Librería Python para trabajar con archivos DICOM (Imágenes Digitales y Comunicaciones en Medicina). Use esta habilidad al leer, escribir o modificar datos de imágenes médicas en formato DICOM, extraer datos de píxeles de imágenes médicas (TC, IRM, radiografía, ultrasonido), anonimizar archivos DICOM, trabajar con metadatos y etiquetas DICOM, convertir imágenes DICOM a otros formatos, manejar datos DICOM comprimidos o procesar conjuntos de datos de imágenes médicas. Se aplica a tareas que involucran análisis de imágenes médicas, sistemas PACS, flujos de trabajo de radiología y aplicaciones de imágenes en salud.
EN LO QUE TE CONVIERTES
Perfecto para estos escenarios
Crea servidores MCP para conectar LLMs con APIs REST, bases de datos o servicios en la nube.
Desarrollar servidores MCP para permitir que los LLMs consulten y visualicen datos en tiempo real.
Integre pasarelas de pago o sistemas de inventario en flujos de trabajo impulsados por LLM.
Crea servidores MCP para calendarios, gestores de tareas o plataformas de colaboración en equipo.
GANANCIA MEDIBLE
Beneficios probados e impacto medible
Reduce el tiempo de configuración del servidor MCP de días a horas con flujos de trabajo guiados.
Evita los errores comunes en el diseño de servidores MCP con las mejores prácticas integradas.
Optimiza la eficiencia y los tiempos de respuesta de las herramientas para interacciones más fluidas con LLM.
QUÉ INCLUYE
Archivos, etiquetas y la instalación en tres pasos
Consejo: Lee la documentación y el código antes del primer uso para saber qué hace y qué permisos necesita.
SIGUIENTES GUIONES
Recomendado según etiquetas y categoría
Acceda a más de 200 millones de estructuras de proteínas predichas por IA de AlphaFold. Recupere estructuras por ID de UniProt, descargue archivos PDB/mmCIF, analice métricas de confianza (pLDDT, PAE) para la descubrimiento de fármacos y la biología estructural.
Esta habilidad se debe usar cuando se trabaja con matrices de datos anotados en Python, especialmente para análisis de genómica de células individuales, gestión de mediciones experimentales con metadatos o manejo de conjuntos de datos biológicos a gran escala. Usarla cuando las tareas involucren objetos AnnData, archivos h5ad, datos de RNA-seq de células individuales o integración con herramientas scanpy/scverse.
Esta habilidad debería usarse para tareas de aprendizaje automático de series temporales que incluyen clasificación, regresión, agrupamiento, pronóstico, detección de anomalías, segmentación y búsqueda de similitud. Usarla al trabajar con datos temporales, patrones secuenciales o observaciones indexadas en el tiempo que requieren algoritmos especializados más allá de los enfoques de ML estándar. Especialmente adecuada para análisis de series temporales univariadas y multivariadas con APIs compatibles con scikit-learn.
Sistema de generación de agentes de código Claude que crea agentes personalizados y subagentes con frontmatter YAML mejorado, patrones de acceso a herramientas y soporte para integración MCP siguiendo patrones de producción probados