pathml
Analisar lâminas de patologia com aprendizado de máquina
Também disponível em: davila7
PathML simplifica fluxos de trabalho de patologia computacional, fornecendo ferramentas unificadas para carregar diversos formatos de lâminas, pré-processar imagens e treinar modelos de ML. Pesquisadores podem analisar imagens de lâminas inteiras, construir grafos teciduais e quantificar dados de imunofluorescência multiplex em um único framework.
Baixar o ZIP da skill
Upload no Claude
Vá em Configurações → Capacidades → Skills → Upload skill
Ative e comece a usar
Testar
A utilizar "pathml". Carregar slide.svs e aplicar normalização de coloração
Resultado esperado:
- ✓ Carregado slide.svs (ampliação 40x, pixels 89600×76800)
- ✓ Aplicada normalização de coloração Macenko à imagem alvo
- ✓ Detectadas 12 regiões teciduais em 4 níveis
- ✓ Gerados 2.847 tiles (256×256) das áreas teciduais
- ✓ Normalização completa - colorações agora consistentes no lote
A utilizar "pathml". Segmentar núcleos com HoVer-Net
Resultado esperado:
- ✓ Carregado modelo HoVer-Net com 5 categorias nucleares
- ✓ Processados 2.847 tiles em 4,2 minutos (GPU)
- ✓ Detectados 124.856 núcleos na amostra
- ✓ Geradas máscaras de segmentação e mapas de classificação
- ✓ Contagem nuclear por tipo: epitelial (45K), fibroblasto (32K), imunológico (28K), outro (20K)
A utilizar "pathml". Analisar dados multiplex CODEX
Resultado esperado:
- ✓ Carregado conjunto de dados CODEX (30 marcadores, 4 execuções)
- ✓ Consolidados dados de múltiplas execuções em imagem multicanal única
- ✓ Segmentadas 45.231 células usando Mesmer
- ✓ Extraída expressão de marcador por célula (intensidade mediana)
- ✓ Exportado para AnnData para análise posterior
Auditoria de Segurança
SeguroPathML 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.
Fatores de risco
⚡ Contém scripts (2)
⚙️ Comandos externos (2)
🌐 Acesso à rede (1)
📁 Acesso ao sistema de arquivos (1)
Pontuação de qualidade
O Que Você Pode Construir
Segmentar núcleos em tecidos corados com H&E
Carregar imagens de lâminas inteiras, aplicar pipelines de pré-processamento e usar HoVer-Net para detectar e classificar núcleos celulares para análise quantitativa.
Analisar dados de imageamento multiplex CODEX
Processar experimentos CODEX de múltiplas execuções, segmentar células com Mesmer e quantificar expressão de marcadores de proteína para proteômica espacial.
Treinar modelos personalizados de patologia
Usar a integração PyTorch do PathML para treinar modelos de aprendizado profundo em conjuntos de dados públicos como PanNuke com carregamento de dados otimizado.
Tente Estes Prompts
Carregar o arquivo SVS em data/slide.svs usando PathML e exibir a estrutura da pirâmide de imagem. Mostrar quais níveis estão disponíveis e suas dimensões.
Criar um pipeline PathML que detecta regiões teciduais, normaliza colorações H&E usando método Macenko e remove artefatos de slide.svs
Usar o modelo HoVer-Net do PathML para segmentar núcleos na lâmina pré-processada. Extrair máscaras de segmentação e classificar tipos de núcleo.
A partir dos núcleos segmentados, construir um grafo espacial onde nós são células e arestas conectam células vizinhas. Extrair características do grafo para análise posterior.
Melhores Práticas
- Sempre use a classe de lâmina apropriada para seu formato de imagem (SVSSlide, CODEXSlide, etc.)
- Gere tiles na resolução apropriada para sua análise - use parâmetro level para equilibrar detalhe vs desempenho
- Aplique normalização de coloração antes de treinar modelos de ML para reduzir efeitos de lote
Evitar
- Não carregue WSI inteiro na memória - use tiles e mapeamento de memória para lâminas grandes
- Evite treinar modelos em imagens não normalizadas de diferentes scanners ou laboratórios
- Não use bibliotecas genéricas de carregamento de imagens - PathML gerencia metadados e níveis de pirâmide corretamente
Perguntas Frequentes
Quais formatos de lâmina o PathML suporta?
Como lidar com problemas de memória com lâminas grandes?
PathML pode treinar modelos personalizados de aprendizado profundo?
Qual é a diferença entre HoVer-Net e HACT-Net?
Como analisar dados multiplex CODEX?
Posso usar PathML para projetos comerciais?
Detalhes do Desenvolvedor
Autor
K-Dense-AILicença
GPL-2.0 license
Repositório
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/pathmlReferência
main
Estrutura de arquivos