Doctor 專案改進建議 — 基於 7 個同領域專案的綜合比較分析 本文基於 8 個 GitHub 專案的完整教學分析，提出 Doctor 專案的系統性改進方案。 1. 現狀診斷：Doctor 的定位與核心問題 1.1 Doctor 做了什麼 Doctor 是一個 Streamlit + Google Gemini 的醫病角色扮演模擬器。核心概念： 9 步 system prompt (系統提示詞) 驅動的「臨床博弈引擎」 心理防禦指標（SAI 主導權感知、MF 面具疲勞度、B-D 邊界防禦） <clinical_engine> 內部推演 + <doctor_output> 外部演繹的雙層輸出 1.2 核心問題（5 大缺失） #...

MIMIC_RL_COACH 完整教學 從概念理解到實作：如何用 Batch Reinforcement Learning 從真實加護病房資料學習敗血症最佳治療策略。 1. 專案定位 什麼是 MIMIC_RL_COACH？ MIMIC_RL_COACH 是一個 batch reinforcement learning（批次強化學習） pipeline，利用 MIMIC-III（Medical Information Mart for Intensive Care） 加護病房臨床資料庫的真實病歷資料，訓練 RL agent 學習敗血症（sepsis；感染）患者的最佳治療策略（optimal treatment policy）。 用一...

Tutorial: 2023Anita/MedicalAI-Platform — 多智慧體醫療分析平台 S1 專案定位與背景 1.1 這是什麼 MedicalAI-Platform（Med Agentic-AI）是一個基於多智慧體協作（Multi-Agent Collaboration）架構的智慧醫療分析平台，由江陰市人民醫院「睡眠魔法師 Team」開發。平台以 Google Gemini 2.5 Flash/Pro 為底層 LLM，透過四個專業 AI 代理的分工協作，對體檢報告進行全面分析並生成結構化的中文醫療評估報告。 核心定位：將「一個 LLM 做所有事」的模式，拆解為「編排器 + 專業代理」的 Agentic 架構，讓每個...

Tutorial: medical-multi-agent-system — 企業級多 Agent 醫療臨床輔助決策系統 §1 專案定位與背景 1.1 這是什麼 medical-multi-agent-system 是一個面向面試展示與架構學習的企業級多 Agent 臨床輔助決策系統（Clinical Decision Support System, CDSS）。它以 5 個專業化 Agent 組成 Pipeline，覆蓋「接診 → 診斷 → 治療 → 編碼 → 審計」完整臨床工作流，並以 Python / Java / Go 三種語言同時實作同一套架構。 專案於 2026-04-06 建立，MIT 授權，...

Tutorial: Doctor — Doubt-Driven 醫病動態認知博弈引擎 1. 專案定位 這個專案是什麼 Doctor 是一個基於 Streamlit + Google Gemini 的醫病互動模擬應用程式。它不是一個真正的臨床決策支援系統（CDSS），而是一個 LLM 角色扮演引擎：透過精心設計的 9 步驟 system prompt 框架，讓 Gemini 扮演一位具有多層心理防禦機制的醫師角色，與使用者（扮演病患）進行對話。 核心設計理念 懷疑度驅動（Doubt-Driven）：所有臨床推演標籤都綁定 0-100% 的懷疑度，當懷疑度 > 60% 時強制觸發反向鑑別搜索，排除認知偏誤 醫病認知空間定位：將醫病關係...

Tutorial: MediGenius — LangGraph 多 Agent 醫療 AI 助手 一份「讀完就能理解架構 + 知道怎麼改 + 清楚資安邊界」的內部技術手冊。 目標讀者：已會 Python + FastAPI，想學 LangGraph multi-agent 編排、RAG pipeline、和 fallback chain 設計模式的工程師。 1. 為什麼要看 MediGenius？ 1.1 「多 Agent」vs「純 Prompt」的關鍵差異 大多數 medical AI chatbot 的做法是「塞一大段 system prompt 進 LLM，讓它扮演醫生」——這是 pure-prompt approach（...

Tutorial: stanfordmlgroup/MedAgentBench — 醫療 LLM Agent 基準測試虛擬 EHR 環境 §1 專案定位與背景 1.1 這是什麼 MedAgentBench 是 Stanford ML Group 開發並發表於 NEJM AI 的醫療 LLM Agent 基準測試平台。它提供一個基於 FHIR（Fast Healthcare Interoperability Resources；快速醫療互通資源）標準的虛擬 EHR（Electronic Health Record；電子健康紀錄）環境，讓 LLM Agent 透過真實世界規格的 FHIR R4 API 與合成病人資料互動，...

AI Retrosynthesis 開源工具全景教學 為 lead optimization（先導化合物優化）產出的 analog（類似物）規劃最短、最可行的合成路線：6 大開源工具比較與實戰指南。 1. 背景與需求定義 什麼是 Retrosynthesis（逆合成分析）？ Retrosynthesis（逆合成分析）是有機化學的核心方法論，由 E.J. Corey 於 1960 年代提出並獲得 1990 年諾貝爾化學獎。其核心思路是：從目標分子出發，反向推導可能的合成路線，直到所有中間體都可以從商業可得的 building block（構建塊）出發合成。 你的 Use Case 1Lead Optimization...

AiZynthFinder 完整教學 — AI 逆合成規劃工具 1. 專案概述 AiZynthFinder 是 AstraZeneca Molecular AI 團隊開源的逆合成規劃工具（retrosynthetic planning tool），也是該領域目前最成熟的開源方案（845 stars，MIT 授權）。 核心能力 從一個**目標分子（target molecule）**出發，自動找出合成路線（synthetic routes） 預設使用 Monte Carlo Tree Search (MCTS) 演算法，以神經網路策略遞迴拆解分子 搜尋終止條件：所有葉節點分子都能在**商用試劑庫（stock）**中買到 支援多種搜尋...

CausalBench 完整教學 從 AWS EC2 連線到 causal network inference（因果網路推論）：用淺顯易懂的方式理解如何在真實 Perturb-seq 資料上跑基因調控網路推論。 1. 專案定位 — 這到底是什麼？ 用一個比喻來理解 想像你有一座巨大的工廠（cell；細胞），裡面有數千台機器（gene；基因）在運作。你想知道：哪台機器會影響哪台機器？ 例如，當你關掉機器 A 時，機器 B 和 C 是否也會跟著改變？ 這就是 **causal network inference（因果網路推論）**的核心問題：從「關掉某基因後，其他基因如何反應」的實驗數據中，推斷基因之間的因果關係。...