医疗保健行业正处于十字路口，面临着日益增长的需求与有限资源之间的矛盾。长时间的等待、医疗专业人员的压力以及对更高效解决方案的不断需求，推动了新技术的探索。人工智能，特别是以AI助手的形式，正逐渐成为弥合这一差距、改善医疗服务交付的潜在工具。

CrewAI，一个用于构建AI驱动应用程序的框架，为开发此类助手提供了一种独特的方法。通过利用AI代理、基于Web的工具和大型语言模型的力量，CrewAI使开发者能够创建能够理解复杂信息并提供深刻见解的复杂系统。

本文深入探讨了CrewAI在医疗保健领域的一个实际应用示例：一个旨在提供初步医疗信息和支持的医疗AI助手。虽然它不能替代合格的医疗专业人员，但这个助手展示了AI如何用于简化信息收集、提供潜在诊断并建议治疗途径，以便与医疗提供者进一步讨论。

理解目标：该代码旨在构建一个模拟简化医疗咨询的Web应用程序。用户可以输入他们的症状和病史，由CrewAI代理驱动的应用程序将提供初步诊断并建议潜在的治疗计划。

代码分解：

导入必要的库：

from crewai import Agent, Task, Crew
from crewai_tools import ScrapeWebsiteTool, SerperDevTool
import os 
import streamlit as st
from dotenv import load_dotenv
from docx import Document
from io import BytesIO
import base64
from langchain_community.llms import Ollama

CrewAI框架： Agent、Task和Crew是CrewAI的核心组件，支持创建和管理AI代理及其任务。
网页交互工具： ScrapeWebsiteTool允许机器人从网站提取信息，而SerperDevTool利用Serper搜索引擎API进行更广泛的网络搜索。
应用与环境： os与操作系统交互，streamlit构建网页应用界面，dotenv安全加载环境变量（包括API密钥）。
文档生成： docx支持创建Microsoft Word文档，io处理文件输入输出，base64对数据进行编码以便网页下载。
语言模型： langchain_community.llms中的Ollama提供语言理解和生成能力，使用“phi3”模型。

2. 安全API密钥管理：

load_dotenv()
os.environ['SERPER_API_KEY'] = os.getenv('SERPER_API_KEY')

此部分确保API密钥的安全处理。代码从.env文件加载SERPER_API_KEY，而非硬编码敏感信息，增强了安全性和可维护性。

3. 定义辅助函数：

def generate_docx(result):
    doc = Document()
    doc.add_heading("Healthcare Diagnosis and Treatment Recommendations", 0)
    doc.add_paragraph(result)
    bio = BytesIO()
    doc.save(bio)
    bio.seek(0)
    return bio

def get_download_link(bio, filename):
    b64 = base64.b64decode(bio.read()).decode()
    return f'<a href="data:application/vnd.openxmlformats-officedocument.wordprocessingml.document;base64,{b64}" download="{filename}">Download Diagnosis and Treatment Plan</a>'

generate_docx： 该函数接收生成的医疗信息（诊断和治疗计划），并使用docx库创建可下载的.docx文件。
get_download_link： 该函数生成一个HTML链接，允许用户下载包含医疗建议的生成.docx文件。

4. 构建Streamlit用户界面：

st.set_page_config(layout='wide')
st.title("Medical AI Bot")
gender = st.selectbox('Select Gender', ("Male", "Female", "Other"))
age = st.number_input("Enter Age", min_value=0, max_value=120, value=25)
symptoms = st.text_area("Enter Symptoms", 'e.g., Fever, Cough, Headache')
medical_history = st.text_area("Enter your medical history", 'e.g., Diabetes, Hypertension')

此部分设置网页应用的布局和元素：

st.set_page_config(layout=’wide’)：配置更宽的布局以提升用户体验。
st.title(“Medical AI Bot”)：设置网页标题。
使用st.selectbox选择性别、st.number_input输入年龄、st.text_area输入症状和病史等字段收集用户信息。

5. 初始化工具和语言模型：

search_tool = SerperDevTool()
scrape_tool = ScrapeWebsiteTool()
llm = Ollama(model = "phi3")

创建网页抓取工具（scrape_tool）、网页搜索工具（search_tool）和Ollama语言模型（llm）实例，使这些资源可供AI代理使用。

6. 定义CrewAI代理：

diagonostician = Agent(
    role ="Medical Diagonostician"
    goal = "Analyze patient symptoms and medical history to provide a perliminary diagnosis.",
    backstory = "This agent specializes in diagnosing medical conditions based on patient-reported symptoms and medical history. It uses advanded algorithms and medical knowledge to identify potential health issues",
    verbose = True,
    allow_delegation = False
    tools = [search_tool, scrape_tool],
    llm = llm

)

treatment_advisior = Agent(
    role = "Treatment Advisior",
    goal = "Recommend appropriate treatment plans based on the diagnosis provided by the medical Diagnostician",
    backstory="This  agent specializes in creating treatment plans tailored to individual patient needs. It considers the diagnosis, patient history, and current best practices in medicine to recommend effectice treatments.",
    verbose = True,
    allow_delegation = False,
    tools = [search_tool, scrape_tool],
    llm = llm
)

定义两个专门的AI代理，每个代理具有特定的角色、目标、背景故事和工具集：

diagonostician： 该代理专注于分析患者症状和病史，提供初步诊断。它利用网页搜索和抓取工具访问相关医疗信息。
treatment_advisior： 该代理根据diagonostician提供的诊断，推荐合适的治疗计划。它考虑患者的病史、当前症状和医学最佳实践。同样，它也使用网页工具收集额外信息。

7. 定义CrewAI任务：

diagnose_task = Task(
    description = (
        "1. Analyze the patient's symptoms ({symptoms}) and medical history({medical_history}).\n"
        "2. Provide a preliminary diagnosis with possible conditions based on the provided information.\n"
        "3. Limit the diagnosis to the most likely conditions."
    ),
    expected_output = "A preliminary diadnosis with a list of pssible conditions.",
    agent = diagonostician
)

treatment_task = Task(
    description =(
        "1. Based on the diagnosis, recommend appropriate treatment plans step by step.\n"
        "2. Consider the patient's medical history ({medical_histoy}) and current symptoms ({symptoms}).\n "
        "3. Provide detailed treatment recommendations, inculding medicatins, lifestyle changes, and follow-up care."
    ),
    expected_output= " A comprehesive treatment plan tailored to the patient's needs",
    agent = treatment_advisior
)

为每个代理定义具体任务，概述步骤和预期输出：

diagnose_task： 该任务指示diagonostician分析患者信息，生成初步诊断，并聚焦于最可能的病症。
treatment_task： 该任务指示treatment_advisior利用提供的诊断、患者病史和当前症状，制定全面的治疗计划，包括药物建议、生活方式改变和后续护理建议。

8. 创建CrewAI团队：

crew = Crew(
    agents = [ diagonostician, treatment_advisior],
    tasks=[diagnose_task, treatment_task],
    verbose= 2
)

创建一个crew对象，集合定义的代理及其各自任务。verbose=2设置确保过程详细记录，有助于调试和理解信息流。

9. 协调工作流程和用户交互：

if st.button(" Get Diagnosis and Treatment Plan"):
    with st.spinner("Generating Recommendations....."):
        results = crew.kickoff(inputs={"symptoms":symptoms, "medical_history": medical_history})
        st.write(results)
        docx_file = generate_docx(results)

        download_link = get_download_link(docx_file, "diagnosis_and_treatment_paln.docx")
        st.markdown(download_link, unsafe_allow_html=True)

此部分处理用户交互并触发诊断和治疗流程：

st.button(“ Get Diagnosis and Treatment Plan”)：网页界面显示一个按钮，提示用户启动流程。

用户点击按钮时：

显示加载消息（“Generating Recommendations…..”），表明流程正在进行。
crew.kickoff(inputs={“symptoms”:symptoms, “medical_history”: medical_history})：crew对象启动工作流程，将用户提供的症状和病史作为输入传递给代理。

生成的结果（包括诊断和治疗计划）显示在界面上。

generate_docx函数从结果创建可下载的Word文档，提供用户友好的信息保存格式。

最后，提供一个下载Word文档的链接给用户，允许他们保存医疗建议。

伦理考量与局限性：

必须强调，此代码仅为展示AI在医疗健康领域潜力的简化示例，不应用于实际的医疗诊断或治疗。现实中的医疗应用需经过严格测试、验证，遵守伦理准则，并获得监管机构的批准。

结论：

本文详细介绍了使用CrewAI构建的医疗AI助手。通过结合AI代理、网络工具和强大的语言模型，该应用展示了AI如何在初步医疗咨询中发挥潜在辅助作用。然而，使用此类技术时必须负责任，优先考虑患者安全，并始终咨询合格的医疗专业人员以获得准确的诊断和治疗。

附加资源：

官方网站： https://www.crewai.com/ 官方GitHub：https://github.com/joaomdmoura/crewAI 代码：https://github.com/imanoop7/medical-agent-using-crewai

欢迎探索这些资源，祝您学习愉快！如有更多问题，随时提问。😊

如果您喜欢这篇文章并希望支持我：

为我的文章鼓掌 10 次；这对我帮助很大。👏
在 Medium 上关注我 并免费订阅，获取我的最新文章🫶

Barry's Home

医疗保健中的AI探索CrewAI在医疗辅助方面的潜力

代码分解：

伦理考量与局限性：

结论：

附加资源：

如果您喜欢这篇文章并希望支持我：