PathML - 计算病理学的全功能 Python 工具包

技能概述

PathML 是一个专为全载玻片图像（WSI）分析设计的计算病理学 Python 工具包，提供从图像加载、预处理到机器学习模型训练的完整工作流。

适用场景

1. 全载玻片图像（WSI）批量处理

当您需要处理来自 Aperio、Hamamatsu、Leica 等厂商的 160 多种专有格式病理载玻片时，PathML 提供统一的接口加载图像金字塔、元数据和感兴趣区域。支持大规模数据集的自动化预处理管道，包括组织检测、染色标准化和质控过滤。

2. 多参数成像数据分析

适用于 CODEX、Vectra、MERFISH 等空间蛋白质组学和基因表达数据的分析。提供专门的载玻片类和转换工具，支持细胞分割（如 Mesmer 模型）、标记物定量表达分析，并可导出到 AnnData 进行单细胞分析。

3. 病理学深度学习模型开发

当需要训练或部署病理学专用模型（如 HoVer-Net、HACTNet）时，PathML 集成 PyTorch 框架，提供自定义 DataLoader、模型评估和 ONNX 推理支持。适合核检测、分割和分类任务，以及基于图神经网络的 spatial 分析。

核心功能

1. 模块化预处理管道

提供可组合的转换器构建标准化预处理流程，包括 Macenko/Vahadane 染色标准化、组织与核分割、噪声过滤和伪影标记。Pipeline 架构确保在大规模数据集上的可重复性和可扩展性，支持 HDF5 高效存储和管理 tiles、masks 和元数据。

2. 空间图构建与特征提取

从分割对象中提取特征，构建细胞和组织级别的空间图表示。适用于图神经网络和 spatial 分析工作流，支持复杂组织结构的关系建模和下游分析。

3. 端到端机器学习集成

内置 HoVer-Net（同步核分割与分类）和 HACTNet（分层细胞类型分类）等预训练模型，支持自定义模型训练、评估和推理。提供与公共病理数据集的集成，简化模型开发流程。

常见问题

PathML 支持哪些载玻片格式？

PathML 支持 160+ 种专有格式，包括 Aperio SVS、Hamamatsu NDPI、Leica SCN、Zeiss ZVI、DICOM 和 OME-TIFF。工具自动处理厂商特定格式，提供访问图像金字塔、元数据和感兴趣区域的统一接口。

PathML 和 histolab 应该选哪个？

选择取决于任务复杂度。对于简单的 H&E 切片提取，histolab 更简单直接。而 PathML 适合需要高级功能的场景，如多参数免疫荧光分析、核分割、组织图构建、ML 模型训练和大规模数据管理。

如何用 PathML 处理 CODEX 数据？

使用 CODEXSlide 类加载 CODEX 载玻片，通过专用转换工具合并多运行通道数据，然后应用 Mesmer 模型进行细胞分割，量化标记物表达，最后可导出到 AnnData 进行单细胞分析。详细的 CODEX/Vectra 工作流请参考 references/multiparametric.md。