31 августа 2026 года Microsoft Research анонсировала GigaPath-Flash и GigaTIME-Flash — компактные версии своих фундаментальных моделей для гистопатологии. Новые модели ориентированы на популяционные исследования и призваны снизить вычислительные затраты при анализе целых слайдов тканей (whole-slide images) и микроокружения опухолей. Обе модели опубликованы под лицензией Apache 2.0 с открытым весом.
Исходные модели — GigaPath (Nature, 2024) и GigaTIME (Cell, 2026) — показали способность извлекать контекстуализированные представления из гистопатологических изображений. GigaPath обучался на реальных данных сети клиник Providence и научился распознавать как локальные клеточные паттерны, так и глобальную архитектуру тканей. GigaTIME, обученный на 40 миллионах клеток с парными данными H&E и мультиплексной иммунофлуоресценции (mIF), позволяет преобразовывать рутинные окраски H&E в виртуальные пространственные протеомные карты по 21 белковому каналу. В ходе применения к данным более 14 000 онкологических пациентов модель выявила более 1200 статистически значимых ассоциаций между состояниями иммунных клеток и клиническими биомаркерами.
Однако практическое применение этих моделей в масштабе популяции сдерживалось высокими требованиями к вычислениям. Каждый целый слайд может превышать гигапиксель, и для обработки одного слайда необходимо анализировать тысячи тайлов. При исследовании десятков тысяч пациентов затраты становятся запредельными.
Архитектура Flash-моделей
Ключевое нововведение Flash-семейства — компактный энкодер тайлов ViT-S (22 миллиона параметров), который дистиллирован из оригинального миллиардного энкодера GigaPath ViT-g. Благодаря дистилляции удалось сохранить репрезентативную способность большой модели при десятикратном сокращении числа параметров. Слайд-энкодер GigaPath-Flash использует 21 миллион параметров и архитектуру LongNet с dilated attention, что обеспечивает линейное масштабирование с ростом числа тайлов.
GigaTIME-Flash, в свою очередь, заменяет CNN-энкодер оригинала на ViT-S из GigaPath-Flash, дополненный лёгким свёрточным декодером для трансляции H&E в mIF. Тонкая настройка выполняется с помощью LoRA-адаптеров, что позволяет сохранить веса энкодера в основном замороженными.
Производительность
| Ключевые факты | |
|---|---|
| Снижение вычислительных затрат | GigaPath-Flash требует примерно в 50 раз меньше вычислений по сравнению с оригинальным GigaPath при потере точности не более 3% на бенчмарках PANDA (градация рака простаты) и EBRAINS (субтипирование опухолей мозга) |
| Качество предсказаний GigaTIME-Flash | На наборах данных из мозга, молочной железы, толстой кишки и лёгких Flash-версия соответствует или превосходит оригинал, особенно на out-of-distribution данных |
| Лицензия и доступность | Обе модели распространяются под лицензией Apache 2.0; веса и код опубликованы на HuggingFace |
Для оценки практической применимости исследователи смоделировали время генерации виртуальной mIF для когорт разного размера на одном GPU A100 (приблизительно 10 000 тайлов на слайд). Разница в производительности делает возможными эксперименты, которые ранее были нецелесообразны: обработка десятков тысяч слайдов становится выполнимой в разумные сроки.
Ограничения и контекст
Microsoft Research подчёркивает, что GigaPath-Flash и GigaTIME-Flash являются исследовательскими моделями. Они не предназначены и не валидированы для клинического использования, включая диагностику, прогнозирование или выбор терапии. Производительность может варьироваться в зависимости от набора данных, сканера, учреждения, популяции и сценария использования.
Текущие оценки охватывают ограниченный набор бенчмарков и когорт. Более широкая валидация на разных задачах, сканерах и популяциях пациентов ещё предстоит. Разработчики приглашают сообщество к тестированию и отмечают, что наиболее ценные применения могут лежать за пределами их начальных экспериментов.
Значение для сообщества
Для разработчиков и исследователей, работающих с гистопатологическими данными, появление Flash-моделей означает снижение порога входа. Дистиллированные энкодеры позволяют запускать эксперименты на более скромном оборудовании, а открытая лицензия даёт возможность модифицировать и адаптировать модели под конкретные задачи. Это особенно актуально для небольших лабораторий и исследовательских групп, которые не имеют доступа к крупным вычислительным кластерам.
С другой стороны, необходимо учитывать ограничения моделей: они валидированы на ограниченном наборе задач, и их перенос на новые типы тканей или сканеры требует дополнительной проверки. Тем не менее, направление на повышение эффективности фундаментальных моделей для патологии выглядит закономерным и своевременным.
Источник: Microsoft Research — GigaPath-Flash and GigaTIME-Flash: Toward population-scale discovery with efficient pathology foundation models