PathML 是面向计算病理学工作流的 Python 工具包，用于全切片病理图像（WSI）的机器学习与图像分析，提供模块化、可组合的工具。
用途：加载多种专有切片格式、图像预处理、构建空间图、训练深度学习模型，以及分析 CODEX、Vectra、MERFISH 等多重免疫荧光与空间组学数据。
主要能力：
- 图像加载：支持 Aperio SVS、Hamamatsu NDPI、Leica SCN、Zeiss ZVI、DICOM、OME-TIFF 等 160 多种格式，提供统一接口访问图像金字塔、元数据和感兴趣区域。
- 预处理：可组合 Pipeline 变换，包括 StainNormalizationHE（Macenko/Vahadane 染色归一化）、TissueDetectionHE、NucleusDetectionHE、MedianBlur、GaussianBlur、LabelArtifactTileHE 质量控制等。
- 图构建：从分割对象提取特征，构建细胞与组织层面的空间图，用于图神经网络和空间分析。
- 机器学习：集成 PyTorch，提供 HoVer-Net（细胞核分割与分类）、HACTNet（层次细胞类型分类）等模型，支持自定义 DataLoader 与 ONNX 推理。
- 多重参数成像：处理 CODEX、Vectra、MERFISH 等平台数据，支持 Mesmer 细胞分割、标记物表达量化，并可导出到 AnnData。
- 数据管理：基于 HDF5 统一存储切片、掩膜、元数据和提取特征，支持批处理。
使用方式：安装可执行 uv pip install pathml，或 uv pip install pathml[all] 安装全部可选依赖。基本流程为：用 SlideData.from_slide 加载 WSI，构造 Pipeline 并 run，随后遍历 tiles 访问图像与掩膜。详细用法见随附参考文档（image_loading、preprocessing、graphs、machine_learning、multiparametric、data_management）。
适用场景：H&E 图像分析、CODEX 等多重成像分析、病理 ML 模型训练与部署。
限制：资料未提供收费、价格、性能指标或平台兼容性细节；部分高级功能依赖可选依赖项，具体支持范围以官方文档为准。