使用说明

ColonoSense RAG服务器

ColonoSense是一个用于溃疡性结肠炎的人工智能临床决策支持系统，由检索增强生成（RAG）和STRIDE-II指南提供支持。

服务器设置和安装指南

按照以下步骤在您的环境中部署和运行ColonoSense RAG服务器。

1.克隆存储库

git clone https://github.com/MuhammadAliffandy/mcp-rag-server.git
cd mcp-rag-server

2.设置虚拟环境（推荐）

强烈建议使用虚拟环境来管理依赖关系：

# Create the virtual environment
python3 -m venv venv

# Activate it (Linux/MacOS)
source venv/bin/activate
# For Windows (Command Prompt): venv\Scripts\activate

3.安装依赖项

使用提供的需求文件安装所有必需的库：

pip install --upgrade pip
pip install -r requirements.txt

4.环境变量（.env）

您需要配置API密钥和LLM设置。复制示例配置文件：

cp .env.example .env

打开 .env 文件并配置您的设置：

对于OpenAI： 设置您的 OPENAI_API_KEY="sk-..."
对于本地法学硕士（Llama）： 如果您更喜欢使用Llama在本地运行系统，请确保您有奥拉玛安装并运行。在您的 .env:
```
LLM_PROVIDER="ollama"
OLLAMA_MODEL="llama3.1:8b" # Or whichever model you have pulled
OLLAMA_BASE_URL="http://127.0.0.1:11434/v1"
```

5.运行应用程序

设置完成后，您可以启动web仪表板：

主要临床聊天机器人用户界面：

streamlit run app.py

（如果部署在远程服务器上，您可能需要运行： streamlit run app.py --server.port 8501 --server.address 0.0.0.0)

评估仪表板： 要查看评估指标，请运行：

streamlit run eval_dashboard.py

PineBioML概述

在当今数据驱动的世界中，做出明智的决策需要的不仅仅是原始数据，还需要智能的洞察力。PineBioML旨在提供一个全面的工作流程，指导用户完成从预处理到可视化的数据分析的每一步。无论您是数据科学家、研究人员还是生物医学数据分析师，这款软件工具都能为您提供最先进的机器学习算法、先进的特征选择技术和动态数据可视化工具，让您轻松提取有价值的见解。

网站

为了使PineBioML易于使用，我们构建了一个直观、无缝和强大的网络平台。无论您是新研究人员还是寻求高效率的专业分析师，您都可以通过几个简单的步骤完成最复杂的分析。清晰的界面设计、智能的工作流程指导和交互式可视化可帮助您更快地发现答案，更快地发现趋势，并自信地做出决策。

http://pinebioml.icmol.ncu.edu.tw/

可下载软件包

为了给用户提供更大的灵活性，PineBioML也可以作为Python包提供，您可以在自己的工作环境中轻松下载和使用。在当今的数据驱动时代，PineBioML不仅使您能够访问数据，而且能够轻松地发现深刻、有意义的见解。从预处理和特征选择到动态可视化，您可以依靠先进的机器学习算法和直观的分析工作流程，轻松提取真正有价值的信息。

系统要求

与Python 3.9、3.10和3.11兼容。

安装

PineBioML在PyPI上可用。您可以通过以下方式访问它：

pip安装PineBioML

对于那些不知道如何使用python的人，您可以按照我们的分步安装教程进行操作。

例子

安装后，您可以从版本下载示例。

https://github.com/ICMOL/PineBioML/releases/download/example/examples130.zip

选择以下示例之一，在jupyter界面中双击它：\

ID	名称	描述
1	example_BasicUsage multi-class.ipynb	在多类分类任务中演示PineBioML的基本特征。
2	example_BasicUsage regression.ipynb	在回归分类任务中演示PineBioML的基本特征。
3	example_Proteomics.ipynb	蛋白质组学数据分析示例。
4	example_PipeLine.ipynb	演示如何使用管道存储整个数据处理流程。
5	example_Pine.ipynb	演示如何使用Pine ml高效地找到最佳数据处理流程。

执行脚本

单击按钮，脚本应该开始。

特性

除了方便的Python包下载外，我们还提供了全面的API文档，以帮助用户快速入门并充分利用PineBioML的每个功能。无论您是数据科学家、研究人员还是生物医学数据分析师，我们的软件包和文档都可以让您轻松执行整个工作流程——从预处理和特征选择到动态可视化——并发现最有价值的见解。

API

1.缺失值预处理

ID	选项	定义
1	删除	删除太空的功能。
2	用常数值输入	用常值输入缺失值，如0或特征均值。
3	使用K-NN算法进行插补	用K个最近样本的平均值或中值插补缺失值。
4	迭代回归法插补	随机森林回归法迭代插补缺失值。

2.数据转换

ID	选项	定义
1	PCA	主成分变换。
2	幂变换	为了使数据更像高斯，您可以使用Box-Cox变换或Yeo-Johnson变换。
3	特征聚类	将相似的特征分组到一个集群中。
4	特征扩展	通过在现有特征的随机对中添加/产品/比率来生成新特征。

3.特征选择

ID	选项	定义
1	火山图	按组p值和褶皱变化选择。
2	Lasso回归	通过具有L1惩罚的线性模型进行选择。
3	决策树桩	按1层决策树选择。
4	随机森林	根据基尼系数杂质或随机森林的排列重要性进行选择。
5	AdaBoost	根据基尼系数杂质选择AdaBoost模型。
6	梯度增强	通过基尼杂质选择梯度增强，如XGboost或LightGBM。
7	线性支持向量机	从支持向量机中选择支持向量。

4.模型构建

PineBioML的超参数调谐器提供以下型号：

ID	型号	定义
1	ElasticNet	Tuner将在逻辑回归上搜索L1和L2正则化之间的幂和比率。
2	SVM	Tuner将从线性、多项式、rbf和sigmoid中选择合适的SVM核函数，并考虑其正则化能力。
3	决策树	调谐器将搜索多个决策树拆分约束。包括树木深度、叶片大小和叶片修剪阈值。
4	随机森林	除了标准决策树超参数外，调谐器还探索了自举采样的子采样比例和森林中的树木数量。
5	AdaBoost	Tuner将调整步长和升压步数。
6	XGBoost	除了树超参数外，调谐器还将搜索梯度增强步长、步长、L1和L2惩罚以及子采样率。
7	LightGBM	类似于XGBoost。
8	CatBoost	类似于XGBoost。

PineBioML的调谐器不仅优化模型超参数，还处理类不平衡（通过样本加权），提供统一的模型API和预测格式，并管理超参数搜索空间的定义。

5.报告和可视化

ID	选项	定义
1	data_overview	浏览输入数据。
2	classification_summary	对分类任务进行总结。

试验数据

测试数据从以下网址下载 LinkedOmicsKB

人类癌症蛋白基因组学数据驱动知识库廖玉兴，萨拉·R·萨维奇，窦永超，石志浩，易新培，姜文江，雷，张兵，细胞系统，2023。

问题

如果您在使用本软件或网站时遇到任何问题或有任何疑问，欢迎您在GitHub issues中提问或讨论。我们将尽最大努力提供帮助和答案。