Imaging Data Profiling
/profile-imagingNEW기능 설명
모델링 결정을 내리기 전에 의료영상 데이터셋을 프로파일링합니다. acquisition grid, voxel spacing과 orientation 분포, intensity domain, 실제로 존재하는 label 값, target이 차지하는 부피 비율을 측정한 뒤, 선언한 계획과 대조해 게이트를 겁니다.
주요 기능
- ✓ground truth가 없는 "test set"을 탐지
- ✓label과 image의 grid 불일치·미등록 label index 적발
- ✓stdlib만으로 재검증 가능한 dataset-profile JSON 산출
이 스킬 설치
git clone https://github.com/aperivue/medsci-skills.git
cp -r medsci-skills/skills/profile-imaging ~/.claude/skills/관련 스킬
"어떤 연구 질문에 어떤 아키텍처"를 정하는 의사결정 도구. task·modality·데이터 규모·class imbalance를 근거로 논문에 기반한 아키텍처 후보를 좁혀 주며, 각 후보에 원논문·사용 시점·의료영상 활용·reference 구현·대응 scaffold 템플릿을 함께 제시합니다.
Model Scaffold/model-scaffold의료영상 task(segmentation, classification, detection, synthesis, self-supervised pretraining)를 위한 재현 가능하고 바로 실행되는 PyTorch 학습 레포를 생성합니다. 환자 단위 seed-locked split, train/evaluate 스크립트, Methods stub을 함께 제공하며, MONAI / nnU-Net을 통합할 뿐 재구현하지 않습니다.
Model Validation/model-validation엔지니어가 만든 의료영상 모델의 임상 검증 설계를 점검하거나 설계합니다. 환자 단위 split disjointness, data-leakage taxonomy, internal vs external validation, comparator 설계, task에 맞는 metric 선택을 다루며, 결정론적 split-leakage 게이트를 제공합니다.
Model Card & Datasheet/model-card엔지니어가 만든 모델이 갖춰야 할 문서를 생성합니다. Model Card(Mitchell et al. 2019), 데이터셋 Datasheet(Gebru et al. 2021), METRIC 데이터 품질 점검을 사용자가 제공한 사실만으로 채운 뒤, 필수 항목이 모두 채워졌는지 completeness 게이트로 검증합니다.