PathMLは、多様なスライドフォーマットのロード、画像の、前処理、MLモデルの訓練のための統一されたツールを提供することで、計算病理学のワークフローを合理化します。研究者は、全スライド画像の解析、組織グラフの構築、マルクス免疫蛍光データの定量を単一のフレームワークで行うことができます。
スキルZIPをダウンロード
Claudeでアップロード
設定 → 機能 → スキル → スキルをアップロードへ移動
オンにして利用開始
テストする
「pathml」を使用しています。 Load slide.svs and apply stain normalization
期待される結果:
- ✓ 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
セキュリティ監査
安全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.
リスク要因
🌐 ネットワークアクセス (1)
📁 ファイルシステムへのアクセス (1)
品質スコア
作れるもの
H&E染色組織における核のセグメンテーション
全スライド画像をロードし、前処理パイプラインを適用し、HoVer-Netを使用して定量的解析のために細胞核を検出し分類します。
CODEXマルチクスイメージングデータの解析
マルチランCODEX実験を処理し、Mesmerで細胞を分割し、空間プロテオミクスのためのタンパク質マーカー発現を定量します。
カスタム病理モデルの訓練
PathMLのPyTorch統合を使用して、最適化されたデータローディングでPanNukeなどの公開データセットで深層学習モデルを訓練します。
これらのプロンプトを試す
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.
ベストプラクティス
- 画像フォーマットに適切なスライドクラスを使用する (SVSSlide、CODEXSlideなど)
- 解析に適した解像度でタイルを生成 - levelパラメータを使用して詳細とパフォーマンスのバランスを取る
- MLモデルの訓練前にバッチ効果を減らすために染色正規化を適用する
回避
- WSI全体をメモリにロードしない - 大きなスライドにはタイリングとメモリマッピングを使用
- 異なるスキャナーやラボからの正規化されていない画像でモデルを訓練しない
- 汎用画像ロードライブラリを使用しない - PathMLはメタデータとピラミッドレベルを正しく処理する