shield_lock
JinDaGe
← Back to skills
extension
Category: Data & AnalyticsNo API key required

医学科研图表解读器

当需要解读科学图表、为研究演示说明数据可视化内容、为出版物撰写图注，或分析临床研究数据趋势时使用。将复杂的可视化数据转化为清晰、准确的说明，适用于学术论文、临床报告及公开演示。

personAuthor: aipoch-aihubclawhub
open_in_newRepositorydownloadDownload package

医学科研图表解读器

以精准、清晰的方式解读和说明科学图表、图形及数据可视化内容，适用于研究出版物、临床演示和学术交流。

快速入门

from scripts.graph_interpreter import GraphInterpreter

interpreter = GraphInterpreter()

# Comprehensive graph analysis
analysis = interpreter.interpret(
    image_path="figure_1.png",
    graph_type="kaplan_meier",
    context="oncology_phase3_trial",
    audience="clinicians"
)

print(analysis.statistical_summary)
print(analysis.clinical_significance)
print(analysis.suggested_caption)

核心功能

1. 多类型图表分析

analysis = interpreter.analyze(
    graph_type="forest_plot",
    data={
        "studies": ["Study A", "Study B", "Study C"],
        "effect_sizes": [1.2, 0.8, 1.5],
        "confidence_intervals": [[1.0, 1.4], [0.6, 1.0], [1.2, 1.8]],
        "overall_effect": 1.15,
        "heterogeneity_p": 0.04
    }
)

支持的图表类型：

| 图表类型 | 常见用途 | 需提取的关键元素 | |------------|------------|------------------------| | Kaplan-Meier | 生存分析 | 中位生存期、HR、95% CI、log-rank p 值 | | Forest Plot | 荟萃分析 | 效应量、CI、异质性（I²）、权重 | | ROC Curve | 诊断准确性 | AUC、敏感性、特异性、最佳截断值 | | Box Plot | 分布比较 | 中位数、IQR、离群值、须线 | | Scatter Plot | 相关性 | R²、p 值、趋势线、离群值 | | Bar Chart | 组间比较 | 均值、SEM/SD、显著性指示符 | | Heatmap | 表达/组学 | 刻度、聚类、行/列注释 | | Volcano Plot | 差异分析 | 倍数变化、p 值、FDR 阈值 |

2. 统计学解读

stats = interpreter.extract_statistics(
    graph_data,
    extract=[
        "p_values",
        "confidence_intervals", 
        "effect_sizes",
        "sample_sizes",
        "statistical_tests"
    ]
)

统计报告标准：

# Example output structure
{
    "primary_outcome": {
        "measure": "Hazard Ratio",
        "value": 0.72,
        "ci_95": [0.58, 0.89],
        "p_value": 0.003,
        "interpretation": "32% risk reduction"
    },
    "secondary_outcomes": [...],
    "significance_level": 0.05,
    "multiple_comparison_adjusted": True
}

3. 面向不同受众的说明

explanations = interpreter.generate_multi_audience(
    analysis,
    audiences=["researchers", "clinicians", "patients", "policy_makers"]
)

说明模板：

面向研究人员：

"Kaplan-Meier 分析显示，试验组具有统计学显著的生存优势（HR 0.72，95% CI 0.58-0.89，p=0.003）。中位生存期从 14.2 个月提升至 19.6 个月。比例风险假设已验证（p=0.42）。"

面向临床医生：

"该试验表明，接受新疗法的患者平均比接受标准治疗的患者多存活约 5 个月。死亡风险降低 32%，具有统计学意义和临床价值。对符合条件的患者可考虑该治疗方案。"

面向患者：

"研究发现，接受新疗法的患者比接受标准治疗的患者存活时间更长。约三分之一的患者从新疗法中获益。副作用可控。"

4. 图注生成

caption = interpreter.generate_caption(
    analysis,
    style="journal",  # or "presentation", "poster"
    word_limit=250,
    include_statistics=True
)

图注结构：

Figure X. [Brief title]. [What is shown: X-axis shows..., Y-axis shows..., 
lines/bars represent...]. [Key finding: Group A showed... compared to 
Group B...]. [Statistics: HR 0.72 (95% CI 0.58-0.89), p=0.003]. 
[Conclusion: This demonstrates...].

5. 批判性评估

appraisal = interpreter.critical_appraisal(
    graph_data,
    check=[
        "appropriate_graph_type",
        "axis_scaling",
        "error_bars_present",
        "sample_size_adequate",
        "confounding_controlled",
        "generalizability"
    ]
)

常见图表陷阱：

| 问题 | 缺陷 | 更佳方案 | |-------|---------|-----------------| | y 轴截断 | 夸大差异 | 从 0 开始或明确标注截断处 | | 无误差棒 | 隐藏变异性 | 加入 SD、SEM 或 95% CI | | 3D 效果 | 扭曲视觉感知 | 使用带清晰标签的二维图 | | 双 y 轴 | 比较令人困惑 | 分开绘图或使用归一化刻度 | | p 值操控迹象 | 多重比较问题 | 校正后的 p 值，Bonferroni 法 |

CLI 使用方法

# Comprehensive analysis
python scripts/graph_interpreter.py \
  --image survival_curve.png \
  --type kaplan_meier \
  --context "phase_3_oncology" \
  --audience clinicians \
  --output analysis.json

# Generate publication caption
python scripts/graph_interpreter.py \
  --image forest_plot.png \
  --type forest_plot \
  --generate caption \
  --journal-style nature \
  --word-limit 200

# Batch process figures
python scripts/graph_interpreter.py \
  --batch figures/ \
  --output report.html \
  --template comprehensive

常见使用模式

模式一：临床试验主要终点

# Analyze survival curve
analysis = interpreter.interpret(
    graph_type="kaplan_meier",
    primary_endpoint="overall_survival",
    treatment_arms=["Experimental", "Control"],
    key_metrics=["median_os", "hr", "ci", "p_value"]
)

# Generate regulatory-ready summary
regulatory_summary = interpreter.generate_regulatory_summary(
    analysis,
    guideline="ICH_E3"
)

模式二：荟萃分析 Forest Plot

# Interpret meta-analysis
analysis = interpreter.interpret_forest_plot(
    studies=included_studies,
    check_heterogeneity=True,
    assess_publication_bias=True
)

# Generate GRADE assessment
grade_rating = interpreter.generate_grade_rating(analysis)

模式三：诊断准确性 ROC

# Analyze diagnostic test
analysis = interpreter.interpret_roc(
    curves=["Test A", "Test B", "Combined"],
    optimal_cutoffs=True,
    clinical Utility=True
)

# Clinical decision support
decision_aid = interpreter.generate_decision_aid(analysis)

质量核查清单

解读前：

  • [ ] 图表类型适合数据
  • [ ] 坐标轴清晰标注单位
  • [ ] 已标注样本量
  • [ ] 已说明统计检验方法
  • [ ] 已提供置信区间

解读中：

  • [ ] 已计算效应量
  • [ ] 已评估临床意义
  • [ ] 已解读置信区间
  • [ ] 已注明局限性
  • [ ] 已考量可推广性

解读后：

  • [ ] 说明适合目标受众
  • [ ] 统计术语已解释
  • [ ] 已传达不确定性
  • [ ] 已突出可操作性见解

最佳实践

统计沟通：

  • 始终在点估计值旁报告置信区间
  • 区分统计学意义与临床意义
  • 注明局限性与可推广性
  • 在观察性研究中避免使用因果性语言

视觉分析：

  • 检查坐标轴刻度是否存在失真
  • 注意坐标轴截断或断裂处
  • 识别离群值及其影响
  • 核实误差棒的表示方式（SD 与 SEM）

常见误区

❌ 相关性等同于因果性："X 导致 Y，因为它们相关" ✅ 谨慎解读："X 与 Y 相关；其他因素可能对此有所解释"

❌ 夸大显著性：将"高度显著（p<0.001）"等同于大效应量 ✅ 恰当表述："统计学显著，但效应量适中（d=0.2）"

❌ 忽略置信区间：仅报告点估计值 ✅ 区间报告："效应：1.5（95% CI：0.9-2.4），提示存在不确定性"

技能 ID：209 | 版本：1.0 | 许可证：MIT