slideflow
Deep-Learning-Bibliothek für digitale Pathologie und Whole-Slide-Image-Analyse.
Open-Source-Python-Bibliothek für digitale Pathologie, Modellentwicklung und Whole-Slide-Image-Analyse.
Slideflow ist eine auf digitale Pathologie zugeschnittene Deep-Learning-Bibliothek, die fortschrittliches maschinelles Lernen mit klinischen Forschungsanforderungen verbindet. Medizinische Forscher und Data Scientists nutzen sie, um Whole-Slide-Images zu verarbeiten und prädiktive Modelle zu trainieren.
Was es ist
Sie bietet anpassbare Trainings-Pipelines, Slide-Verarbeitung und Tools zur Farbnormierung (Stain Normalization), die schwach und stark überwachte Labels verarbeiten. Sie können Modelle mit Multiple-Instance-Learning, Self-Supervised Learning, Generative Adversarial Networks und integrierten Foundation Models erstellen.
Für wen
Sie eignet sich für computergestützte Pathologen und medizinische KI-Forscher mit Python-Erfahrung, die End-to-End-Workflows für die Slide-Analyse benötigen. Sie ist nicht geeignet für Kliniker ohne Programmierkenntnisse oder diejenigen, die eine schlüsselfertige medizinische Betrachtungsanwendung ohne Programmierung suchen.
Wichtige Funktionen
Slide-Verarbeitungs-Toolkit
Extrahiert Kacheln aus Whole-Slide-Images mit cuCIM oder Libvips bei einstellbarer Auflösung und Vergrößerung.
Farbnormierung
Wendet integrierte Farbnormierungsroutinen an, um das Aussehen der Histologie über verschiedene Scanner hinweg zu standardisieren.
Multiple-Instance-Learning
Unterstützt MIL-Architekturen wie CLAM für Vorhersagen auf Slide-Ebene mithilfe von Patienten-Annotationen.
Erklärbarkeitskarten
Generiert Heatmaps, Mosaikkarten, Saliency Maps und synthetische Histologie über StyleGAN.
Startklar in 3 Schritten
Unser ehrliches Fazit
Stärken
- Unterstützt sowohl PyTorch- als auch Tensorflow-Backends je nach Umgebungseinstellung.
- Enthält umfangreiche Slide-Verarbeitungs- und Tiling-Dienstprogramme mit RAM-Disk-Puffering-Optionen.
- Bietet fortschrittliche Erklärbarkeits-Tools einschließlich Heatmaps und Layer-Activation-Analyse.
- Integriert sich in beliebte vortrainierte Foundation Models wie UNI, HistoSSL und GigaPath.
Schwächen
- Erfordert beträchtliche Python- und Machine-Learning-Expertise für die korrekte Einrichtung und Konfiguration.
- Verlangt Hochleistungshardware, insbesondere GPUs mit CUDA-Unterstützung, um Modelle effizient zu trainieren.
- Einige fortgeschrittene Add-on-Modelle wie CLAM und StyleGAN erfordern die Installation nicht-kommerzieller Pakete.
- Die Leistung beim Lesen von Slides hängt von ordnungsgemäß konfigurierten externen Abhängigkeiten wie cuCIM oder Libvips ab.
Preise & Lizenz
Kostenlos unter der Apache-2.0-Lizenz, mit optionalen nicht-kommerziellen Add-ons verfügbar. Die einzigen Kosten entstehen durch den Eigenbetrieb auf Ihrer eigenen GPU-Hardware.
Stellen für Deutschsprachige
874 offene Remote-Stellen im KI-Training, aktualisiert am 15. November 2026; die meisten zahlen $20–$170 pro Stunde. 12 davon suchen Deutschsprachige. Zekai listet sie kostenlos; die Bewerbung läuft über die Plattform des Arbeitgebers.
Alternativen
Diese bewerteten KI-Tools erledigen die Aufgabe sofort — aus unserem bewerteten Verzeichnis.
Nutze es, oder lass es uns einrichten
FAQ
Welche Deep-Learning-Frameworks unterstützt Slideflow?
Slideflow unterstützt sowohl PyTorch als auch Tensorflow, wobei standardmäßig PyTorch verwendet wird, falls beide verfügbar sind, was über die Umgebungsvariable SF_BACKEND konfigurierbar ist.
Wie werden Whole-Slide-Images gelesen?
Es verwendet standardmäßig cuCIM für schnelles Lesen, mit einem optionalen Libvips-Backend zur Unterstützung von Formaten wie .scn, .mrxs, .ndpi, .vms und .vmu.
