🔬

pathml

Name: pathml
Author: K-Dense-AI

Sûr ⚡ Contient des scripts⚙️ Commandes externes🌐 Accès réseau📁 Accès au système de fichiers

Analyser des lames pathologiques avec l'apprentissage automatique

Également disponible depuis: davila7

PathML rationalise les flux de travail en pathologie computationnelle en fournissant des outils unifiés pour charger divers formats de lames, prétraiter les images et entraîner des modèles ML. Les chercheurs peuvent analyser des images de lames entières, construire des graphes tissulaires et quantifier les données d'immunofluorescence multiplex dans un cadre unique.

Prend en charge: Claude Codex Code(CC)

📊 71 Adéquat

Télécharger le ZIP du skill

Importer dans Claude

Allez dans Paramètres → Capacités → Skills → Importer un skill

Activez et commencez à utiliser

Tester

Utilisation de "pathml". Load slide.svs and apply stain normalization

Résultat attendu:

✓ 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

Utilisation de "pathml". Segment nuclei with HoVer-Net

Résultat attendu:

✓ 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)

Utilisation de "pathml". Analyze CODEX multiplex data

Résultat attendu:

✓ 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

Audit de sécurité

Sûr

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.

Fichiers analysés

4,409

Lignes analysées

résultats

Total des audits

Facteurs de risque

⚡ Contient des scripts (2)

references/data_management.md:442 references/machine_learning.md:229

⚙️ Commandes externes (2)

references/data_management.md:19 references/data_management.md:395

🌐 Accès réseau (1)

references/data_management.md:738-742

📁 Accès au système de fichiers (1)

references/data_management.md:105

Audité par: claude Voir l’historique des audits →

Score de qualité

Architecture

100

Maintenabilité

Contenu

Communauté

100

Sécurité

Conformité aux spécifications

Ce que vous pouvez construire

Segmenter les noyaux dans les tissus colorés H&E

Charger des images de lames entières, appliquer des pipelines de prétraitement et utiliser HoVer-Net pour détecter et classer les noyaux cellulaires pour une analyse quantitative.

Analyser les données d'imagerie multiplex CODEX

Traiter les expériences CODEX multi-runs, segmenter les cellules avec Mesmer et quantifier l'expression des marqueurs protéiques pour la protéomique spatiale.

Entraîner des modèles pathologiques personnalisés

Utiliser l'intégration PyTorch de PathML pour entraîner des modèles d'apprentissage en profondeur sur des ensembles de données publics comme PanNuke avec un chargement de données optimisé.

Essayez ces prompts

Chargement WSI de base

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.

Pipeline de prétraitement

Create a PathML pipeline that detects tissue regions, normalizes H&E stains using Macenko method, and removes artifacts from slide.svs

Segmentation de noyaux

Use PathML's HoVer-Net model to segment nuclei in the preprocessed slide. Extract segmentation masks and classify nucleus types.

Construire des graphes tissulaires

From the segmented nuclei, construct a spatial graph where nodes are cells and edges connect neighboring cells. Extract graph features for downstream analysis.

Bonnes pratiques

Toujours utiliser la classe de lame appropriée pour votre format d'image (SVSSlide, CODEXSlide, etc.)
Générer des tuiles à une résolution appropriée pour votre analyse - utiliser le paramètre level pour équilibrer détail et performance
Appliquer la normalisation des colorations avant d'entraîner des modèles ML pour réduire les effets de lot

Éviter

Ne pas charger l'intégralité du WSI en mémoire - utiliser le tuilage et la cartographie mémoire pour les grandes lames
Éviter d'entraîner des modèles sur des images non normalisées provenant de différents scanners ou laboratoires
Ne pas utiliser de bibliothèques de chargement d'images génériques - PathML gère correctement les métadonnées et les niveaux de pyramide

Foire aux questions

Quels formats de lames PathML prend-il en charge ?

PathML prend en charge plus de 160 formats incluant Aperio SVS, Hamamatsu NDPI, Leica SCN, formats Zeiss, DICOM et TIFF standard.

Comment gérer les problèmes de mémoire avec les grandes lames ?

Utilisez le traitement basé sur les tuiles avec generate_tiles(), spécifiez le paramètre level approprié et enregistrez les résultats intermédiaires dans HDF5.

PathML peut-il entraîner des modèles d'apprentissage en profondeur personnalisés ?

Oui, PathML s'intègre avec PyTorch et fournit des modèles prédéfinis comme HoVer-Net. Vous pouvez également implémenter des architectures personnalisées.

Quelle est la différence entre HoVer-Net et HACT-Net ?

HoVer-Net segmente les noyaux individuels, tandis que HACT-Net classifie les types de cellules de manière hiérarchique dans les régions tissulaires.

Comment analyser les données multiplex CODEX ?

Utilisez la classe CODEXSlide, regroupez les données multi-runs, segmentez avec Mesmer, puis quantifiez l'expression des marqueurs par cellule.

Puis-je utiliser PathML pour des projets commerciaux ?

PathML utilise la licence GPL-2.0 qui peut avoir des restrictions. Vérifiez les conditions de licence pour les exigences d'utilisation commerciale.