PathML 透過提供統一的工具來載入多樣化的切片格式、預處理圖像和訓練機器學習模型，從而簡化計算病理學工作流程。研究人員可以在單一框架中分析全切片圖像、建立組織圖表並量化多重免疫螢光數據。
下载技能 ZIP
在 Claude 中上传
前往 设置 → 功能 → 技能 → 上传技能
开启并开始使用
测试它
正在使用“pathml”。 載入 slide.svs 並應用染色標準化
预期结果:
- ✓ 已載入 slide.svs（40 倍放大率，89600×76800 像素）
- ✓ 已對目標圖像應用 Macenko 染色標準化
- ✓ 在 4 個層級中檢測到 12 個組織區域
- ✓ 從組織區域生成 2,847 個圖塊（256×256）
- ✓ 標準化完成 - 染色在批次間現在一致
正在使用“pathml”。 使用 HoVer-Net 分割細胞核
预期结果:
- ✓ 已載入具有 5 個細胞核類別的 HoVer-Net 模型
- ✓ 在 4.2 分鐘內處理了 2,847 個圖塊（GPU）
- ✓ 在樣本中檢測到 124,856 個細胞核
- ✓ 已生成分割遮罩和分類圖
- ✓ 按類型的細胞核計數：上皮細胞（45K）、成纖維細胞（32K）、免疫細胞（28K）、其他（20K）
正在使用“pathml”。 分析 CODEX 多重數據
预期结果:
- ✓ 已載入 CODEX 數據集（30 個標記，4 輪）
- ✓ 將多輪數據折疊成單一多通道圖像
- ✓ 使用 Mesmer 分割 45,231 個細胞
- ✓ 提取每個細胞的標記表達（中等強度）
- ✓ 匯出至 AnnData 進行下游分析
安全审计
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.
风险因素
🌐 网络访问 (1)
📁 文件系统访问 (1)
质量评分
你能构建什么
在 H&E 染色組織中分割細胞核
載入全切片圖像，應用預處理流程，並使用 HoVer-Net 檢測和分類細胞核以進行定量分析。
分析 CODEX 多重成像數據
處理多輪 CODEX 實驗，使用 Mesmer 分割細胞，並量化蛋白質標記表達以進行空間蛋白質組學研究。
訓練自訂病理學模型
使用 PathML 的 PyTorch 整合，在 PanNuke 等公共數據集上訓練深度學習模型，並使用優化的數據載入。
试试这些提示
使用 PathML 載入 data/slide.svs 的 SVS 文件並顯示圖像金字塔結構。顯示可用的層級及其尺寸。
建立 PathML 流程以檢測組織區域、使用 Macenko 方法標準化 H&E 染色，並從 slide.svs 中去除偽影
使用 PathML 的 HoVer-Net 模型分割預處理切片中的細胞核。提取分割遮罩並分類細胞核類型。
從分割的細胞核中建構空間圖表，其中節點是細胞，邊連接相鄰的細胞。提取圖表特徵以進行下游分析。
最佳实践
- 始終為您的圖像格式使用適當的切片類別（SVSSlide、CODEXSlide 等）
- 在適當的解析度生成圖塊以進行分析 - 使用 level 參數來平衡詳細程度與效能
- 在訓練機器學習模型之前應用染色標準化以減少批次效應
避免
- 不要將整個 WSI 載入記憶體 - 對於大型切片使用圖塊和記憶體映射
- 避免在來自不同掃描器或實驗室的未標準化圖像上訓練模型
- 不要使用通用的圖像載入庫 - PathML 正確處理元數據和金字塔層級