oncology on 林協霆醫師

hemonc-daily-case：以 Claude Code Routine 自動產出 Q1 血液腫瘤每日病例摘要

Sat, 09 May 2026 00:00:00 +0000

# Introduction（引言）

對於專科醫師而言，持續閱讀並消化高品質期刊病例報告是維持臨床敏銳度的重要途徑，但臨床工作繁忙下要每日抽空閱讀並做筆記並不容易。Q1 期刊（如 NEJM、Blood、Lancet 系列）的病例報告字數密度極高，若僅以閱讀器被動瀏覽，難以形成可索引的個人知識資產。本專案以 Claude Code Routine 為自動化引擎，每日定時產出一篇結構化病例摘要，將被動閱讀轉換為主動可搜尋的個人題庫。

# Methods（方法）

系統以 Claude Code 提供的 Routine 機制建立排程任務，每日於固定時間執行：依據預設來源篩選新發表的血液腫瘤學病例報告，呼叫 LLM 依固定模板（病史、檢驗、鑑別診斷、治療、結果與學習重點）萃取結構化摘要，並寫入版本控制的 Markdown 檔案。Markdown 設計刻意對 Anki、Obsidian 與 Quarto 友善，便於後續轉換為複習卡或教學素材。

整體流程強調無人值守：當日若無新案例則跳過或注記；若 LLM 輸出失敗則重試並紀錄錯誤。所有產出存入 Git 倉庫，形成具備時間軸的學習日誌。

# Results（結果）

每日累積的病例摘要構成一個個人化、可搜尋的血液腫瘤學病例資料庫。透過 Git 歷史可追蹤每日學習軌跡；透過 Markdown 檔案可快速 grep 找出特定疾病或治療藥物相關案例；透過 Routine 化執行確保學習頻率不依賴人為意志力。對於正在準備內科或專科考試的住院醫師、研究員，本系統提供穩定的高品質題材來源。

# Discussion（討論）

本專案實踐了「將學習任務自動化為 routine」的觀念：當醫師專注於品質而非紀律時，學習的可持續性將顯著提升。其限制在於：摘要品質受 LLM 模型版本與 prompt 工程影響，且需確保來源符合著作權規範；過度依賴自動摘要也可能弱化讀者自身的批判性閱讀。未來可結合主動學習，根據使用者答題正確率動態調整摘要難度，並串接至 Anki MCP 自動產出複習卡。

# 連結

GitHub：htlin222/hemonc-daily-case
後端：Claude Code Routine
最後更新：2026-05-09

ngs-tertiary-analysis-skills：從 BAM 到 ESMO 2024 臨床報告的 R 語言三級分析管線

Sat, 09 May 2026 00:00:00 +0000

# Introduction（引言）

次世代定序（NGS）已成為腫瘤學臨床決策的核心工具，但「次級」與「三級」分析之間的鴻溝仍是落地阻礙。次級分析輸出的是變異列表，而三級分析必須將每個變異映射到臨床可行性、藥物選擇與證據等級，並輸出符合 ESMO Scale for Clinical Actionability of molecular Targets（ESCAT）等臨床指引的書面報告。多數商用平台費用昂貴或不透明，本專案以 R 語言實作可重現的開源管線，作為臨床醫師與研究者學習與驗證的教材。

# Methods（方法）

管線從 BAM 檔起始，經由變異呼叫、註解與過濾，產出可信變異集合。在三級分析階段，系統以 OncoKB 進行致病性與可行藥物的對照、查詢 PubMed 與 Scopus 進行文獻證據蒐集，並依 ESMO ESCAT 框架（Tier I 至 Tier X）為每個變異賦予證據等級。R 套件生態提供豐富的生物資訊工具與報表能力（Quarto／R Markdown），使整份臨床報告可在單一管線內以可重現方式產出。

設計著重於：模組化（每個步驟可獨立替換）、可審計（所有外部資料庫查詢皆紀錄版本與日期）、以及符合 ESMO 2024 報告的結構化輸出。此架構可作為單一機構建置自有 NGS 報告平台的範本。

# Results（結果）

管線可將原始 BAM 檔在合理時間內轉化為包含臨床建議、文獻證據與 ESCAT 分級的完整報告。R 為主的實作降低了腫瘤科醫師參與的門檻，並能與既有統計分析環境無縫整合。整體流程可重現性高，每次執行皆能標註所引用之資料庫快照版本，以滿足臨床稽核要求。

# Discussion（討論）

本專案展示開源工具鏈在臨床基因體學的潛力，特別適合資源有限的醫學中心建構自有報告系統。其價值在於透明化：每一個臨床建議的來源皆可被追溯。限制方面，R 在大規模 BAM 處理上的效能仍不及 C/Python 實作，且 OncoKB 與 ESCAT 的更新節奏需要持續追蹤。未來可擴充為涵蓋藥物代謝基因（PGx）與免疫治療生物標記的整合報告，並結合 LLM 進行臨床敘事化摘要。

# 連結

GitHub：htlin222/ngs-tertiary-analysis-skills
主要語言：R
最後更新：2026-05-09

ngs-tertiary-analysis-paper：以 Agentic AI 對照 AMP/ASCO/CAP 規則式分類的 NGS 證據調和方法論

Sat, 25 Apr 2026 00:00:00 +0000

# Introduction（引言）

癌症次世代定序的變異臨床意義評估目前主要依循 AMP／ASCO／CAP 共識指引：將變異依證據強度分為 Tier I 至 Tier IV，提供臨床決策依據。然而此規則式分類仰賴專家逐筆比對文獻、藥物資料庫與功能研究，工作量極高且易因資料庫更新而落後。隨著大型語言模型展現出整合多源文本的能力，是否能以 Agentic AI 動態調和臨床證據成為值得驗證的方法論問題。本專案即為相關投稿手稿之研究與寫作倉庫。

# Methods（方法）

本研究採用 Agentic AI 架構：每筆變異由協調 Agent 接收後，分派給多個專門 Agent 分別查詢文獻、藥物適應症、功能研究與臨床指引，最終由仲裁 Agent 彙整證據並輸出建議分類。系統以 R 語言撰寫主要分析管線，呼叫 LLM API 並嚴格紀錄每一步證據來源。基準對照為人工依 AMP／ASCO/CAP 指引產出的 Tier 分類，使用一組標註過的癌症 NGS 變異資料集進行比較。

評估指標包含一致率、敏感度／特異度與分類差異的根因分析；同時記錄 Agentic 流程的 token 用量、執行時間與失敗模式，作為實務部署的參考。

# Results（結果）

初步結果顯示 Agentic AI 在多數高證據變異上能達到與人工相當的一致率，但於罕見變異與證據邊界情境下出現分類飄移。仔細分析顯示，誤分類常源於文獻檢索 Agent 對近期摘要的解讀不夠精確，提示後續可加入人類在環（human-in-the-loop）審核。

# Discussion（討論）

本研究展示 Agentic AI 在臨床基因體學的實質潛力：不只是文字生成，更能負擔結構化證據蒐集任務。其貢獻在於提供可重複的方法論模板與基準測試流程，而非主張取代人工。限制方面，研究使用單一資料庫快照與單一 LLM 家族，泛化能力需更多驗證。未來方向包括：跨模型比較、多機構資料集驗證，以及將 Agentic 評估嵌入既有臨床報告平台的接口設計。

# 連結

GitHub：htlin222/ngs-tertiary-analysis-paper
主要語言：R
最後更新：2026-04-25

LDH-trajectory：乳酸去氫酶軌跡分析的 R 語言研究腳手架

Wed, 22 Apr 2026 00:00:00 +0000

# Introduction（引言）

乳酸去氫酶（lactate dehydrogenase, LDH）為臨床上最常使用的非特異性指標之一，於淋巴瘤、肉瘤、急性溶血等疾病具備預後意涵。然而多數研究僅以單一時間點的 LDH 數值作為自變項，忽略其時序變化所攜帶的資訊。對於慢性化療期間或多次復發的病人，LDH 軌跡可能比單次測值更具預後鑑別力。本專案以 R 語言建立軌跡分析的研究腳手架，作為後續臨床發表的基礎。

# Methods（方法）

研究框架以 R 為主，運用既有的長期資料分析套件（如 lme4、nlme、brms）建立 LDH 隨時間變化的混合效應模型。資料前處理階段以 tidyverse 嚴格清洗：移除非數值、處理檢驗單位差異、標註異常值並依臨床判斷處理。模型輸出包含個體層級的軌跡斜率、群體層級的平均趨勢，以及與臨床終點的關聯。

設計上特別強調可重現：每一次分析皆以 Quarto 文件包覆，從資料載入、清洗、模型擬合到結果視覺化皆可一鍵重跑。模型診斷亦自動化，避免遺漏殘差檢查與隨機效應分布審視。

# Results（結果）

目前管線已能在去識別化資料集上輸出 LDH 軌跡的個體與群體斜率，並與存活終點進行 Cox 模型整合。雖然完整研究結果仍待論文發表後揭露，但管線本身已可被推廣至其他長期監測之生物標記，例如 CRP、albumin、淋巴球計數。

# Discussion（討論）

本專案的價值在於將「以時序為自變項」的研究設計具體實作於 R 中，並提供可重現的腳手架。限制方面，混合效應模型對於缺失資料機制與測量誤差敏感，需要謹慎處理；不同單位的 LDH 標準化亦是跨機構研究的挑戰。未來可結合機器學習方法（如 functional data analysis、joint models）拓展軌跡分析的方法學工具箱。

# 連結

GitHub：htlin222/LDH-trajectory
主要語言：R
最後更新：2026-04-22

breast-cancer-uptodate：以 OpenEvidence、OncDaily、OncLive 與 ESMO 自動產出每週乳癌治療趨勢報告

Sun, 19 Apr 2026 00:00:00 +0000

# Introduction（引言）

乳癌治療領域進展極快，從 HER2 低表現的新藥（如 trastuzumab deruxtecan）、CDK4/6 抑制劑於早期治療的角色，到免疫治療與抗體藥物複合體（ADC）的試驗結果，每週都有可能改變臨床實務的訊息。然而臨床醫師難以每週手動瀏覽所有來源並整理趨勢。本專案以自動化方式定期蒐集 OpenEvidence、OncDaily、OncLive 與 ESMO 等可信來源的乳癌治療新訊，產出可被快速消化的趨勢報告。

# Methods（方法）

系統以 Python 為主，於每週固定時間執行排程任務：依關鍵字與日期過濾從各來源擷取最近一週的乳癌相關內容，並以 LLM 進行摘要、分類與重要性判定。輸出採用結構化 Markdown，包含「重要試驗」、「指引更新」、「FDA／EMA 動態」、「會議摘要」等固定欄位，使讀者能在固定模板下快速比較不同週次。

設計重點在於來源透明：每筆摘要皆附原始連結與發布日期；任何由 LLM 生成的詮釋皆與原文嚴格區分。執行紀錄留存於版本控制中，使後續可回溯任一週的原始素材。

# Results（結果）

每週報告構成一份個人化乳癌治療趨勢電子報，可由作者本人優先閱讀，亦可作為與住院醫師或 fellow 教學討論的素材。對於非專責乳癌但需偶爾接觸該疾病的內科醫師，此報告提供低成本的「跟上腳步」方式。長期累積的報告亦能作為文獻檢索的補充索引。

# Discussion（討論）

本專案實踐了「以自動化補足注意力有限」的概念：當資訊過量時，重點不在於讀更多，而在於有結構地讀少而對。限制方面，自動摘要可能漏掉超出關鍵字過濾範圍的重要訊息；LLM 對某些臨床細節的詮釋仍需人工把關。未來可加入個人化偏好（例如更關注 HER2 低表現或 BRCA 突變子群），並結合 RSS 訂閱整合至既有閱讀流程。

# 連結

GitHub：htlin222/breast-cancer-uptodate
主要語言：Python
最後更新：2026-04-19

lymphoma-TLS-outcome：淋巴瘤腫瘤溶解症候群是否預後較差的研究腳手架

Sat, 11 Apr 2026 00:00:00 +0000

# Introduction（引言）

腫瘤溶解症候群（tumor lysis syndrome, TLS）為高負荷淋巴瘤治療開始時的潛在致命併發症，其嚴重程度可由臨床／實驗室定義。臨床觀察上，呈現自發性 TLS 或於初期治療即誘發 TLS 的患者，其腫瘤負荷往往較大、增殖率較高。此一觀察是否能轉化為「預後較差」的量化結論，仍缺乏系統性證據。本專案即以此問題為核心，建立可重複的研究腳手架以對標多個資料來源。

# Methods（方法）

研究以 Python 為主，採回顧性分析框架。納入標準涵蓋具明確 TLS 診斷紀錄之淋巴瘤病人，並依 Cairo-Bishop 等共識劃分臨床／實驗室 TLS。對照組為相同期間內未發生 TLS 之同類淋巴瘤病人。主要終點為整體存活，次要終點包括無進展存活與治療中斷。

統計上採 Cox 比例風險迴歸，調整年齡、IPI 分數、組織學型別與一線治療等共變項，並以傾向分數匹配作為敏感性分析。所有資料前處理與分析腳本均納入版本控制，確保結果可被獨立重現。

# Results（結果）

研究目前以骨架專案的形式建立，預計分析結果將於正式發表後揭露。即便最終結果為負相關（即 TLS 並不獨立預示更差預後），其方法學貢獻仍有意義：提供結構化、可遷移的「特定併發症與預後關聯」研究模板。

# Discussion（討論）

本專案展現了臨床觀察與系統性研究之間的連結：將「我覺得這群病人比較差」的直覺轉換為可被檢驗的假設。限制方面，TLS 紀錄品質受醫師判讀影響，可能存在分類錯誤；不同治療強度的混雜需謹慎處理。未來可結合多中心資料、加入分子亞型資訊，並與 LLM 自動化的病歷標註系統結合擴大樣本。

# 連結

GitHub：htlin222/lymphoma-TLS-outcome
主要語言：Python
最後更新：2026-04-11

adj-HER2-pos-breast-cancer：HER2 陽性乳癌輔助治療文獻整理與決策輔助

Wed, 08 Apr 2026 00:00:00 +0000

# Introduction（引言）

HER2 陽性乳癌的輔助治療隨 trastuzumab、pertuzumab、T-DM1 與口服 tucatinib 等藥物的問世而日趨複雜。臨床醫師需在腫瘤大小、淋巴結狀態、化療反應、組織學特徵之間整合最新試驗結果，做出個別化決策。本專案以靜態網頁形式整理 HER2 陽性乳癌輔助治療相關文獻與決策框架，作為臨床查閱與教學使用的速查工具。

# Methods（方法）

內容以 HTML／Quarto 形式呈現：每個關鍵試驗（如 APHINITY、KATHERINE、HERA）有獨立卡片簡述納入族群、處理組、主要終點與當前在指引中的位置。決策框架則採表格化方式：依風險分層與治療反應引導使用者至建議方案。所有原始引用皆附 PubMed／DOI 連結。

設計上避免「無限長文」傾向：每張卡片不超過半頁，使臨床醫師能在診間 30 秒內取得最關鍵訊息。並以結構化分類（淋巴結陽性／陰性、neoadjuvant 反應好／不佳）幫助快速縮小範圍。

# Results（結果）

完成的整理可作為乳癌專科 fellow 教學素材，亦可作為非乳癌專科醫師偶爾接觸 HER2 陽性病例時的速查資源。網頁形式便於跨裝置使用，並可隨指引更新即時修訂，避免列印手冊過時的問題。

# Discussion（討論）

本專案展示了將「複雜決策」拆解為「結構化卡片」的價值：當試驗結果積累，光憑直覺難以涵蓋所有情境，需要外部化的決策輔助。限制方面，HER2 陽性乳癌指引快速演化，需要持續維護；不同國家／健保體系下藥物可及性不同，建議方案需要在地化調整。未來可結合 LLM 提供互動式問答，使讀者能以自然語言描述個案後獲得建議。

# 連結

GitHub：htlin222/adj-HER2-pos-breast-cancer
主要語言：HTML
最後更新：2026-04-08

FoundationOne-to-Oncoprinter：將 FoundationOne 報告轉為 cBioPortal OncoPrinter 格式

Sat, 28 Mar 2026 00:00:00 +0000

# Introduction（引言）

FoundationOne 是腫瘤學常用的商用 NGS 報告平台，但其輸出格式與研究界常用的 cBioPortal OncoPrinter 不一致。臨床研究者若想以 OncoPrinter 視覺化一群病人的突變地景（mutation landscape），需手動整理資料並對齊欄位，極耗時。本專案提供一個自動化轉換工具，將 FoundationOne 報告（PDF 或結構化資料）轉為 OncoPrinter 接受的格式，包含突變、複製數變異（CNV）與融合三大類型。

# Methods（方法）

工具以 Python 撰寫，輸入支援多種 FoundationOne 報告格式（PDF 經 OCR 萃取、官方 API、結構化匯出）。轉換階段依 OncoPrinter 規範產出三類事件：突變以基因符號加變異形式呈現、CNV 標示為 AMP／DEL、融合則為兩基因符號連接。輸出採 tab-separated values（TSV）格式，可直接貼入 cBioPortal OncoPrinter 線上工具或本地版本。

設計重點為「忠於原資料」：每個事件可追溯至原始報告中之頁碼或欄位，避免轉換過程造成資訊扭曲。對於模糊事件（如 VUS 變異），工具提供標記而非自動排除，由研究者依研究目的決定是否納入。

# Results（結果）

轉換工具讓臨床研究者得以在數分鐘內將數十份 FoundationOne 報告整理為 OncoPrinter 視覺化所需格式，省去原本以 Excel 手動整理數小時的負擔。對於進行回顧性分子流行病學研究的團隊，這顯著加速了從報告到圖表的流程。

# Discussion（討論）

本專案展現了「臨床基因體學工具鏈中介層」的價值：解決商用報告與開源生態之間的格式落差，雖技術簡單但實用性極高。限制方面，OCR 解析的準確性仍受 PDF 品質影響；FoundationOne 報告版本變動可能導致欄位對應失敗。未來可擴展支援其他 NGS 商用報告（如 Caris、Tempus），並接入 OncoKB 進行可治療性註解。

# 連結

GitHub：htlin222/FoundationOne-to-Oncoprinter
主要語言：Python
最後更新：2026-03-28

nccn-skill：將 NCCN 指引 PDF 轉為結構化 AI Skill 的元 Skill

Sat, 28 Mar 2026 00:00:00 +0000

# Introduction（引言）

NCCN（美國國家綜合癌症網路）臨床實踐指引為腫瘤學最廣為使用的決策參考之一，但其 PDF 格式不利於 AI 工具直接消費。當醫師詢問特定臨床決策時，LLM 若只依賴一般訓練資料，可能引用過時版本或產生幻覺。本專案以「元 Skill」（meta-skill）為定位：它的功能不是直接回答臨床問題，而是把任意 NCCN PDF 指引「轉換為可被 Claude 等客戶端載入的 Skill 套件」。

# Methods（方法）

實作以 Python 為主，整體流程：擷取 PDF 為結構化區段（章節、決策樹、藥物表格）；以平行 Haiku 模型完成各區段的細節轉譯；產出符合 Vercel Skills 協定的 Skill 套件，包含 metadata、漸進式揭露的內容檔與抗幻覺機制。引文強制機制要求最終 Skill 在回答時必須引用對應的指引段落原文，避免 LLM 自行延伸。

設計重點為「漸進式揭露」：Skill 不會一次將整份指引塞入 LLM context，而是依使用者問題動態擷取相關段落，平衡資訊密度與 context 長度。平行 Haiku 設計則大幅縮短轉換時間，使一份完整指引可在數十分鐘內被「Skill 化」。

# Results（結果）

研究者或臨床教師可將任意 NCCN 指引透過本元 Skill 轉換為可分享的 Skill 套件，並透過 npx skills add 安裝至 Claude 客戶端。對於組織內部教學，這提供一種「將共享資源轉化為共享工具」的新方式。實證上產出的 Skill 在抗幻覺機制下顯著降低引文錯誤率。

# Discussion（討論）

本專案具體實踐了「指引即 Skill」的觀念：當臨床指引能以結構化方式被 LLM 消費時，便能在不違反著作權的前提下大幅提升 LLM 的臨床可信度。限制方面，PDF 結構複雜時轉換品質仍需人工審核；NCCN 指引更新頻繁，Skill 需有版本管理機制。未來可擴展支援其他指引（ESMO、ASH、ESC），並建立中央 Skill 倉庫供臨床社群協作。

# 連結

GitHub：htlin222/nccn-skill
主要語言：Python
最後更新：2026-03-28