pathml
تحليل شرائح علم الأمراض باستخدام التعلم الآلي
متاح أيضًا من: davila7
PathML يبسط سير عمل علم الأمراض الحسابي من خلال توفير أدوات موحدة لتحميل تنسيقات الشرائح المتنوعة ومعالجة الصور مسبقًا وتدريب نماذج التعلم الآلي. يمكن للباحثين تحليل صور الشرائح الكاملة وبنية الرسوم البيانية للأنسجة وتكميم بيانات الفلورسescence المناعية المتعددة في إطار عمل واحد.
تنزيل ZIP المهارة
رفع في Claude
اذهب إلى Settings → Capabilities → Skills → Upload skill
فعّل وابدأ الاستخدام
اختبرها
استخدام "pathml". Load slide.svs and apply stain normalization
النتيجة المتوقعة:
- ✓ Loaded slide.svs (40x magnification, 89600×76800 pixels)
- ✓ Applied Macenko stain normalization to target image
- ✓ Detected 12 tissue regions across 4 levels
- ✓ Generated 2,847 tiles (256×256) from tissue areas
- ✓ Normalization complete - stains now consistent across batch
استخدام "pathml". Segment nuclei with HoVer-Net
النتيجة المتوقعة:
- ✓ Loaded HoVer-Net model with 5 nuclear categories
- ✓ Processed 2,847 tiles in 4.2 minutes (GPU)
- ✓ Detected 124,856 nuclei across sample
- ✓ Generated segmentation masks and classification maps
- ✓ Nuclear counts by type: epithelial (45K), fibroblast (32K), immune (28K), other (20K)
استخدام "pathml". Analyze CODEX multiplex data
النتيجة المتوقعة:
- ✓ Loaded CODEX dataset (30 markers, 4 runs)
- ✓ Collapsed multi-run data into single multichannel image
- ✓ Segmented 45,231 cells using Mesmer
- ✓ Extracted marker expression per cell (median intensity)
- ✓ Exported to AnnData for downstream analysis
التدقيق الأمني
آمنPathML is a legitimate open-source computational pathology toolkit. All 554 static findings are false positives - the scanner detected patterns in markdown documentation (code examples) rather than actual executable code. The 'eval()' detections are PyTorch's model.eval() method, not dynamic code execution. Shell command patterns are documentation examples for batch processing workflows. No malicious intent, data exfiltration, or security vulnerabilities confirmed.
عوامل الخطر
⚡ يحتوي على سكربتات (2)
⚙️ الأوامر الخارجية (2)
🌐 الوصول إلى الشبكة (1)
📁 الوصول إلى نظام الملفات (1)
درجة الجودة
ماذا يمكنك بناءه
تجزئة النوى في الأنسجة الملصقة بـ H&E
تحميل صور الشرائح الكاملة وتطبيق خطوط معالجة مسبقة واستخدام HoVer-Net لاكتشاف وتصنيف النوى الخلوية للتحليل الكمي.
تحليل بيانات التصوير المتعدد CODEX
معالجة تجارب CODEX متعددة التشغيل وتجزئة الخلايا باستخدام Mesmer وتكميم تعبير علامات البروتين للبروتيوميكس المكاني.
تدريب نماذج علم الأمراض المخصصة
استخدام تكامل PathML مع PyTorch لتدريب نماذج التعلم العميق على مجموعات البيانات العامة مثل PanNuke مع تحسين تحميل البيانات.
جرّب هذه الموجهات
Load the SVS file at data/slide.svs using PathML and display the image pyramid structure. Show me what levels are available and their dimensions.
Create a PathML pipeline that detects tissue regions, normalizes H&E stains using Macenko method, and removes artifacts from slide.svs
Use PathML's HoVer-Net model to segment nuclei in the preprocessed slide. Extract segmentation masks and classify nucleus types.
From the segmented nuclei, construct a spatial graph where nodes are cells and edges connect neighboring cells. Extract graph features for downstream analysis.
أفضل الممارسات
- استخدم دائمًا فئة الشرائح المناسبة لتنسيق صورتك (SVSSlide و CODEXSlide وما إلى ذلك)
- أنتج البلاطات بدقة مناسبة لتحليلك - استخدم معلمة المستوى لموازنة التفاصيل مقابل الأداء
- طبق تطبيع الصبغة قبل تدريب نماذج التعلم الآلي لتقليل تأثيرات الدفعة
تجنب
- لا تحمل WSI بالكامل في الذاكرة - استخدم البلاطات والذاكرة المُخطط لها للشرائح الكبيرة
- تجنب تدريب النماذج على صور غير طبيعية من مختبرات أو ماسحات ضوئية مختلفة
- لا تستخدم مكتبات تحميل الصور العامة - PathML يتعامل مع البيانات الوصفية ومستويات الهرم بشكل صحيح