病理AI的效率拐点

组织病理学是癌症研究中信息最丰富、最广泛可用的数据来源之一。每次组织活检都会产生一张全切片图像，以亚细胞分辨率捕捉细胞形态，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、治疗选择和肿瘤微环境生物学相关的信息。

打开网易新闻 查看精彩图片

基础模型已经开始大规模解锁这些信息。但全切片图像通常很大，往往超过十亿像素，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，计算成本会迅速增长。

GigaPath-Flash和GigaTIME-Flash正是针对这一瓶颈。它们将原有GigaPath和GigaTIME的能力大幅提效，让大规模病理研究变得更可及、更实际。

蒸馏后的模型瘦身不瘦能

Flash系列的核心做法是蒸馏病理基础模型的主干网络，在不牺牲性能的前提下降低计算需求。这意味着研究者可以在更大的患者队列上反复进行分析，运行更多实验，而不用被算力成本卡住。

GigaPath和GigaTIME已经展示了基础模型如何支持全切片分析和肿瘤微环境建模，数据来源是常规收集的病理数据。Flash版本保留了这些能力，但把运行成本压了下来。

开放模型瞄准人群规模发现

这套开源模型的目标很明确：支持人群规模的病理发现。研究者可以用它来探究疾病生物学、生物标志物和临床结局，覆盖多样化的癌症数据集。过去受限于算力只能跑一两次的实验，现在可以反复跑、换着角度跑。

需要强调的是，GigaPath-Flash和GigaTIME-Flash是研究模型，不用于临床诊断、预后判断、治疗方案选择或任何患者护理决策。性能在不同数据集、扫描仪、机构、人群和使用场景下可能存在差异。

计算成本是真正的门槛

人群规模发现不是跑一次模型就完事。它需要反复的特征提取、统计分析和验证循环，横跨患者亚组、生物标志物和临床终点。每一步都在消耗算力。Flash系列把单次分析的成本降下来，等于把整个研究循环的可行性提了上去。

病理基础模型的价值已经被GigaPath和GigaTIME证明过。现在Flash版本要解决的是另一个问题：让这些工具从少数实验室的奢侈品，变成更多研究者能反复使用的日常装备。