1. 基本信息
| 项目 | 内容 |
|---|---|
| 名称 | imaging-study-design-awslabs-hcls-agent-skills |
| 作者/维护者 | AWS Labs（awslabs 官方 GitHub 组织账号） |
| 来源链接 | https://github.com/awslabs/hcls-agent-skills/tree/main/skills/imaging-study-design |
| 许可证 | MIT-0（据来源：GitHub API） |
| GitHub Stars | 12（整仓库口径，据来源：GitHub API） |
| Forks | 4（据来源：GitHub API） |
| 最新版本 | v1.0.0（SKILL.md front matter version 字段） |
| 安装方式 | 多渠道，见第 10 章 |
2. 功能介绍与亮点
该技能把医学影像研究设计与生物标志物选择的方法学固化为一套结构化决策框架，核心原则是“预处理与生物标志物选择必须保留能回答临床问题的信号”：
- 预处理策略按下游目标分流：用表格区分组间比较、纵向萎缩分析、病灶分割、影像组学、功能磁共振、扩散磁共振六类场景各自的预处理优先级与应避免的操作，明确同一套“标准”流程可能在另一个场景下摧毁信号
- 配准目标决策：区分 MNI 群体模板、受试者基线模板、原生空间、受试者解剖空间四种配准目标各自适用的分析类型，给出“配准后是否还能测到关心的量”这一启发式判断句
- DICOM 去标识化风险面：系统列出标签级脱敏之外的残留 PHI 风险——像素中的烧录标注、厂商私有标签、结构化报告/PDF、编码日期的 UID、面部可重建性，并给出可交付的去标识化方案清单
- 影像生物标志物选择表：按阿尔茨海默病、多发性硬化、卒中、脑肿瘤、癫痫术前评估等 9 类适应症列出对应模态与生物标志物及其生物学依据
- 影像组学稳定性与样本量纪律：要求测-重测信度 ICC ≥ 0.75、IBSI 合规提取器、EPV ≥ 10 的特征数控制，并给出 ComBat 协调、TRIPOD/CLEAR 报告规范等具体阈值
- 多中心研究协调清单：协议标准化、扫描仪/线圈效应、逐扫描 QC 指标、中心处理 vs 本地处理、读片者一致性（Cohen’s κ/ICC）
- 结尾附“四问决策框架”（临床问题→模态选择→保信号的预处理→需控制的混杂因素）与七组“常见错误 vs 正确做法”对照
全篇为纯 Markdown 推理型提示词技能，不生成具体的处理流水线代码（需与 FreeSurfer/FSL/ANTs/PyRadiomics/MONAI 等工具技能配合完成实际执行），无任何脚本或网络调用。所属仓库是 AWS Labs 官方发布的 40 个医疗健康与生命科学（HCLS）领域技能合集。
3. 适用场景
所属分类：数据分析与可视化（该技能的核心价值是把医学影像研究方法学固化为可复用的推理与决策框架，与同仓库中处理基因组变异解读、真实世界数据因果推断的方法学技能属于同一类）。
适用于神经影像/肿瘤影像研究团队、临床影像组学项目负责人、多中心影像研究协调者：规划新影像研究的预处理流程、在配准目标之间做选型、审查现有 DICOM 去标识化方案是否留有残留 PHI 风险、为特定适应症挑选生物学上站得住脚的影像生物标志物、评估影像组学特征集是否满足稳定性与样本量要求、设计多中心研究的协议标准化与 QC 方案。
4. 跨 Agent 兼容性
- Claude Code：原生支持——
npx skills add awslabs/hcls-agent-skills -a claude-code，或克隆后./install.sh --target claude-code符号链接进.claude/skills/ - Codex：原生支持——仓库文档列出 GitHub Copilot / Cursor / Codex / Gemini CLI 等 50+ 平台均可通过通用命令
npx skills add .安装 - OpenClaw：未验证——仓库文档未列出该平台
- Hermes Agent：未验证——仓库文档未列出该平台
5. 推荐理由
由 AWS 官方组织发布，把医学影像研究里最容易出错的四个环节（预处理与目标错配、去标识化残留风险、生物标志物生物学依据不足、影像组学特征不稳定）整理成可直接套用的决策表与检查清单，零代码执行零外部依赖，能让研究团队在设计阶段就规避常见的方法学陷阱，而不是等论文投稿被拒或结果无法外部验证时才发现问题。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 7 | 发布方为 AWS 官方组织账号；所属仓库整体 12 星，该数字属整个 40 技能合集，不代表本技能自身热度 |
| 可用性 | 8 | 零外部依赖纯 Markdown 技能，SKILL.md 结构完整（使用说明、响应格式、决策框架、常见错误对照、参考文献）；仓库近期（2026-07-22）有代码提交；因是纯推理技能、需另配工具技能才能落地为可执行流水线，故不打满分 |
| 安全性 | 9 | 纯提示词/参考文档，无脚本无网络调用，安全检查清单逐项见下 |
安全检查清单：①无 shell 命令执行 ②无联网外发 ③不要求任何 API key/凭据 ④未见可疑指令或 prompt injection 迹象 ⑤作者为 AWS 官方组织账号，无造假迹象 ⑥License 明确（MIT-0）⑦所属仓库最近一次代码提交为 2026-07-22
7. 跟同类 Skills 相比的优势
| 技能 | 定位 | 与本技能的差异 |
|---|---|---|
| digital-pathology（同仓库） | 生成 TIAToolbox/基础模型驱动的全片影像（WSI）分析代码 | 是代码生成型技能，聚焦数字病理学单一模态，不涉及研究设计层面的配准目标/生物标志物选型决策 |
| dicom-processing（同仓库） | DICOM/NIfTI 格式转换与去标识化流水线 | 是可执行的处理流水线（pydicom/dcm2niix），产出转换后的文件；本技能只做去标识化方案层面的风险审查与设计建议，不执行转换 |
| radiology-skills（第三方技能） | 覆盖影像 AI 科研全流程的 27 模块技能包（立题、伦理、统计、写作、投稿） | 覆盖面更宽，含论文写作与基金申报等本技能不涉及的环节；但预处理/配准/生物标志物选择的技术决策深度不及本技能专门建模的六类场景表与九类适应症表 |
本技能的差异化在于只聚焦研究设计阶段最容易出错的技术决策（预处理策略、配准目标、去标识化风险、生物标志物选择、影像组学稳定性），给出可直接核对的表格与阈值，而非生成代码或覆盖科研全流程的其他环节。
8. 用户评价
该技能目前在第三方平台尚无具名用户评价。
9. 其他补充
所属仓库支持“多 Agent 协调模式”，可将 40 个子技能路由给 8 个领域专家 Agent（本技能归入医学影像相关专家簇），适合需要同时使用该仓库多个子技能的场景；单独使用本技能则无需了解该架构。
10. 安装使用方式
- Claude Code：
npx skills add awslabs/hcls-agent-skills -a claude-code（会安装整个 40 技能合集，按需自动触发）；仅需本技能时，可克隆仓库后手动复制skills/imaging-study-design/SKILL.md到.claude/skills/对应目录 - Codex / GitHub Copilot / Cursor / Gemini CLI 等 50+ 平台：通用命令
npx skills add .（来自 vercel-labs/skills 项目） - Kiro IDE/CLI：
./install.sh --target kiro - 安装后无需重启，Agent 会依据用户提问内容中的影像研究设计相关关键词自动触发该技能
11. 注意事项
- 该技能明确声明“何时不应使用”：不适用于个体患者诊断的影像方案选择（临床放射科范畴）、需要合规影像 CRO 监督的监管申报场景、实时影像判读或放射学报告；并列出应升级给人类专家的场景（如影响主要终点的多中心协调决策、作为试验替代终点的生物标志物选定）
- 该技能是方法论/决策框架型技能，不执行任何影像处理计算，需与具体工具技能（如处理 DICOM 格式转换的 dicom-processing）配合才能落地为可执行流水线
- 所属仓库为 40 子技能大型合集，若只需影像研究设计这一项能力，建议只安装对应子目录而非整仓库以减少上下文占用