PathML 是一个用于计算病理学工作流的 Python 工具包，面向全切片病理图像（WSI）的机器学习与图像分析，提供模块化、可组合的工具。
用途：加载多种专有格式的 WSI；对 H&E 染色组织图像做预处理与染色归一化；进行细胞核检测、分割与分类；构建细胞和组织空间图；训练或部署病理数据模型；分析 CODEX、Vectra、MERFISH 等多重成像数据；量化多重免疫荧光标记表达；用 HDF5 管理大规模病理数据集；执行基于切片的分析与拼接。
主要能力：
- 图像加载与格式：支持 Aperio SVS、Hamamatsu NDPI、Leica SCN、Zeiss ZVI、DICOM、OME-TIFF 等 160 多种专有格式，统一访问图像金字塔、元数据和感兴趣区域。
- 预处理管线：通过组合变换构建可复现的预处理流程，关键变换包括 StainNormalizationHE（Macenko/Vahadane 染色归一化）、TissueDetectionHE、NucleusDetectionHE、MedianBlur、GaussianBlur、LabelArtifactTileHE 等。
- 图构建：从分割对象提取特征，构建适合图神经网络和空间分析的细胞与组织级空间图。
- 机器学习：集成 PyTorch，提供 HoVer-Net（细胞核分割与分类）、HACTNet（层级细胞类型分类）等预置模型、自定义 DataLoader 及 ONNX 推理支持。
- 多重成像：提供 CODEX、Vectra 等专用切片类与变换，支持 Mesmer 细胞分割、标记量化及导出到 AnnData。
- 数据管理：以 HDF5 统一存储切片、掩码、元数据和提取特征，支持批处理。
使用方式：安装命令为 uv pip install pathml，安装全部可选依赖为 uv pip install pathml[all]。基本流程为：用 SlideData.from_slide 加载 WSI，用 Pipeline 组合 TissueDetectionHE 与 StainNormalizationHE 等变换并运行，再访问处理后的切片图像与掩码。CODEX 流程包括用 CODEXSlide 加载、合并多轮通道数据、用 Mesmer 分割细胞、量化标记并导出 AnnData。模型训练流程包括准备公开病理数据、创建 PyTorch DataLoader、训练 HoVer-Net 或自定义模型、评估并用 ONNX 部署。
适用场景：H&E 图像分析、空间蛋白质组学与多重免疫荧光分析、病理模型训练与推理、大规模病理数据集管理。
限制：资料未提供具体收费、价格、平台支持范围、性能指标或效果数据；部分功能依赖可选依赖项，需按需安装。