GigaPath-Flash与GigaTIME-Flash：高效病理基础模型助力群体规模发现

微软研究院近日推出GigaPath-Flash和GigaTIME-Flash两款高效病理学基础模型，在保持原有性能的同时大幅降低计算资源需求，让大规模病理研究从“奢侈品”变成“日用品”。这一升级意味着，研究人员可以用更低的成本分析更大规模的患者队列，推动病理学从单次分析走向群体规模的科研发现。 病理学是癌症研究中信息最丰富的数据来源之一。每一次组织活检都会生成一张全切片图像，在亚细胞分辨率下捕捉细胞形态，而医院每年产生数百万张这样的切片。这些数据包含与诊断、预后、治疗选择以及肿瘤微环境生物学相关的关键信息。基础模型已经开始大规模解锁这些信息，但全切片图像体积庞大——通常超过十亿像素——即使对单张切片应用基础模型，也需要处理数千个图像块。当研究问题涉及数万名患者时，计算成本会迅速攀升。群体规模的发现并非一次模型运行就能完成，它需要反复进行特征提取、统计分析、假设检验以及在患者亚组、生物标志物和临床终点上的验证。计算成本限制了研究人员能够研究的患者数量、数据集、任务和假设数量。要充分发挥病理学基础模型的潜力，就需要能够在大规模患者群体中反复且低成本应用的模型。 GigaPath（2024年发表于《自然》）是一个全切片基础模型，基于Providence医疗系统的大规模真实世界组织病理学数据预训练。与仅在图像块层面操作的模型不同，GigaPath学习整个切片的上下文表征，同时捕捉局部细胞模式和全局组织结构。GigaTIME（2026年发表于《细胞》）则将这一工作扩展到肿瘤微环境领域。该模型在4000万个具有配对H&E染色和多重免疫荧光数据的细胞上训练，能将常规H&E图像转化为覆盖21个蛋白通道的虚拟空间蛋白质组图谱。应用于超过14000名癌症患者后，它生成了一个虚拟人群，发现了免疫细胞状态与临床生物标志物之间超过1200个统计学显著关联。GigaPath和GigaTIME解决了病理学数据和生物学发现的规模问题，而Flash系列模型则解决了实验规模的瓶颈。 核心变化：Flash系列共享一个核心设计目标——保留有用的病理学表征，同时大幅减少生成和使用这些表征所需的计算资源。GigaPath-Flash提供仅2200万参数的高效图像块和切片编码器，GigaTIME-Flash则用蒸馏后的ViT-S编码器替换原有的CNN骨干网络，从H&E图像预测空间蛋白质组。这些模型属于研究用途，未经临床验证，不应用于诊断、预后、治疗选择等患者护理决策。不同数据集、扫描仪、机构、人群和使用场景下，模型性能可能存在差异。对于中国跨境电商卖家和AI从业者而言，这一技术进展虽然聚焦医疗领域，但其“模型蒸馏+效率优化”的思路值得关注——在保持核心能力的前提下大幅降低推理成本，是AI模型从实验室走向规模化应用的关键路径。