Fähigkeiten pathml
🔬

pathml

Sicher ⚡ Enthält Skripte⚙️ Externe Befehle🌐 Netzwerkzugriff📁 Dateisystemzugriff

Pathologie-Bildanalyse mit maschinellem Lernen

Auch verfügbar von: davila7

PathML optimiert Workflows in der computergestützten Pathologie durch einheitliche Werkzeuge für das Laden verschiedener Slide-Formate, die Vorverarbeitung von Bildern und das Training von ML-Modellen. Forscher können Whole-Slide-Images analysieren, Gewebe-Graphen erstellen und multiplex Immunfluoreszenz-Daten in einem einzigen Framework quantifizieren.

Unterstützt: Claude Codex Code(CC)
📊 71 Angemessen
1

Die Skill-ZIP herunterladen

2

In Claude hochladen

Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen

3

Einschalten und loslegen

Teste es

Verwendung von "pathml". Slide.svs laden und Färbungsnormalisierung anwenden

Erwartetes Ergebnis:

  • ✓ slide.svs geladen (40x Vergrößerung, 89600×76800 Pixel)
  • ✓ Macenko-Färbungsnormalisierung auf Zielbild angewendet
  • ✓ 12 Geweberegionen über 4 Ebenen erkannt
  • ✓ 2.847 Kacheln (256×256) aus Gewebebereichen generiert
  • ✓ Normalisierung abgeschlossen - Färbungen jetzt konsistent über Batch

Verwendung von "pathml". Nuklei mit HoVer-Net segmentieren

Erwartetes Ergebnis:

  • ✓ HoVer-Net-Modell mit 5 Nukleus-Kategorien geladen
  • ✓ 2.847 Kacheln in 4,2 Minuten verarbeitet (GPU)
  • ✓ 124.856 Nuklei über Probe erkannt
  • ✓ Segmentierungsmasken und Klassifikationskarten generiert
  • ✓ Nukleuszahlen nach Typ: epithelial (45K), Fibroblasten (32K), Immunzellen (28K), andere (20K)

Verwendung von "pathml". CODEX-Multiplex-Daten analysieren

Erwartetes Ergebnis:

  • ✓ CODEX-Datensatz geladen (30 Marker, 4 Runs)
  • ✓ Multi-Run-Daten zu einzelnem Multichannel-Bild kombiniert
  • ✓ 45.231 Zellen mit Mesmer segmentiert
  • ✓ Markerexpression pro Zelle extrahiert (Median-Intensität)
  • ✓ Für downstream Analyse nach AnnData exportiert

Sicherheitsaudit

Sicher
v4 • 1/17/2026

PathML 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.

8
Gescannte Dateien
4,409
Analysierte Zeilen
4
befunde
4
Gesamtzahl Audits

Risikofaktoren

⚡ Enthält Skripte (2)
references/data_management.md:442 references/machine_learning.md:229
⚙️ Externe Befehle (2)
references/data_management.md:19 references/data_management.md:395
🌐 Netzwerkzugriff (1)
references/data_management.md:738-742
📁 Dateisystemzugriff (1)
references/data_management.md:105
Auditiert von: claude Audit-Verlauf anzeigen →

Qualitätsbewertung

45
Architektur
100
Wartbarkeit
87
Inhalt
21
Community
100
Sicherheit
91
Spezifikationskonformität

Was du bauen kannst

Nuklei in H&E-gefärbten Geweben segmentieren

Whole-Slide-Images laden, Preprocessing-Pipelines anwenden und HoVer-Net zur Detektion und Klassifizierung von Zellkernen für quantitative Analysen nutzen.

CODEX-Multiplex-Bildgebungsdaten analysieren

Multi-Run-CODEX-Experimente verarbeiten, Zellen mit Mesmer segmentieren und Proteinmarker-Expression für räumliche Proteomik quantifizieren.

Eigene Pathologie-Modelle trainieren

PathMLs PyTorch-Integration nutzen, um Deep-Learning-Modelle auf öffentlichen Datensätzen wie PanNuke mit optimiertem Datenladen zu trainieren.

Probiere diese Prompts

Grundlegendes WSI-Laden 
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.
Preprocessing-Pipeline 
Create a PathML pipeline that detects tissue regions, normalizes H&E stains using Macenko method, and removes artifacts from slide.svs
Nukleus-Segmentierung 
Use PathML's HoVer-Net model to segment nuclei in the preprocessed slide. Extract segmentation masks and classify nucleus types.
Gewebe-Graphen erstellen 
From the segmented nuclei, construct a spatial graph where nodes are cells and edges connect neighboring cells. Extract graph features for downstream analysis.

Bewährte Verfahren

  • Immer die passende Slide-Klasse für Ihr Bildformat verwenden (SVSSlide, CODEXSlide, usw.)
  • Kacheln auf angemessener Auflösung für Ihre Analyse generieren - level-Parameter verwenden, um Detailtiefe vs. Performance abzuwägen
  • Färbungsnormalisierung vor dem Training von ML-Modellen anwenden, um Batch-Effekte zu reduzieren

Vermeiden

  • Nicht gesamte WSI in Speicher laden - Tiling und Memory-Mapping für große Slides verwenden
  • Vermeiden, Modelle auf unnormalisierten Bildern von verschiedenen Scannern oder Labs zu trainieren
  • Keine generischen Bildladeprogramme verwenden - PathML behandelt Metadaten und Pyramid-Ebenen korrekt

Häufig gestellte Fragen

Welche Slide-Formate unterstützt PathML?
PathML unterstützt über 160 Formate einschließlich Aperio SVS, Hamamatsu NDPI, Leica SCN, Zeiss-Formate, DICOM und Standard-TIFF.
Wie gehe ich mit Speicherproblemen bei großen Slides um?
Tile-basierte Verarbeitung mit generate_tiles() verwenden, passenden level-Parameter angeben und Zwischenergebnisse in HDF5 speichern.
Kann PathML eigene Deep-Learning-Modelle trainieren?
Ja, PathML integriert sich mit PyTorch und bietet vortrainierte Modelle wie HoVer-Net. Sie können auch eigene Architekturen implementieren.
Was ist der Unterschied zwischen HoVer-Net und HACT-Net?
HoVer-Net segmentiert einzelne Nuklei, während HACT-Net Zelltypen hierarchisch über Geweberegionen klassifiziert.
Wie analysiere ich CODEX-Multiplex-Daten?
CODEXSlide-Klasse verwenden, Multi-Run-Daten kombinieren, mit Mesmer segmentieren, dann Markerexpression pro Zelle quantifizieren.
Kann ich PathML für kommerzielle Projekte verwenden?
PathML verwendet GPL-2.0-Lizenz, die Einschränkungen haben kann. Lizenzbedingungen für kommerzielle Nutzung prüfen.

Entwicklerdetails

Lizenz

GPL-2.0 license

Repository

https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/pathml

Ref

main

Dateistruktur

📁 references/

📄 data_management.md

📄 graphs.md

📄 image_loading.md

📄 machine_learning.md

📄 multiparametric.md

📄 preprocessing.md

📄 SKILL.md