GigaPath-Flash 및 GigaTIME-Flash: 전체 슬라이드 분석 및 종양 미세 환경 분석을 위한 효율적인 병리학 기초 모델

GigaPath-Flash and GigaTIME-Flash: Efficient Pathology Foundation Models for Whole-Slide and Tumor Microenvironment Analysis

기초 모델은 대규모 조직병리 데이터로부터 전이 가능한 표현을 학습하여 암 진단, 예후 및 치료 선택 방식을 혁신할 잠재력을 가진 계산 병리학 분야의 핵심 동력으로 부상했습니다. 현재 다양한 데이터 소스, 아키텍처 및 응용 분야를 포괄하는 광범위한 병리학 기초 모델들이 존재합니다. 그러나 대부분의 사전 학습된 모델은 이미지 타일 수준에서만 작동하며, 제한적인 라이선스를 사용하고 있으며, 계산 비용이 높아 대규모 슬라이드 수준의 임상 및 연구 활용에 제약을 받습니다. 본 논문에서는 전체 조직 슬라이드 분석 AI 및 공간 프로테오믹스 예측을 위한 효율적인 모델인 GigaPath-Flash와 GigaTIME-Flash를 소개합니다. GigaPath-Flash는 22백만 개 파라미터의 ViT-S 타일 인코더와 21백만 개 파라미터의 LongNet 슬라이드 인코더로 구성되어 있으며, 둘 다 대규모 실제 조직병리 데이터로 사전 학습되었습니다. 이 모델의 컴팩트한 타일 인코더는 10억 개의 파라미터를 가진 GigaPath (ViT-g) 모델에서 지식을 전수받았으며, 두 모델 모두에서 공유됩니다. GigaPath-Flash는 계산량이 50배 적으면서도 GigaPath의 평균 슬라이드 수준 성능의 97%를 유지합니다. GigaTIME-Flash는 이 기반 구조를 확장하여 일상적인 H&E 이미지로부터 직접 종양 면역 미세 환경을 예측합니다. 이 모델은 원래 CNN 기반 모델인 GigaTIME보다 예측 품질이 뛰어나며, 6배 더 빠르게 실행되고 GPU 메모리 사용량은 8배 적습니다. GigaPath 및 GigaTIME과 함께, 본 모델들은 대규모 실제 임상 데이터로 사전 학습된 오픈 웨이트 (open-weight) 형식으로 제공되며 Apache-2.0 라이선스를 따릅니다. 모든 모델과 가중치를 공개함으로써 우리는 계산 병리학, 면역 종양학 및 정밀 의료 분야를 위한 접근 가능한 구성 요소를 제공합니다.

Foundation models have emerged as a driving force in computational pathology, with the potential to transform cancer diagnosis, prognosis, and treatment selection by learning transferable representations from large-scale histopathology data. A growing landscape of pathology foundation models now spans diverse data sources, architectures, and downstream applications. However, most pretrained models operate only at the image-tile level, use restrictive licenses, and remain computationally expensive, limiting large-scale slide-level clinical and research use. Here, we introduce GigaPath-Flash and GigaTIME-Flash, efficient models for whole-slide pathology AI and spatial proteomics prediction. GigaPath-Flash combines a 22M-parameter ViT-S tile encoder with a 21M-parameter LongNet slide encoder, both pretrained on large-scale real-world histopathology data. Its compact tile encoder is distilled from the billion-parameter GigaPath (ViT-g) teacher and shared by both models. GigaPath-Flash retains 97% of GigaPath's average slide-level performance with 50x less compute. GigaTIME-Flash extends this backbone to predict the tumor immune microenvironment directly from routine H&E images. It surpasses the original CNN-based GigaTIME in prediction quality while running 6x faster and using 8x less GPU memory. Together with GigaPath and GigaTIME, these models form an open-weight, Apache-2.0-licensed family pretrained on large-scale real-world clinical data. By releasing all models and weights, we provide accessible building blocks for computational pathology, immuno-oncology, and precision health.