面向可执行、可复现神经影像研究的闭环智能体 AI

原始数据感知编排

NeuroClaw 从多模态原始数据出发，结合数据集语义、BIDS 元数据和流程阶段上下文，保证下游分析在科学逻辑上前后一致。

可执行框架工程

系统化管理 Python 环境、Docker、GPU 配置、检查点、产物校验和审计日志，让神经影像工具链更容易复现、检查和比较。

分层技能架构

通过接口层、子智能体和基础技能三层设计，将长流程拆解为可控、可复用的操作，覆盖工具、模态、数据集和模型。

基准驱动评估

NeuroBench 基于真实神经影像任务，评估规划完整性、工具使用合理性和命令/代码正确性，并对比使用与不使用 NeuroClaw 技能时的表现。

1. 基础处理

1.1 数据 I/O 与 BIDS：支持 BIDS 标准化组织、DICOM→NIfTI、NIfTI→DICOM、元数据检查，以及基于 Nibabel 的 NIfTI/FreeSurfer 底层读写。

1.2 环境配置与工程工具：覆盖 Conda、Docker、依赖规划、Shell 执行、Git 工作流、Overleaf、执行框架工具和技能更新维护。

1.3 科研发现：支持学术文献检索、多引擎证据收集、研究想法生成和方法设计。

2. 工具相关

2.1 结构与功能工具链：集成 FreeSurfer、FSL、Nilearn、fMRIPrep、CONN 与 HCP Pipelines，覆盖重建、分割、配准、GLM、ICA 和连接分析。

2.2 扩散与电生理工具：通过 DIPY、QSIPrep 与 MNE 支持去噪、张量指标计算、束追踪、EEG 清理和特征提取。

2.3 可视化与临床格式互操作：支持脑网络可视化、zALFF 脑区汇总、FreeSurfer 网格导出，以及兼容 DICOM 的结果转换。

3. 模态相关

3.1 sMRI：覆盖 T1/T2 预处理、组织分割、皮层分区、FreeSurfer 表面处理，以及基于 FLAIR+T1w 的 WMH 分割。

3.2 fMRI：覆盖预处理、去噪、ROI 时间序列提取、seed/ROI 连接分析、任务态 GLM、静息态 ICA 和有效连接分析。

3.3 DWI 与 EEG：支持涡流校正、扩散张量指标、束追踪、连接组构建，以及 EEG 伪迹去除、频谱分析和特征提取。

4. 数据集相关

4.1 ADNI：支持数据获取指导、BIDS 整理、预处理、ROI 分析、表型建模和衍生数据集生成。

4.2 HCP：支持结构、功能和扩散流程执行，并通过 HCP Pipelines 完成多模态结果集成。

4.3 UK Biobank 与扩展目标：支持 UKB 导出后的脑科学分析，也可扩展到 ADHD200、ABCD、ABIDE、COBRE、PNC、HBN、UCLA 等数据集。

5. 模型相关

5.1 深度学习：提供 BrainGNN、FM-APP、NeuroStorm 等模型路线，支持表型预测和神经影像表征学习。

5.2 统计与传统机器学习：覆盖 GLM、ICA、DictLearning、SVM、SpaceNet、K-means、Hierarchical、Filtering、Detrending，可用于激活分析、分解建模、分类、聚类和信号处理。

5.3 模型路由：通过统一模型入口完成预处理依赖检查、输入输出映射、可执行计划生成和面向基准评测的评估步骤。

6. 研究工作流相关

6.1 端到端流程：覆盖 sMRI、fMRI、DWI、EEG、ADNI、HCP 和 UKB 分析中的单模态流程与数据集特定处理链。

6.2 实验控制：从 METHOD 到实验执行，支持 Git 环境搭建、消融实验、检查点、结果验证、审计日志和可恢复运行。

6.3 科研产出支持：支持论文写作、清洁对话日志、可视化资产、复现报告，以及可维护的技能库更新。