slideflow
Biblioteca de aprendizaje profundo para patología digital y análisis de imágenes de portaobjetos completos.
Biblioteca de Python de código abierto para patología digital, desarrollo de modelos y análisis de imágenes de portaobjetos completos.
Slideflow es una biblioteca de aprendizaje profundo adaptada para la patología digital, que puentea el aprendizaje automático avanzado con las necesidades de la investigación clínica. Los investigadores médicos y científicos de datos la utilizan para procesar imágenes de portaobjetos completos y entrenar modelos predictivos.
Qué es
Proporciona flujos de trabajo de entrenamiento personalizables, procesamiento de portaobjetos y herramientas de normalización de tinciones que gestionan etiquetas supervisadas débil y fuertemente. Puedes construir modelos utilizando aprendizaje de instancias múltiples, aprendizaje autorregulado, redes generativas antagónicas y modelos base integrados.
Para quién
Es adecuada para patólogos computacionales e investigadores de IA médica con experiencia en Python que necesitan flujos de trabajo de análisis de portaobjetos de extremo a extremo. No es adecuada para clínicos sin habilidades de programación o aquellos que buscan una aplicación médica lista para usar sin codificación.
Funciones clave
Kit de herramientas de procesamiento de portaobjetos
Extrae teselas de imágenes de portaobjetos completos utilizando cuCIM o Libvips con resolución y magnificación ajustables.
Normalización de tinciones
Aplica rutinas de normalización de tinciones integradas para estandarizar la apariencia histológica entre diferentes escáneres.
Aprendizaje de instancias múltiples
Compatible con arquitecturas MIL como CLAM para la predicción a nivel de portaobjetos utilizando anotaciones de pacientes.
Mapas de explicabilidad
Genera mapas de calor, mapas de mosaicos, mapas de prominencia e histología sintética mediante StyleGAN.
Listo en 3 pasos
Nuestro veredicto honesto
Lo mejor
- Compatible con los backends de PyTorch y Tensorflow según tu preferencia de entorno.
- Incluye amplias utilidades de procesamiento y teselado de portaobjetos con opciones de almacenamiento en búfer en disco RAM.
- Ofrece herramientas avanzadas de explicabilidad que incluyen mapas de calor y análisis de activación de capas.
- Se integra con modelos base preentrenados populares como UNI, HistoSSL y GigaPath.
Sus límites
- Requiere una experiencia significativa en Python y aprendizaje automático para configurarlo y ajustarlo correctamente.
- Demanda hardware de alto rendimiento, específicamente GPU con compatibilidad con CUDA, para entrenar modelos de manera eficiente.
- Algunos modelos de complementos avanzados como CLAM y StyleGAN requieren la instalación de paquetes no comerciales.
- El rendimiento de lectura de portaobjetos depende de dependencias externas configuradas correctamente como cuCIM o Libvips.
Precios y licencia
Gratis bajo la licencia Apache-2.0, con complementos opcionales no comerciales disponibles. El único coste es ejecutarlo por ti mismo en tu propio hardware GPU.
Empleos para hispanohablantes
876 puestos remotos abiertos de entrenamiento de IA, actualizados el 15 de noviembre de 2026; la mayoría paga $20–$170 por hora. 22 de ellos piden hispanohablantes. Zekai los lista gratis; la solicitud va a la plataforma del empleador.
Alternativas
Estas herramientas de IA evaluadas hacen el mismo trabajo al instante — de nuestro directorio puntuado.
Úsalo, o deja que lo configuremos
FAQ
¿Qué marcos de aprendizaje profundo admite Slideflow?
Slideflow admite tanto PyTorch como Tensorflow, estableciendo PyTorch por defecto si ambos están disponibles y es configurable a través de la variable de entorno SF_BACKEND.
¿Cómo se leen las imágenes de portaobjetos completos?
Utiliza cuCIM por defecto para una lectura rápida, con un backend opcional de Libvips para admitir formatos como .scn, .mrxs, .ndpi, .vms y .vmu.
