用途：PathML 用于计算病理学中的全切片图像（WSI）处理，覆盖从原始切片文件到机器学习数据集的完整流程，适合 H&E 与多重免疫荧光（mIF）图像分析。
主要能力：通过 SlideData 与 Pipeline 抽象读取 SVS、NDPI、MRXS、TIFF 格式切片；生成瓦片（tile）；执行组织检测、BoxBlur 平滑、Macenko/Vahadane 染色归一化、细胞核分割；提取颜色统计与核计数等特征；支持 Dask 分布式处理，并可将结果保存为 HDF5。
使用方式：先安装系统依赖 OpenSlide，再安装 PathML。 conda install -c conda-forge openslide pip install pathml GPU 支持：pip install torch torchvision --extra-index-url https://download.pytorch.org/whl/cu118 典型流程为：SlideData 加载切片，定义 Pipeline（如 BoxBlur、TissueDetectionHE、HEStainNormalization、NuclearSegmentation），调用 generate_tiles 与 slide.run 处理瓦片，再遍历 slide.tiles 提取特征或导出 PNG，最后用 slide.write 保存为 HDF5。
适用场景：跨机构或批次 H&E 切片染色归一化、病理切片细胞核分割、构建组织分类或肿瘤检测训练集、mIF 多通道分析、患者级预测的特征提取。
限制：需要 Python 3.8+、OpenSlide C 库，分割推荐 GPU；大切片高分辨率处理较慢，可降低金字塔层级；普通二维显微图像建议直接用 scikit-image 或 cellpose。具体收费、价格与平台信息暂未提供。