PathML는 다양한 슬라이드 형식을 로드하고, 이미지를 전처리하며, ML 모델을 학습하기 위한 통합 도구를 제공하여 전산 병리학 워크플로우를 간소화합니다. 연구자들은 전체 슬라이드 이미지를 분석하고, 조직 그래프를 구축하며, 단일 프레임워크에서 다중 면역형광 데이터를 정량화할 수 있습니다.
스킬 ZIP 다운로드
Claude에서 업로드
설정 → 기능 → 스킬 → 스킬 업로드로 이동
토글을 켜고 사용 시작
테스트해 보기
"pathml" 사용 중입니다. Load slide.svs and apply stain normalization
예상 결과:
- ✓ 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
"pathml" 사용 중입니다. Segment nuclei with HoVer-Net
예상 결과:
- ✓ 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)
"pathml" 사용 중입니다. Analyze CODEX multiplex data
예상 결과:
- ✓ 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
보안 감사
안전PathML 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.
위험 요인
🌐 네트워크 접근 (1)
📁 파일 시스템 액세스 (1)
품질 점수
만들 수 있는 것
H&E 염색 조직에서 핵분열 세그먼트화
전체 슬라이드 이미지를 로드하고, 전처리 파이프라인을 적용한 후, 정량적 분석을 위해 HoVer-Net을 사용하여 세포 핵을 탐지하고 분류합니다.
CODEX 다중 이미징 데이터 분석
다중 실행 CODEX 실험을 처리하고, Mesmer로 세포를 세그먼트화하며, 공간 단백질학을 위한 단백질 마커 발현을 정량화합니다.
사용자 정의 병리학 모델 학습
PathML의 PyTorch 통합을 활용하여 PanNuke와 같은 공개 데이터셋에서 최적화된 데이터 로딩으로 딥러닝 모델을 학습합니다.
이 프롬프트를 사용해 보세요
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.
모범 사례
- 항상 이미지 형식에 맞는 적절한 슬라이드 클래스 사용 (SVSSlide, CODEXSlide 등)
- 분석에 적합한 해상도에서 타일 생성 - 세부사항과 성능 사이의 균형을 위해 level 매개변수 사용
- 배치 효과를 줄이기 위해 ML 모델 학습 전에 염색 정규화 적용
피하기
- 전체 WSI를 메모리에 로드하지 않음 - 대형 슬라이드에 타일링 및 메모리 매핑 사용
- 다른 스캐너나 랩의 정규화되지 않은 이미지로 모델 학습하지 않음
- 범용 이미지 로딩 라이브러리 사용하지 않음 - PathML가 메타데이터와 피라미드 레벨을 올바르게 처리함