微软压缩病理基础模型，推动大规模患者队列研究
开放权重的GigaPath-Flash与GigaTIME-Flash大幅降低算力和显存需求，同时保持研究基准表现。
用更小模型研究更大患者群体
微软研究院、华盛顿大学和Providence联合发布两款开放权重病理模型，旨在让全切片图像和肿瘤微环境分析覆盖更大规模的患者队列。GigaPath-Flash与GigaTIME-Flash采用Apache 2.0许可证，代码和权重已在Hugging Face提供。
一张全切片病理图像可能超过十亿像素，处理时需要拆分成数千个图块。当研究人员针对数万名患者反复分析生物标志物、人群亚组和临床假设时，计算成本会迅速成为限制因素。两款新模型采用紧凑型视觉Transformer骨干网络，由原版GigaPath的十亿参数编码器蒸馏而来。
GigaPath-Flash由2200万参数的图块编码器和2100万参数的LongNet切片编码器组成。微软称，它在前列腺分级和脑肿瘤亚型识别基准中保留了原版约97%的预测表现，而计算量约降至五十分之一。
GigaTIME-Flash使用同一紧凑编码器，根据常规H&E病理图像推断空间蛋白分布。研究团队称，它的运行速度约提升六倍，内存占用约降至八分之一，并在脑癌、乳腺癌、结肠癌和肺癌队列中达到或超过原版GigaTIME。微软估算，使用一块A100 GPU处理一百万张切片约需70天，旧系统则约需300天。
为什么重要
医疗基础模型经常强调最高基准精度，但病理研究更现实的瓶颈，是反复处理超大图像所需的成本。此次效率提升可能改变一批研究在经济上是否可行，尤其有利于缺少大型计算集群的学术团队。开放许可证也方便外部机构独立验证和改造模型。
这仍是研究工具，而不是临床系统。目前评估只覆盖有限的数据集、扫描设备和医疗机构，真正用于临床还需要更广泛的前瞻性验证。这项工作的核心价值并非宣称自动诊断，而是让群体规模的计算病理研究更接近可负担范围。