自动脚本三种安装方式，有需要的同学可以看一下。
1:08

参加数学建模竞赛，熬夜分析问题、写代码、做实验、写论文，3 天比赛下来身心俱疲。 有位开发者正有如此经历，便开源了一个专为数学建模设计的 AI Agent：MathModelAgent。 自动化完成整个数学建模流程：从问题分析、建立模型、编写代码到撰写论文，最终生成一份可以获奖级别的建模论文。 GitHub： 主要功能： - 自动分析问题并建立数学模型，无需手动梳理复杂逻辑 - 集成代码执行环境，支持本地 Jupyter 和云端代码执行 - 多智能体协作：建模手、代码手、论文手分工合作 - 支持主流 AI 模型，每个智能体可配置最适合的模型 - 自动生成格式规范的完整论文，包含正确的文献引用 - 轻量化架构设计，成本低且部署简单 提供 Docker、本地部署和自动脚本三种安装方式，有需要的同学可以看一下。

GitHubDaily

37,444 просмотров • 10 месяцев назад

以前想要制作数学和物理教学这类交互动画，需要用到 Manim 这些专业工具，还得搞清楚 LaTeX 公式渲染和相机运动等。 现在用 Math-To-Manim 这个开源 AI 工具，只需要一句话简单描述就能自动生成完整的交互动画。 从分析概念逐步构建到目标主题，自动生成包含详细 LaTeX 公式和镜头设计，全流程自动化完成。 GitHub： 同时输出动画代码和完整的 LaTeX 学习笔记文档，并提供了 55+ 个涵盖物理、数学、计算机科学等领域的示例动画。 通过克隆代码到本地，安装相关依赖，并配置好模型 API Key，即可在可视化操作界面输入描述生成动画。
0:20

以前想要制作数学和物理教学这类交互动画，需要用到 Manim 这些专业工具，还得搞清楚 LaTeX 公式渲染和相机运动等。 现在用 Math-To-Manim 这个开源 AI 工具，只需要一句话简单描述就能自动生成完整的交互动画。 从分析概念逐步构建到目标主题，自动生成包含详细 LaTeX 公式和镜头设计，全流程自动化完成。 GitHub： 同时输出动画代码和完整的 LaTeX 学习笔记文档，并提供了 55+ 个涵盖物理、数学、计算机科学等领域的示例动画。 通过克隆代码到本地，安装相关依赖，并配置好模型 API Key，即可在可视化操作界面输入描述生成动画。

GitHubDaily

39,865 просмотров • 9 месяцев назад

酷，一款智能地图分析工具：chat2geo，可以用聊天的方式分析卫星图像和地理数据 提供自然语言描述需求，Chat2Geo就能理解并转换为专业的地理分析任务，调用Google地球引擎获取卫星数据进行处理分析 支持处理卫星图像、分析地理数据以及各种专业分析 比如，分析城市问题，查看城市热度分布，检测空气污染情况，观察城市发展变化；做土地分析，可以了解土地使用以及土地变化情况等 支持上传自己的矢量数据，将其与GEE的卫星图像数据结合起来进行分析 #地理数据分析工具 #AI城市地址分析 #chat2geo #AI环境分析工具
2:11

酷，一款智能地图分析工具：chat2geo，可以用聊天的方式分析卫星图像和地理数据 提供自然语言描述需求，Chat2Geo就能理解并转换为专业的地理分析任务，调用Google地球引擎获取卫星数据进行处理分析 支持处理卫星图像、分析地理数据以及各种专业分析 比如，分析城市问题，查看城市热度分布，检测空气污染情况，观察城市发展变化；做土地分析，可以了解土地使用以及土地变化情况等 支持上传自己的矢量数据，将其与GEE的卫星图像数据结合起来进行分析 #地理数据分析工具 #AI城市地址分析 #chat2geo #AI环境分析工具

AIGCLINK

18,027 просмотров • 1 год назад

在日常工作中，需要调试网络问题或监控系统流量，工具要么界面复杂难用，要么功能单一无法满足，要么需要付费。 无独有偶，在 GitHub 上发现了 Oryx 这个功能强大的开源工具，可在终端上直观的监控和分析网络。 通过 eBPF 在内核层面捕获网络数据包，提供实时流量可视化、统计分析和防火墙功能。 GitHub： 主要功能： - 实时网络流量检测和可视化展示 - 全面的流量统计和分析报告 - 内置防火墙功能，可直接管理网络规则 - 指标浏览器，深度分析网络性能数据 - 模糊搜索功能，快速定位特定数据包 - 支持数据导出，便于后续分析处理 需要 Linux 6.10+ 内核版本，通过包管理器安装或从源码编译使用，适合运维人员和网络工程师。
0:39

在日常工作中，需要调试网络问题或监控系统流量，工具要么界面复杂难用，要么功能单一无法满足，要么需要付费。 无独有偶，在 GitHub 上发现了 Oryx 这个功能强大的开源工具，可在终端上直观的监控和分析网络。 通过 eBPF 在内核层面捕获网络数据包，提供实时流量可视化、统计分析和防火墙功能。 GitHub： 主要功能： - 实时网络流量检测和可视化展示 - 全面的流量统计和分析报告 - 内置防火墙功能，可直接管理网络规则 - 指标浏览器，深度分析网络性能数据 - 模糊搜索功能，快速定位特定数据包 - 支持数据导出，便于后续分析处理 需要 Linux 6.10+ 内核版本，通过包管理器安装或从源码编译使用，适合运维人员和网络工程师。

GitHubDaily

15,348 просмотров • 10 месяцев назад

工作中经常查询数据库获取相关数据，每次都要写 SQL 语句挺烦的，如果涉及多表关联查询更麻烦。 可以试下，OpenChatBI 这个开源的智能 BI 工具，用自然语言就能查询和分析数据，告别手写 SQL 的烦恼。 基于 LangGraph 和 LangChain 构建，通过自然语言描述，理解后自动转换为 SQL 语句，还能执行查询、生成可视化图表。 GitHub： 除此之外，还支持通过 MCP 配置接入外部工具扩展功能，以及对知识库整合可以回答复杂问题。 提供了直观的 Web UI 界面，通过 pip 或 uv 安装后配置 LLM 和数据库连接即可使用。
0:35

工作中经常查询数据库获取相关数据，每次都要写 SQL 语句挺烦的，如果涉及多表关联查询更麻烦。 可以试下，OpenChatBI 这个开源的智能 BI 工具，用自然语言就能查询和分析数据，告别手写 SQL 的烦恼。 基于 LangGraph 和 LangChain 构建，通过自然语言描述，理解后自动转换为 SQL 语句，还能执行查询、生成可视化图表。 GitHub： 除此之外，还支持通过 MCP 配置接入外部工具扩展功能，以及对知识库整合可以回答复杂问题。 提供了直观的 Web UI 界面，通过 pip 或 uv 安装后配置 LLM 和数据库连接即可使用。

GitHubDaily

22,045 просмотров • 8 месяцев назад

一名美国医生把一张明显骨折的 X 光片丢给 Claude，只问了一句：评估这张 X 光片。 结果最危险的地方，不是 AI 看错了。 而是它一本正经地回答：没有明显骨折。 很多人会替它辩护。 说 Claude 不是专门读 X 光的模型。 说它没受过医疗训练。 说用户用错了工具。 这些话都可能成立。 但问题恰恰在这里。 如果一个模型没有能力评估 X 光，它最应该输出的，不是一个看起来像医学判断的答案。 它应该拒答。 它应该说：你正在用错误的模型评估医学影像，我不能给出结论，请找专业医生。 医疗场景里，最危险的 AI 不是“不知道”。 最危险的是“不知道自己不知道”。 人类医生看不准，可以会诊，可以复查，可以承认不确定。 AI 一旦用流畅语言把错误包装成确定答案，普通人很容易把它当成结论。 这就是医疗 AI 真正的安全门槛。 不是会不会说医学术语。 不是回答听起来像不像医生。 而是在自己不该回答的时候，能不能闭嘴。 未来 AI 进医院，拒答能力和诊断能力一样重要。 一个不会刹车的系统，跑得越快，越危险。
0:53

一名美国医生把一张明显骨折的 X 光片丢给 Claude，只问了一句：评估这张 X 光片。 结果最危险的地方，不是 AI 看错了。 而是它一本正经地回答：没有明显骨折。 很多人会替它辩护。 说 Claude 不是专门读 X 光的模型。 说它没受过医疗训练。 说用户用错了工具。 这些话都可能成立。 但问题恰恰在这里。 如果一个模型没有能力评估 X 光，它最应该输出的，不是一个看起来像医学判断的答案。 它应该拒答。 它应该说：你正在用错误的模型评估医学影像，我不能给出结论，请找专业医生。 医疗场景里，最危险的 AI 不是“不知道”。 最危险的是“不知道自己不知道”。 人类医生看不准，可以会诊，可以复查，可以承认不确定。 AI 一旦用流畅语言把错误包装成确定答案，普通人很容易把它当成结论。 这就是医疗 AI 真正的安全门槛。 不是会不会说医学术语。 不是回答听起来像不像医生。 而是在自己不该回答的时候，能不能闭嘴。 未来 AI 进医院，拒答能力和诊断能力一样重要。 一个不会刹车的系统，跑得越快，越危险。

墓碑科技

42,507 просмотров • 15 дней назад

“因为AI，我觉得医生的好日子到头了。” 一位美国医生的自述火了。 砸掉饭碗的不是AI诊断系统。 而是拿着AI答案来“考”医生的病人。 以前看病，是医生问患者答。 现在门诊的画风全变了。 病人在见医生前，已经用AI聊天机器人摸透了病情底牌。 他们带着极高维、极细化的刁钻问题走进诊室。 这位医生分享了一个后背发凉的细节。 上周有个病人突然问他：美国视网膜脱离的流行病学发病率是多少？ 他硬着头皮答：“大概万分之一吧。” 病人满意地点点头：“没错，我查到的也是这个数据。” 那一刻，他感觉自己像个被主考官盘问的实习生。 病人们正在用AI当标尺，直接测试人类医生的真实含金量。 那些勉强应付考核、不看学术前沿的医生，现在几句话就会露馅。 业内开始抱怨这会毁掉本就脆弱的医患信任。 但这掩盖不了一个残酷的现实。 患者用手机两秒钟就能免费查到的基础医学数据，不再需要去诊所花钱听医生背书。 人类医生必须拿出比AI数据更硬的价值。 靠信息垄断混日子的时代结束了。
2:27

“因为AI，我觉得医生的好日子到头了。” 一位美国医生的自述火了。 砸掉饭碗的不是AI诊断系统。 而是拿着AI答案来“考”医生的病人。 以前看病，是医生问患者答。 现在门诊的画风全变了。 病人在见医生前，已经用AI聊天机器人摸透了病情底牌。 他们带着极高维、极细化的刁钻问题走进诊室。 这位医生分享了一个后背发凉的细节。 上周有个病人突然问他：美国视网膜脱离的流行病学发病率是多少？ 他硬着头皮答：“大概万分之一吧。” 病人满意地点点头：“没错，我查到的也是这个数据。” 那一刻，他感觉自己像个被主考官盘问的实习生。 病人们正在用AI当标尺，直接测试人类医生的真实含金量。 那些勉强应付考核、不看学术前沿的医生，现在几句话就会露馅。 业内开始抱怨这会毁掉本就脆弱的医患信任。 但这掩盖不了一个残酷的现实。 患者用手机两秒钟就能免费查到的基础医学数据，不再需要去诊所花钱听医生背书。 人类医生必须拿出比AI数据更硬的价值。 靠信息垄断混日子的时代结束了。

墓碑科技

144,579 просмотров • 3 месяцев назад

微软开源了一个功能强大的 VS Code 插件：AI Toolkit，简化 Agent 应用的全流程开发。 在一个界面里，集成了模型浏览、Playground 测试、Agent 构建、批量运行和性能评估等完整功能。 GitHub： 主要功能： - 模型目录浏览，支持 GitHub、OpenAI、Anthropic 等多家提供商的模型； - 交互式 Playground，可快速测试模型能力和多模态功能； - Agent 构建器，支持自然语言生成启动 Prompt 和链式任务分解； - 批量运行测试，能同时在多个模型上执行大量 Prompt 并进行对比； - 内置评估工具，支持 F1 分数、相关性等标准指标测试； - MCP 服务器集成，让 Agent 能够连接外部工具执行实际操作。 通过 VS Code 插件市场搜索 “AI Toolkit for Visual Studio Code” 安装即可使用。
0:55

微软开源了一个功能强大的 VS Code 插件：AI Toolkit，简化 Agent 应用的全流程开发。 在一个界面里，集成了模型浏览、Playground 测试、Agent 构建、批量运行和性能评估等完整功能。 GitHub： 主要功能： - 模型目录浏览，支持 GitHub、OpenAI、Anthropic 等多家提供商的模型； - 交互式 Playground，可快速测试模型能力和多模态功能； - Agent 构建器，支持自然语言生成启动 Prompt 和链式任务分解； - 批量运行测试，能同时在多个模型上执行大量 Prompt 并进行对比； - 内置评估工具，支持 F1 分数、相关性等标准指标测试； - MCP 服务器集成，让 Agent 能够连接外部工具执行实际操作。 通过 VS Code 插件市场搜索 “AI Toolkit for Visual Studio Code” 安装即可使用。

GitHubDaily

36,446 просмотров • 10 месяцев назад

目前看到的在医疗方向最大的养虾OpenClaw技能库：OpenClaw-Medical-Skills，872个技能 涵盖临床医学、基因组学、药物发现、生物信息学、医疗器械等 用上，你的OpenClaw就可以变成专业的医学科研助手，能进行PubMed查询、临床试验检索、药物相互作用分析、基因变异解读、生成SOAP病历、出院小结等等 每个技能就是一个SKILL.md 文件，包含专业知识、连接API指令、结构化输出 实时数据连接PubMed、 具体包含：通用工具9个、临床与医疗30+、药物发现与安全20+、科学数据库35+、生物信息学 228个、组学工具50+、蛋白质设计15+、健康管理19、医疗器械法规47、BioOS扩展套件285+、ClawBio管道22、模拟与本体论17 #OpenClawMedicalSkills #医疗skill #AIskill
0:39

目前看到的在医疗方向最大的养虾OpenClaw技能库：OpenClaw-Medical-Skills，872个技能 涵盖临床医学、基因组学、药物发现、生物信息学、医疗器械等 用上，你的OpenClaw就可以变成专业的医学科研助手，能进行PubMed查询、临床试验检索、药物相互作用分析、基因变异解读、生成SOAP病历、出院小结等等 每个技能就是一个SKILL.md 文件，包含专业知识、连接API指令、结构化输出 实时数据连接PubMed、 具体包含：通用工具9个、临床与医疗30+、药物发现与安全20+、科学数据库35+、生物信息学 228个、组学工具50+、蛋白质设计15+、健康管理19、医疗器械法规47、BioOS扩展套件285+、ClawBio管道22、模拟与本体论17 #OpenClawMedicalSkills #医疗skill #AIskill

AIGCLINK

106,639 просмотров • 4 месяцев назад

国际时政很耗人，所以继续打岔。 一个困扰很多人, (但还是比俄乌战争问题容易一些😜), 的问题： MD 与 DO 到底有什么区别？选择医生的时候要注意什么？ 很多人应该已经注意到，在美国看病的时候，医生名字后面会有两种学位：MD 或DO。那他们之间的区别是什么呢？ MD（Doctor of Medicine）和DO（Doctor of Osteopathic Medicine）是美国两种不同的医学学位。两者的主要区别在于教育理念和培训内容。 MD学位由传统的医学院授予，教育重点在于生物医学科学和循证医学。MD医生接受的培训主要集中在疾病的诊断和治疗上，使用药物、手术等方法。 DO学位由骨科医学院授予，除了传统的医学教育外，还包括骨科手法治疗（OMT）的培训。DO医生强调整体医学和预防保健，注重患者的整体健康状况和生活方式的影响。 在选择MD或DO时，以下几点需要考虑： 1. 教育和培训：MD和DO的基础医学教育相似，但DO课程包括额外的OMT培训。两者都需要通过国家执照考试（USMLE或COMLEX）并完成住院医师培训。 2. 职业机会：MD和DO医生在美国享有同等的执业权利，可以在所有医学领域工作。近年来，DO医生在专科领域的比例增加，传统上DO医生更多从事初级保健。 3. 治疗理念：DO医生更强调整体健康和预防医学，可能更适合那些希望采用综合治疗方法的患者。 4. 患者偏好：一些患者可能更倾向于选择DO医生，特别是那些重视整体健康和手法治疗的患者。 总之，MD和DO医生在医学实践中具有相似的能力和权利，选择哪种医生主要取决于个人的治疗理念和职业目标。 在现实行医当中他们区别不大，居然大部分DO 都是做primary care，我是对他们一视同仁，同样尊重。 但是，DO医学院，虽然也很难进，确实要比MD医学院容易进很多。DO医学院的学生几乎都是申请MD医学院没有成功的人。 供参考。
0:57

国际时政很耗人，所以继续打岔。 一个困扰很多人, (但还是比俄乌战争问题容易一些😜), 的问题： MD 与 DO 到底有什么区别？选择医生的时候要注意什么？ 很多人应该已经注意到，在美国看病的时候，医生名字后面会有两种学位：MD 或DO。那他们之间的区别是什么呢？ MD（Doctor of Medicine）和DO（Doctor of Osteopathic Medicine）是美国两种不同的医学学位。两者的主要区别在于教育理念和培训内容。 MD学位由传统的医学院授予，教育重点在于生物医学科学和循证医学。MD医生接受的培训主要集中在疾病的诊断和治疗上，使用药物、手术等方法。 DO学位由骨科医学院授予，除了传统的医学教育外，还包括骨科手法治疗（OMT）的培训。DO医生强调整体医学和预防保健，注重患者的整体健康状况和生活方式的影响。 在选择MD或DO时，以下几点需要考虑： 1. 教育和培训：MD和DO的基础医学教育相似，但DO课程包括额外的OMT培训。两者都需要通过国家执照考试（USMLE或COMLEX）并完成住院医师培训。 2. 职业机会：MD和DO医生在美国享有同等的执业权利，可以在所有医学领域工作。近年来，DO医生在专科领域的比例增加，传统上DO医生更多从事初级保健。 3. 治疗理念：DO医生更强调整体健康和预防医学，可能更适合那些希望采用综合治疗方法的患者。 4. 患者偏好：一些患者可能更倾向于选择DO医生，特别是那些重视整体健康和手法治疗的患者。 总之，MD和DO医生在医学实践中具有相似的能力和权利，选择哪种医生主要取决于个人的治疗理念和职业目标。 在现实行医当中他们区别不大，居然大部分DO 都是做primary care，我是对他们一视同仁，同样尊重。 但是，DO医学院，虽然也很难进，确实要比MD医学院容易进很多。DO医学院的学生几乎都是申请MD医学院没有成功的人。 供参考。

Luke Young

48,788 просмотров • 1 год назад

在做浏览器自动化脚本时，我们常常需要编写大量代码来处理复杂的网页交互，不仅耗时耗力，还难以调试和优化，要是出错更是难以精准定位问题所在。 最近在 GitHub 上我发现了一款强大的开源自动化浏览器智能体：Index。 它能够在浏览器上自动执行复杂的网页任务，无需编写代码脚本，简单描述任务需求即可完成各种网页操作。 GitHub： 主要功能 - 基于 Claude 3.7 Sonnet 提供强大的 AI 能力，后续将支持更多模型 - 提供 API 和可视化操作 UI 界面，也支持完全自托管部署使用 - 能执行复杂的网页任务，如数据收集、表单填写和内容分析 - 支持自定义浏览器窗口大小和远程 CDP 连接 安装部署简单，几行代码即可开始使用，也可直接使用托管 API 服务。
0:40

在做浏览器自动化脚本时，我们常常需要编写大量代码来处理复杂的网页交互，不仅耗时耗力，还难以调试和优化，要是出错更是难以精准定位问题所在。 最近在 GitHub 上我发现了一款强大的开源自动化浏览器智能体：Index。 它能够在浏览器上自动执行复杂的网页任务，无需编写代码脚本，简单描述任务需求即可完成各种网页操作。 GitHub： 主要功能 - 基于 Claude 3.7 Sonnet 提供强大的 AI 能力，后续将支持更多模型 - 提供 API 和可视化操作 UI 界面，也支持完全自托管部署使用 - 能执行复杂的网页任务，如数据收集、表单填写和内容分析 - 支持自定义浏览器窗口大小和远程 CDP 连接 安装部署简单，几行代码即可开始使用，也可直接使用托管 API 服务。

GitHubDaily

35,779 просмотров • 1 год назад

平时分析数据，从清洗、探索到建模、可视化，再到撰写报告，整个流程非常耗时，当要面对多个不同格式的数据文件时更是头疼。 恰巧，找到了 DeepAnalyze 这个开源项目，它能让 AI 自主完成整个数据科学流程，真正做到无需人工干预。 基于 DeepSeek-R1 和课程学习训练方法开发，支持数据准备、分析、建模、可视化到报告生成的全流程。 可以处理数据库、CSV、Excel、JSON、XML 等各种格式数据，最终直接生成专业级的研究报告给我们。 GitHub： 同时提供 50 万条训练数据集，完全开源模型和代码，方便我们二次开发。 只需克隆代码到本地并下载模型后，通过 vLLM 部署即可使用。
3:14

平时分析数据，从清洗、探索到建模、可视化，再到撰写报告，整个流程非常耗时，当要面对多个不同格式的数据文件时更是头疼。 恰巧，找到了 DeepAnalyze 这个开源项目，它能让 AI 自主完成整个数据科学流程，真正做到无需人工干预。 基于 DeepSeek-R1 和课程学习训练方法开发，支持数据准备、分析、建模、可视化到报告生成的全流程。 可以处理数据库、CSV、Excel、JSON、XML 等各种格式数据，最终直接生成专业级的研究报告给我们。 GitHub： 同时提供 50 万条训练数据集，完全开源模型和代码，方便我们二次开发。 只需克隆代码到本地并下载模型后，通过 vLLM 部署即可使用。

GitHubDaily

21,964 просмотров • 9 месяцев назад

GitHub 上 Social Analyzer 这个开源工具，有点厉害！ 只需要输入一个用户名称，它能在 1000+ 社交媒体网站上自动查找该用户的所有个人资料。 并且自动提取其中数据进行详细分析，还支持多账号之间关联的分析，生成可视化关系图谱。 GitHub： 除此之外，还支持按国家、类型或 Alexa 排名筛选搜索平台，精准定位到目标。 提供了 Web 界面、命令行 以及 API 使用方式，通过 npm 或 pip 安装即可使用。
0:41

GitHub 上 Social Analyzer 这个开源工具，有点厉害！ 只需要输入一个用户名称，它能在 1000+ 社交媒体网站上自动查找该用户的所有个人资料。 并且自动提取其中数据进行详细分析，还支持多账号之间关联的分析，生成可视化关系图谱。 GitHub： 除此之外，还支持按国家、类型或 Alexa 排名筛选搜索平台，精准定位到目标。 提供了 Web 界面、命令行 以及 API 使用方式，通过 npm 或 pip 安装即可使用。

GitHubDaily

102,558 просмотров • 9 месяцев назад

和AI Agent一起工作是一种什么样的体验？ 扣子空间详细体验评测 （下面有邀请码）🧵↓ 字节跳动发布新一代 AI Agent 平台：扣子空间，Slogan为：在扣子空间，和 Agent 一起开始你的工作。 也就是你可以像和真人协作一样，和AI一起完成特定任务。 通过自然语言交流直接交付结果🫡 例如这个↓ 这个测试是模拟你通过AI来简化你的工作或者提高你的工作效率或者成果，例如假如你是一个幼儿园老师就可以通过AI生成一个交互式的英语学习应用。 提高孩子们学习英语的乐趣。它支持调用MCP，这个测试调用了两个MCP，一个是图像生成一个是语音生成。 扣子空间，它可以是： ✅「通用实习生」：可以处理各种基础任务，比如整理资料、写文案、查数据等。 ✅「领域专家」：针对具体行业或专业的问题（如法律、医学、设计等）有深入理解，能给出专业建议或完成复杂任务。 你可以根据自己的需要选择不同AI来协助你完成任务。它不只是回答问题，AI还能主动帮你做事：比如生成报告、整理数据、写代码、规划日程等。 支持两种工作方式： 自动模式：AI自动帮你完成任务。 协作模式：你可以一步步与AI互动，逐步推进任务，更适合复杂工作。
1:01

和AI Agent一起工作是一种什么样的体验？ 扣子空间详细体验评测 （下面有邀请码）🧵↓ 字节跳动发布新一代 AI Agent 平台：扣子空间，Slogan为：在扣子空间，和 Agent 一起开始你的工作。 也就是你可以像和真人协作一样，和AI一起完成特定任务。 通过自然语言交流直接交付结果🫡 例如这个↓ 这个测试是模拟你通过AI来简化你的工作或者提高你的工作效率或者成果，例如假如你是一个幼儿园老师就可以通过AI生成一个交互式的英语学习应用。 提高孩子们学习英语的乐趣。它支持调用MCP，这个测试调用了两个MCP，一个是图像生成一个是语音生成。 扣子空间，它可以是： ✅「通用实习生」：可以处理各种基础任务，比如整理资料、写文案、查数据等。 ✅「领域专家」：针对具体行业或专业的问题（如法律、医学、设计等）有深入理解，能给出专业建议或完成复杂任务。 你可以根据自己的需要选择不同AI来协助你完成任务。它不只是回答问题，AI还能主动帮你做事：比如生成报告、整理数据、写代码、规划日程等。 支持两种工作方式： 自动模式：AI自动帮你完成任务。 协作模式：你可以一步步与AI互动，逐步推进任务，更适合复杂工作。

小互

27,158 просмотров • 1 год назад