微软发布 GigaPath-Flash 与 GigaTIME-Flash 病理基础模型

用途与变化

根据微软研究院博客（来源标注 2026-08-31），GigaPath-Flash 与 GigaTIME-Flash 是 GigaPath、GigaTIME 两个病理基础模型的效率版本，目标是在保持代表性能力的前提下大幅降低计算开销，让研究者能在更大人群队列上反复做特征提取、统计分析与验证。

• GigaPath-Flash：面向全切片表示学习，由 2200 万参数的 ViT-S 切片编码器（从原 GigaPath 十亿参数 ViT-g 教师蒸馏）与 2100 万参数的 LongNet 全切片编码器组成，切片编码器用扩张注意力把全部切片嵌入上下文化，随切片数量线性扩展。
• GigaTIME-Flash：把原 GigaTIME 的 CNN 主干替换为上述 ViT-S 编码器，加轻量卷积解码器做 H&E 到 mIF 的翻译，并用 LoRA 适配器微调，预训练编码器权重基本冻结。

来源给出的效率数据：GigaPath-Flash 相比 GigaPath 约少 50 倍计算量，保留约 97% 预测性能；GigaTIME-Flash 相比 GigaTIME 约快 6 倍、内存约少 8 倍。来源还给出单张 A100 上约每张切片 1 万切片的估算：生成虚拟 mIF 时 1000 张切片约 2 GPU 小时、10 万张约 7 GPU 天、100 万张约 70 GPU 天。

适用场景

来源称两款模型面向病理学研究，如疾病生物学、生物标志物与临床结局的探索，以及 H&E 图像到 21 通道空间蛋白组虚拟图谱的生成。两者以 Apache 2.0 许可发布开放权重，权重与代码在 HuggingFace 上提供。

限制与待核实事项

来源强调这是早期研究版本，不是临床模型，未针对诊断、预后、治疗选择或患者护理决策做验证；性能可能随数据集、扫描仪、机构、人群和使用场景变化。当前评估只覆盖有限基准与队列（如 PANDA 前列腺分级、EBRAINS 脑肿瘤分型等），跨任务、跨扫描仪和跨人群的更广泛验证仍待开展；下游临床应用需要多机构与前瞻性验证。上述效率与性能数字来自来源自述，未在本次整理中独立复现。