효율적인 병리 영상 분석을 위한 배포 친화적인 기반 프레임워크

A Deployment-Friendly Foundational Framework for Efficient Computational Pathology

병리 기반 모델(PFM)은 대규모 데이터셋과 확장적인 구조를 통해 병리 영상 분석 분야에서 강력한 일반화 성능을 제공해 왔지만, 특히 기가픽셀 단위의 전체 슬라이드 이미지의 경우 상당한 계산 비용으로 인해 임상 적용 및 확장에 어려움이 있습니다. 본 연구에서는 모델의 과도한 파라미터 및 패치 수준의 중복을 줄이기 위해 설계된 배포 친화적인 기반 프레임워크인 LitePath를 제안합니다. LitePath는 1억 9천만 개의 패치를 사용하여 Virchow2, H-Optimus-1 및 UNI2와 같은 세 개의 대규모 PFM으로부터 추출된 경량 모델인 LiteFM과, 작업별 패치 선택을 위한 가벼운 구성 요소인 적응형 패치 선택기(APS)를 통합합니다. LitePath는 모델 파라미터를 28배 줄이고, Virchow2에 비해 FLOPs를 403.5배 낮추어 NVIDIA Jetson Orin Nano Super와 같은 저전력 엣지 하드웨어에 배포할 수 있습니다. 이 장치에서 LitePath는 Virchow2보다 104.5배 빠른 208장의 슬라이드를 처리하며, RTX3090 GPU에서 Virchow2에 비해 171배 낮은 0.36 kWh의 에너지를 소비합니다. 37개의 코호트, 4개의 장기 및 26개의 작업(26개 내부, 9개 외부, 2개 전향적)을 사용하여 정확도를 검증했으며, 총 9,808명의 환자의 15,672장의 슬라이드를 사용했으며, 이는 사전 훈련 데이터와는 별개입니다. LitePath는 평가된 19개의 모델 중 두 번째로 높은 순위를 차지했으며, H-Optimus-1, mSTAR, UNI2 및 GPFM과 같은 더 큰 모델보다 뛰어난 성능을 보였습니다. 또한 평균적으로 Virchow2의 AUC의 99.71%를 유지합니다. 정확도와 효율성 간의 균형을 정량화하기 위해, 정규화된 AUC와 정규화된 FLOP의 가중 평균으로 정의되는 '배포 가능성 점수(D-Score)'를 제안하며, LitePath는 이 점수에서 가장 높은 값을 나타내며, Virchow2보다 10.64% 더 높습니다. 이러한 결과는 LitePath가 최첨단 PFM과 동등한 정확도를 유지하면서도, 접근 가능한 하드웨어에서 빠르고 비용 효율적이며 에너지 효율적인 병리 영상 분석을 가능하게 하며, AI 배포의 탄소 발자국을 줄이는 데 기여함을 보여줍니다.

Pathology foundation models (PFMs) have enabled robust generalization in computational pathology through large-scale datasets and expansive architectures, but their substantial computational cost, particularly for gigapixel whole slide images, limits clinical accessibility and scalability. Here, we present LitePath, a deployment-friendly foundational framework designed to mitigate model over-parameterization and patch level redundancy. LitePath integrates LiteFM, a compact model distilled from three large PFMs (Virchow2, H-Optimus-1 and UNI2) using 190 million patches, and the Adaptive Patch Selector (APS), a lightweight component for task-specific patch selection. The framework reduces model parameters by 28x and lowers FLOPs by 403.5x relative to Virchow2, enabling deployment on low-power edge hardware such as the NVIDIA Jetson Orin Nano Super. On this device, LitePath processes 208 slides per hour, 104.5x faster than Virchow2, and consumes 0.36 kWh per 3,000 slides, 171x lower than Virchow2 on an RTX3090 GPU. We validated accuracy using 37 cohorts across four organs and 26 tasks (26 internal, 9 external, and 2 prospective), comprising 15,672 slides from 9,808 patients disjoint from the pretraining data. LitePath ranks second among 19 evaluated models and outperforms larger models including H-Optimus-1, mSTAR, UNI2 and GPFM, while retaining 99.71% of the AUC of Virchow2 on average. To quantify the balance between accuracy and efficiency, we propose the Deployability Score (D-Score), defined as the weighted geometric mean of normalized AUC and normalized FLOP, where LitePath achieves the highest value, surpassing Virchow2 by 10.64%. These results demonstrate that LitePath enables rapid, cost-effective and energy-efficient pathology image analysis on accessible hardware while maintaining accuracy comparable to state-of-the-art PFMs and reducing the carbon footprint of AI deployment.