# Pathml > Kit de ferramentas de patologia computacional para análise de imagens de lâminas inteiras (WSI) e dados de imagem multiparamétrica. Use esta habilidade ao trabalhar com lâminas de histopatologia, imagens coradas com H&E, imunofluorescência multiplex (CODEX, Vectra), proteômica espacial, detecção/segmentação de núcleos, construção de gráficos de tecido ou treinamento de modelos ML em dados de patologia. Suporta 160+ formatos de lâmina incluindo Aperio SVS, NDPI, DICOM, OME-TIFF para fluxos de trabalho de patologia digital. - Skill: `artubss/pathml` (Agent Skill, multi-file: 7 files) - Install (CLI): `npx skillmds@latest add artubss/pathml` - Raw SKILL.md: https://api.skillmd.com/api/skills/artubss/pathml/raw - Safety review: pending (external: skill-scanner PASS, skillspector PASS) - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Coding & Dev Tools - Author: artubss (https://skillmd.com/u/artubss) - Updated: 2026-08-19 - Page: https://skillmd.com/skills/artubss/pathml --- # PathML ## Visão Geral PathML é um kit de ferramentas Python abrangente para fluxos de trabalho de patologia computacional, projetado para facilitar aprendizado de máquina e análise de imagens para imagens de patologia de lâmina inteira. O framework fornece ferramentas modulares e compostas para carregamento de diversos formatos de lâminas, pré-processamento de imagens, construção de gráficos espaciais, treinamento de modelos de aprendizado profundo e análise de dados de imagem multiparamétrica de tecnologias como CODEX e imunofluorescência multiplex. ## Quando Usar Esta Habilidade Aplique esta habilidade para: - Carregar e processar imagens de lâminas inteiras (WSI) em vários formatos proprietários - Pré-processar imagens de tecido coradas com H&E com normalização de coloração - Fluxos de trabalho de detecção, segmentação e classificação de núcleos - Construir gráficos de células e tecidos para análise espacial - Treinar ou implantar modelos de aprendizado de máquina (HoVer-Net, HACTNet) em dados de patologia - Analisar imagem multiparamétrica (CODEX, Vectra, MERFISH) para proteômica espacial - Quantificar expressão de marcadores de imunofluorescência multiplex - Gerenciar conjuntos de dados de patologia em larga escala com armazenamento HDF5 - Análise baseada em tiles e operações de costura ## Capacidades Principais PathML fornece seis áreas de capacidade principais documentadas em detalhes em arquivos de referência: ### 1. Carregamento de Imagens e Formatos Carregue imagens de lâminas inteiras de 160+ formatos proprietários, incluindo Aperio SVS, Hamamatsu NDPI, Leica SCN, Zeiss ZVI, DICOM e OME-TIFF. PathML trata automaticamente formatos específicos de fabricantes e fornece interfaces unificadas para acessar pirâmides de imagem, metadados e regiões de interesse. **Veja:** `references/image_loading.md` para formatos suportados, estratégias de carregamento e trabalho com diferentes tipos de lâminas. ### 2. Pipelines de Pré-processamento Construa pipelines de pré-processamento modulares ao compor transformações para manipulação de imagem, controle de qualidade, normalização de coloração, detecção de tecido e operações de máscara. A arquitetura Pipeline do PathML permite pré-processamento reproduzível e escalável em grandes conjuntos de dados. **Transformações principais:** - `StainNormalizationHE` - Normalização de coloração Macenko/Vahadane - `TissueDetectionHE`, `NucleusDetectionHE` - Segmentação de tecido/núcleo - `MedianBlur`, `GaussianBlur` - Redução de ruído - `LabelArtifactTileHE` - Controle de qualidade para artefatos **Veja:** `references/preprocessing.md` para catálogo completo de transformações, construção de pipeline e fluxos de trabalho de pré-processamento. ### 3. Construção de Gráficos Construa gráficos espaciais que representem relacionamentos celulares e de nível de tecido. Extraia recursos de objetos segmentados para criar representações baseadas em gráficos adequadas para redes neurais de gráficos e análise espacial. **Veja:** `references/graphs.md` para métodos de construção de gráficos, extração de recursos e fluxos de trabalho de análise espacial. ### 4. Aprendizado de Máquina Treine e implante modelos de aprendizado profundo para detecção, segmentação e classificação de núcleos. PathML integra PyTorch com modelos pré-construídos (HoVer-Net, HACTNet), DataLoaders personalizados e suporte ONNX para inferência. **Modelos principais:** - **HoVer-Net** - Segmentação e classificação simultânea de núcleos - **HACTNet** - Classificação hierárquica de tipo de célula **Veja:** `references/machine_learning.md` para treinamento de modelos, avaliação, fluxos de trabalho de inferência e trabalho com conjuntos de dados públicos. ### 5. Imagem Multiparamétrica Analise dados de proteômica espacial e expressão gênica de CODEX, Vectra, MERFISH e outras plataformas de imagem multiplex. PathML fornece classes de slide especializadas e transformações para processar dados multiparamétricos, segmentação de células com Mesmer e fluxos de trabalho de quantificação. **Veja:** `references/multiparametric.md` para fluxos de trabalho CODEX/Vectra, segmentação de células, quantificação de marcadores e integração com AnnData. ### 6. Gerenciamento de Dados Armazene e gerencie eficientemente grandes conjuntos de dados de patologia usando formato HDF5. PathML trata tiles, máscaras, metadados e recursos extraídos em estruturas de armazenamento unificadas otimizadas para fluxos de trabalho de aprendizado de máquina. **Veja:** `references/data_management.md` para integração HDF5, gerenciamento de tiles, organização de conjuntos de dados e estratégias de processamento em lote. ## Início Rápido ### Instalação ```bash # Instalar PathML uv pip install pathml # Com dependências opcionais para todos os recursos uv pip install pathml[all] ``` ### Exemplo de Fluxo de Trabalho Básico ```python from pathml.core import SlideData from pathml.preprocessing import Pipeline, StainNormalizationHE, TissueDetectionHE # Carregue uma imagem de lâmina inteira wsi = SlideData.from_slide("path/to/slide.svs") # Crie pipeline de pré-processamento pipeline = Pipeline([ TissueDetectionHE(), StainNormalizationHE(target='normalize', stain_estimation_method='macenko') ]) # Execute o pipeline pipeline.run(wsi) # Acesse tiles processados for tile in wsi.tiles: processed_image = tile.image tissue_mask = tile.masks['tissue'] ``` ### Fluxos de Trabalho Comuns **Análise de Imagem H&E:** 1. Carregue WSI com a classe de slide apropriada 2. Aplique detecção de tecido e normalização de coloração 3. Execute detecção de núcleo ou treine modelos de segmentação 4. Extraia recursos e construa gráficos espaciais 5. Conduza análise subsequente **Imagem Multiparamétrica (CODEX):** 1. Carregue slide CODEX com `CODEXSlide` 2. Colapsar dados de canal com múltiplas execuções 3. Segmente células usando modelo Mesmer 4. Quantifique expressão de marcadores 5. Exporte para AnnData para análise de célula única **Treinamento de Modelos ML:** 1. Prepare conjunto de dados com dados de patologia pública 2. Crie PyTorch DataLoader com conjuntos de dados PathML 3. Treine HoVer-Net ou modelos personalizados 4. Avalie em conjuntos de testes retidos 5. Implante com ONNX para inferência ## Referências para Documentação Detalhada Ao trabalhar em tarefas específicas, consulte o arquivo de referência apropriado para informações abrangentes: - **Carregamento de imagens:** `references/image_loading.md` - **Fluxos de trabalho de pré-processamento:** `references/preprocessing.md` - **Análise espacial:** `references/graphs.md` - **Treinamento de modelos:** `references/machine_learning.md` - **CODEX/IF multiplex:** `references/multiparametric.md` - **Armazenamento de dados:** `references/data_management.md` ## Recursos Esta habilidade inclui documentação de referência abrangente organizada por área de capacidade. Cada arquivo de referência contém informações detalhadas de API, exemplos de fluxo de trabalho, melhores práticas e orientação de solução de problemas para funcionalidade PathML específica. ### references/ Arquivos de documentação fornecendo cobertura aprofundada das capacidades PathML: - `image_loading.md` - Formatos de imagem de lâmina inteira, estratégias de carregamento, classes de slide - `preprocessing.md` - Catálogo completo de transformações, construção de pipeline, fluxos de trabalho de pré-processamento - `graphs.md` - Métodos de construção de gráficos, extração de recursos, análise espacial - `machine_learning.md` - Arquiteturas de modelos, fluxos de trabalho de treinamento, avaliação, inferência - `multiparametric.md` - Análise CODEX, Vectra, IF multiplex, segmentação de células, quantificação - `data_management.md` - Armazenamento HDF5, gerenciamento de tiles, organização de conjuntos de dados, processamento em lote Carregue estas referências conforme necessário ao trabalhar em tarefas específicas de patologia computacional.