关于 pathml
PathML 是面向计算病理研究者和开发者的 Python 工具包，支持处理全切片图像和多重成像数据。其模块化工作流涵盖图像载入与预处理，以及空间分析、模型训练和数据集管理。
主要功能
- 01载入多种全切片图像格式
- 02组合图像预处理流水线
- 03构建细胞与组织空间图
- 04训练和部署病理模型
- 05分析多重成像数据
- 06使用 HDF5 管理数据集
适用场景
- 01对 H&E 切片进行染色归一化和组织检测
- 02使用 HoVer-Net 分割并分类细胞核
- 03定量分析 CODEX 图像中的标记物
- 04整理用于机器学习的大型病理数据集
安装
复制下面的命令，在终端中运行。
npx skills add https:/安装后在 Claude Code 中输入/pathml确认已加载。
包含的文件
除 SKILL.md 外，安装时一起下载的参考资料和脚本。
references/data_management.mdgraphs.mdimage_loading.mdmachine_learning.mdmultiparametric.mdpreprocessing.md详细介绍
PathML
概述
PathML 是一套全面的计算病理学工作流 Python 工具包，旨在为全切片病理图像的机器学习和图像分析提供支持。该框架提供模块化、可组合的工具，用于加载多种切片格式、预处理图像、构建空间图、训练深度学习模型，以及分析来自 CODEX 和多重免疫荧光等技术的多参数成像数据。
何时使用此技能
适用于以下场景：
- 加载和处理各种专有格式的全切片图像（WSI）
- 对 H&E 染色组织图像进行预处理和染色归一化
- 执行细胞核检测、分割和分类工作流
- 构建细胞和组织图，用于空间分析
- 在病理学数据上训练或部署机器学习模型（HoVer-Net、HACTNet）
- 分析多参数成像数据（CODEX、Vectra、MERFISH），以进行空间蛋白质组学研究
- 从多重免疫荧光中定量标志物表达
- 使用 HDF5 存储管理大型病理学数据集
- 执行基于图块的分析和拼接操作
核心功能
PathML 提供六大功能领域，详细说明见参考文件：
1. 图像加载与格式
加载 160 多种专有格式的全切片图像，包括 Aperio SVS、Hamamatsu NDPI、Leica SCN、Zeiss ZVI、DICOM 和 OME-TIFF。PathML 会自动处理特定厂商的格式，并提供统一接口，用于访问图像金字塔、元数据和感兴趣区域。
参见： references/image_loading.md，了解支持的格式、加载策略以及处理不同切片类型的方法。
2. 预处理管线
通过组合用于图像处理、质量控制、染色归一化、组织检测和掩码操作的变换，构建模块化预处理管线。PathML 的 Pipeline 架构支持在大型数据集上进行可复现、可扩展的预处理。
主要变换：
StainNormalizationHE- Macenko/Vahadane 染色归一化TissueDetectionHE、NucleusDetectionHE- 组织/细胞核分割MedianBlur、GaussianBlur- 降噪LabelArtifactTileHE- 伪影质量控制
参见： references/preprocessing.md，了解完整的变换目录、管线构建方法和预处理工作流。
3. 图构建
构建表示细胞和组织层面关系的空间图。从分割对象中提取特征，创建适用于图神经网络和空间分析的图表示。
参见： references/graphs.md，了解图构建方法、特征提取和空间分析工作流。
4. 机器学习
训练和部署用于细胞核检测、分割和分类的深度学习模型。PathML 集成了 PyTorch、预构建模型（HoVer-Net、HACTNet）、自定义 DataLoader 和用于推理的 ONNX 支持。
主要模型：
- HoVer-Net - 同时进行细胞核分割和分类
- HACTNet - 分层细胞类型分类
参见： references/machine_learning.md，了解模型训练、评估、推理工作流以及使用公开数据集的方法。
5. 多参数成像
分析来自 CODEX、Vectra、MERFISH 和其他多重成像平台的空间蛋白质组学和基因表达数据。PathML 提供专用切片类和变换，用于处理多参数数据、使用 Mesmer 进行细胞分割，以及执行定量工作流。
参见： references/multiparametric.md，了解 CODEX/Vectra 工作流、细胞分割、标志物定量以及与 AnnData 的集成。
6. 数据管理
使用 HDF5 格式高效存储和管理大型病理数据集。PathML 在统一的存储结构中处理图块、掩码、元数据和提取的特征，并针对机器学习工作流进行优化。
参见： references/data_management.md，了解 HDF5 集成、图块管理、数据集组织和批处理策略。
快速入门
安装
# Install PathML
uv pip install pathml
# With optional dependencies for all features
uv pip install pathml[all]
基本工作流示例
from pathml.core import SlideData
from pathml.preprocessing import Pipeline, StainNormalizationHE, TissueDetectionHE
# Load a whole-slide image
wsi = SlideData.from_slide("path/to/slide.svs")
# Create preprocessing pipeline
pipeline = Pipeline([
TissueDetectionHE(),
StainNormalizationHE(target='normalize', stain_estimation_method='macenko')
])
# Run pipeline
pipeline.run(wsi)
# Access processed tiles
for tile in wsi.tiles:
processed_image = tile.image
tissue_mask = tile.masks['tissue']
常见工作流
H&E 图像分析：
- 使用合适的切片类加载 WSI
- 应用组织检测和染色归一化
- 执行细胞核检测或训练分割模型
- 提取特征并构建空间图
- 开展下游分析
多参数成像（CODEX）：
- 使用
CODEXSlide加载 CODEX 切片 - 合并多轮次通道数据
- 使用 Mesmer 模型分割细胞
- 定量分析标记物表达
- 导出到 AnnData 以进行单细胞分析
训练机器学习模型：
- 使用公开病理数据准备数据集
- 使用 PathML 数据集创建 PyTorch DataLoader
- 训练 HoVer-Net 或自定义模型
- 在留出的测试集上进行评估
- 使用 ONNX 部署以进行推理
详细文档参考
执行特定任务时，请参阅相应的参考文件，获取全面信息：
- 加载图像：
references/image_loading.md - 预处理工作流：
references/preprocessing.md - 空间分析：
references/graphs.md - 模型训练：
references/machine_learning.md - CODEX/多重免疫荧光：
references/multiparametric.md - 数据存储：
references/data_management.md
资源
此技能包含按功能领域组织的全面参考文档。每个参考文件都提供特定 PathML 功能的详细 API 信息、工作流示例、最佳实践和故障排除指南。
references/
深入介绍 PathML 功能的文档文件：
image_loading.md- 全切片图像格式、加载策略、切片类preprocessing.md- 完整的变换目录、管道构建、预处理工作流graphs.md- 图构建方法、特征提取、空间分析machine_learning.md- 模型架构、训练工作流、评估、推理multiparametric.md- CODEX、Vectra、多重免疫荧光分析、细胞分割、定量分析data_management.md- HDF5 存储、图块管理、批处理、数据集组织
执行特定计算病理学任务时，请按需加载这些参考资料。