slideflow
Bibliothèque de deep learning pour la pathologie numérique et l'analyse d'images de lames entières.
Bibliothèque Python open source pour la pathologie numérique, le développement de modèles et l'analyse d'images de lames entières.
Slideflow est une bibliothèque de deep learning conçue pour la pathologie numérique, faisant le lien entre l'apprentissage automatique avancé et les besoins de la recherche clinique. Les chercheurs médicaux et les data scientists l'utilisent pour traiter des images de lames entières et entraîner des modèles prédictifs.
Qu'est-ce que c'est
Elle fournit des pipelines d'entraînement personnalisables, des outils de traitement de lames et de normalisation de coloration qui gèrent les étiquettes faiblement et fortement supervisées. Vous pouvez construire des modèles en utilisant l'apprentissage multi-instance, l'apprentissage auto-supervisé, les réseaux antagonistes génératifs et des fondations de modèles intégrées.
Pour qui
Elle convient aux pathologistes computationnels et aux chercheurs en IA médicale ayant de l'expérience en Python et qui ont besoin de workflows d'analyse de lames de bout en bout. Elle ne convient pas aux cliniciens sans compétences en programmation ou à ceux qui recherchent une application de visualisation médicale clé en main sans codage.
Fonctionnalités clés
Boîte à outils de traitement de lames
Extrait des tuiles d'images de lames entières en utilisant cuCIM ou Libvips avec une résolution et un grossissement ajustables.
Normalisation de coloration
Applique des routines de normalisation de coloration intégrées pour standardiser l'apparence histologique entre différents scanners.
Apprentissage multi-instance
Prend en charge les architectures MIL comme CLAM pour la prédiction au niveau de la lame à l'aide d'annotations de patients.
Cartes d'explicabilité
Génère des cartes thermiques, des cartes en mosaïque, des cartes de saillance et de l'histologie synthétique via StyleGAN.
Opérationnel en 3 étapes
Notre verdict honnête
Ses atouts
- Prend en charge les backends PyTorch et Tensorflow selon vos préférences d'environnement.
- Comprend de nombreux utilitaires de traitement de lames et de découpage en tuiles avec des options de mise en mémoire tampon sur disque RAM.
- Offre des outils d'explicabilité avancés incluant des cartes thermiques et l'analyse d'activation des couches.
- S'intègre avec des modèles de fondation pré-entraînés populaires comme UNI, HistoSSL et GigaPath.
Ses limites
- Nécessite des compétences importantes en Python et en machine learning pour l'installation et la configuration correctes.
- Exige du matériel haute performance, en particulier des GPU compatibles CUDA, pour entraîner les modèles efficacement.
- Certains modèles add-ons avancés comme CLAM et StyleGAN nécessitent l'installation de packages non commerciaux.
- Les performances de lecture des lames dépendent de dépendances externes correctement configurées telles que cuCIM ou Libvips.
Tarifs & licence
Gratuit sous licence Apache-2.0, avec des add-ons non commerciaux optionnels disponibles. Le seul coût est de l'exécuter vous-même sur votre propre matériel GPU.
Missions pour francophones
874 missions ouvertes à distance en entraînement d’IA, mises à jour le 15 novembre 2026 ; la plupart paient $20–$170 de l’heure. 8 d’entre elles demandent des francophones. Zekai les liste gratuitement ; la candidature se fait sur la plateforme de l’employeur.
Alternatives
Ces outils IA évalués font le même travail instantanément — depuis notre annuaire noté.
Utilisez-le, ou laissez-nous l'installer
FAQ
Quels frameworks de deep learning Slideflow prend-il en charge ?
Slideflow prend en charge à la fois PyTorch et Tensorflow, avec une préférence par défaut pour PyTorch si les deux sont disponibles, et configurable via la variable d'environnement SF_BACKEND.
Comment les images de lames entières sont-elles lues ?
Il utilise cuCIM par défaut pour une lecture rapide, avec un backend Libvips optionnel pour prendre en charge des formats tels que .scn, .mrxs, .ndpi, .vms et .vmu.
