用于开发、测试和部署临床数据机器学习模型的综合性医疗人工智能工具包。当处理电子健康记录（EHR）、临床预测任务（死亡率、再入院、药物推荐）、医学编码系统（ICD、NDC、ATC）、生理信号（EEG、ECG）、医疗数据集（MIMIC-III/IV、eICU、OMOP）或为医疗应用实现深度学习模型（如RETAIN、SafeDrug、Transformer、GNN）时，应使用此技能。

使用 PyMC 进行贝叶斯建模：构建分层模型、MCMC（NUTS）、变分推断、LOO/WAIC 比较、后验检验，用于概率编程与推断。

标准单细胞RNA测序分析流程。适用于质量控制、归一化、降维（PCA/UMAP/t-SNE）、聚类、差异表达分析和可视化。最适合采用成熟工作流程的探索性单细胞RNA测序分析。如需使用深度学习模型，请使用scvi-tools；如有关于数据格式的问题，请使用anndata。

使用 scikit-learn 在 Python 中进行机器学习。适用于处理监督学习（分类、回归）、无监督学习（聚类、降维）、模型评估、超参数调优、数据预处理或构建机器学习流水线。提供算法、预处理技术、流水线和最佳实践的全面参考文档。

使用scikit-survival库在Python中进行生存分析和事件发生时间建模的综合工具包。当处理删失生存数据、执行事件发生时间分析、拟合Cox模型、随机生存森林、梯度提升模型或生存支持向量机、使用一致性指数或Brier评分评估生存预测、处理竞争风险，或使用scikit-survival库实现任何生存分析流程时，请使用此技能。

用于单细胞组学的深度生成模型。当需要概率性批次校正（scVI）、迁移学习、带不确定性差异表达分析或多模态整合（TOTALVI、MultiVI）时使用。最适合高级建模、批次效应和多模态数据。标准分析流程请使用scanpy。

使用SHAP（SHapley Additive exPlanations）进行模型可解释性和可解释性分析。在解释机器学习模型预测、计算特征重要性、生成SHAP图（瀑布图、蜜蜂群图、条形图、散点图、力图、热力图）、调试模型、分析模型偏差或公平性、比较模型或实现可解释AI时使用此技能。适用于基于树的模型（XGBoost、LightGBM、随机森林）、深度学习（TensorFlow、PyTorch）、线性模型以及任何黑箱模型。

提供指导性的统计分析，包括测试选择与结果报告。适用于需要帮助选择适合的数据检验方法、检验假设、功效分析以及APA格式结果输出的场景，最适合学术研究结果报告和测试选择指导。如需编程实现特定模型，请使用statsmodels。

Python 的统计模型库。当您需要特定模型类别（如 OLS、GLM、混合模型、ARIMA）并附带详细诊断、残差和推断时使用。最适合计量经济学、时间序列分析以及带有系数表格的严谨推断。如需在 APA 报告格式下进行引导式统计检验选择，请使用 statistical-analysis。