🔬

pathml

Name: pathml
Author: K-Dense-AI

Безопасно ⚡ Содержит скрипты⚙️ Внешние команды🌐 Доступ к сети📁 Доступ к файловой системе

Анализ патологических слайдов с помощью машинного обучения

Также доступно от: davila7

PathML упрощает рабочие процессы вычислительной патологии, предоставляя унифицированные инструменты для загрузки различных форматов слайдов, предобработки изображений и обучения моделей машинного обучения. Исследователи могут анализировать изображения целых слайдов, строить графы тканей и количественно оценивать данные мультиплексной иммунофлуоресценции в единой среде.

Поддерживает: Claude Codex Code(CC)

📊 71 Адекватно

Скачать ZIP навыка

Загрузить в Claude

Перейдите в Settings → Capabilities → Skills → Upload skill

Включите и начните использовать

Протестировать

Использование «pathml». Загрузить slide.svs и применить нормализацию окраски

Ожидаемый результат:

✓ Загружен slide.svs (40× увеличение, 89600×76800 пикселей)
✓ Применена нормализация окраски Macenko к целевому изображению
✓ Обнаружено 12 областей ткани на 4 уровнях
✓ Сгенерировано 2847 фрагментов (256×256) из областей ткани
✓ Нормализация завершена - окраска теперь согласована по всему батчу

Использование «pathml». Сегментировать ядра с помощью HoVer-Net

Ожидаемый результат:

✓ Загружена модель HoVer-Net с 5 категориями ядер
✓ Обработано 2847 фрагментов за 4,2 минуты (GPU)
✓ Обнаружено 124856 ядер в образце
✓ Сгенерированы маски сегментации и карты классификации
✓ Количество ядер по типам: эпителиальные (45K), фибробласты (32K), иммунные (28K), прочие (20K)

Использование «pathml». Анализировать данные мультиплекса CODEX

Ожидаемый результат:

✓ Загружен датасет CODEX (30 маркеров, 4 прогона)
✓ Объединены данные из нескольких прогонов в одно многоканальное изображение
✓ Сегментировано 45231 клетка с помощью Mesmer
✓ Извлечена экспрессия маркеров на клетку (медианная интенсивность)
✓ Экспортировано в AnnData для последующего анализа

Аудит безопасности

Безопасно

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.

Просканировано файлов

4,409

Проанализировано строк

находки

Всего аудитов

Факторы риска

⚡ Содержит скрипты (2)

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

⚙️ Внешние команды (2)

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

🌐 Доступ к сети (1)

references/data_management.md:738-742

📁 Доступ к файловой системе (1)

references/data_management.md:105

Проверено: claude Посмотреть историю аудитов →

Оценка качества

Архитектура

100

Сопровождаемость

Контент

Сообщество

100

Безопасность

Соответствие спецификации

Что вы можете построить

Сегментация ядер в H&E окрашенных тканях

Загрузите изображения целых слайдов, примените конвейеры предобработки и используйте HoVer-Net для обнаружения и классификации клеточных ядер для количественного анализа.

Анализ данных мультиплексной визуализации CODEX

Обработайте многоэксперименты CODEX, сегментируйте клетки с помощью Mesmer и количественно оцените экспрессию белковых маркеров для пространственной протеомики.

Обучение пользовательских моделей патологии

Используйте интеграцию PathML с PyTorch для обучения моделей глубокого обучения на публичных датасетах, таких как PanNuke, с оптимизированной загрузкой данных.

Попробуйте эти промпты

Базовая загрузка WSI

Загрузите файл SVS по пути data/slide.svs с помощью PathML и отобразите структуру пирамиды изображений. Покажите доступные уровни и их размеры.

Конвейер предобработки

Создайте конвейер PathML, который обнаруживает области ткани, нормализует H&E окраску с помощью метода Macenko и удаляет артефакты из slide.svs

Сегментация ядер

Используйте модель HoVer-Net из PathML для сегментации ядер на предобработанном слайде. Извлеките маски сегментации и классифицируйте типы ядер.

Построение графов тканей

Из сегментированных ядер постройте пространственный граф, где узлами являются клетки, а рёбра соединяют соседние клетки. Извлеките характеристики графа для последующего анализа.

Лучшие практики

Всегда используйте соответствующий класс слайда для вашего формата изображения (SVSSlide, CODEXSlide и т.д.)
Создавайте фрагменты на соответствующем разрешении для вашего анализа - используйте параметр level для баланса детализации и производительности
Применяйте нормализацию окраски перед обучением моделей машинного обучения для уменьшения пакетных эффектов

Избегать

Не загружайте весь WSI в память - используйте фрагментирование и отображение памяти для больших слайдов
Избегайте обучения моделей на ненормализованных изображениях с разных сканеров или лабораторий
Не используйте универсальные библиотеки загрузки изображений - PathML корректно обрабатывает метаданные и уровни пирамиды

Часто задаваемые вопросы

Какие форматы слайдов поддерживает PathML?

PathML поддерживает более 160 форматов, включая Aperio SVS, Hamamatsu NDPI, Leica SCN, форматы Zeiss, DICOM и стандартный TIFF.

Как справиться с проблемами памяти при работе с большими слайдами?

Используйте обработку на основе фрагментов с generate_tiles(), укажите соответствующий параметр level и сохраняйте промежуточные результаты в HDF5.

Может ли PathML обучать пользовательские модели глубокого обучения?

Да, PathML интегрируется с PyTorch и предоставляет готовые модели, такие как HoVer-Net. Вы также можете реализовать собственные архитектуры.

В чём разница между HoVer-Net и HACT-Net?

HoVer-Net сегментирует отдельные ядра, тогда как HACT-Net классифицирует типы клеток иерархически по областям ткани.

Как анализировать данные мультиплекса CODEX?

Используйте класс CODEXSlide, объедините данные из нескольких прогонов, сегментируйте с помощью Mesmer, затем количественно оцените экспрессию маркеров на клетку.

Можно ли использовать PathML для коммерческих проектов?

PathML использует лицензию GPL-2.0, которая может иметь ограничения. Проверьте условия лицензии на предмет требований к коммерческому использованию.