Microsoft réduit de 50 fois le calcul avec GigaPath-Flash

Microsoft présente GigaPath-Flash et GigaTIME-Flash, deux modèles de fondation dédiés à la pathologie numérique. L’annonce date du 17 septembre 2026. Cette famille prolonge GigaPath et GigaTIME avec une efficacité accrue pour les analyses de recherche à grande échelle. Les modèles servent à étudier la biologie des maladies, les biomarqueurs et les résultats cliniques dans des ensembles de données liés aux cancers. Ils sont proposés comme modèles ouverts sous licence Apache 2.0. Microsoft Research, l’Université de Washington et Providence ont réalisé ce travail conjointement. Les modèles sont accessibles via GigaPath-Flash et GigaTIME-Flash.

La pathologie fournit une source abondante de données pour la recherche contre le cancer. Chaque biopsie produit une image de lame entière, souvent supérieure au gigapixel, avec une résolution subcellulaire. L’analyse d’une seule lame nécessite le traitement de milliers de tuiles d’image. Une étude portant sur des dizaines de milliers de patients augmente donc rapidement le coût informatique. La découverte à grande échelle exige aussi plusieurs cycles d’extraction, d’analyse statistique, de formulation d’hypothèses et de validation. GigaPath, publié dans Nature en 2024, apprend des représentations contextualisées de lames entières. GigaTIME, publié dans Cell en 2026, modélise les microenvironnements tumoraux à partir d’images H&E et de données mIF.

GigaPath-Flash réduit le calcul

Le modèle combine un encodeur de tuiles ViT-S de 22 millions de paramètres et un encodeur de lame LongNet de 21 millions de paramètres. L’encodeur ViT-S est distillé à partir de l’encodeur ViT-g de GigaPath, qui compte un milliard de paramètres. L’encodeur de lame contextualise les représentations de toutes les tuiles grâce à une attention dilatée. Sur les évaluations PANDA pour le cancer de la prostate et EBRAINS pour les tumeurs cérébrales, GigaPath-Flash affiche le coût d’inférence le plus faible parmi les modèles préentraînés de lames entières évalués. Sa performance reste à moins de 3 % de GigaPath, avec environ 50 fois moins de calcul.

GigaTIME-Flash remplace le socle CNN de GigaTIME par l’encodeur ViT-S de GigaPath-Flash. Un décodeur convolutionnel léger traduit ensuite les images H&E en cartes virtuelles de protéomique spatiale. Le modèle est ajusté avec des adaptateurs LoRA, tandis que les poids de l’encodeur préentraîné restent largement figés. Sur des cohortes de cancers du cerveau, du sein, du côlon et du poumon, le modèle égale ou dépasse GigaTIME pour la prédiction des protéines spatiales. Les gains sont particulièrement visibles sur les données hors distribution. GigaTIME avait été entraîné sur 40 millions de cellules et appliqué à plus de 14 000 patients, générant plus de 1 200 associations statistiquement significatives.

Les estimations montrent l’échelle

Les gains annoncés atteignent environ six fois plus de vitesse et huit fois moins de mémoire pour GigaTIME-Flash, avec une meilleure performance prédictive que GigaTIME. Sur un seul processeur graphique NVIDIA A100, la génération de mIF virtuelle pour 1 000 lames est estimée à deux heures de calcul avec GigaTIME-Flash, contre sept heures avec GigaTIME. Pour 100 000 lames, les estimations atteignent sept jours contre 30 jours. Pour un million de lames, elles atteignent 70 jours contre 300 jours. Ces estimations supposent environ 10 000 tuiles par lame et une taille de lot de 128. Le temps réel dépend des lames et du matériel.

La publication reste une version préliminaire de recherche. Microsoft précise que GigaPath-Flash et GigaTIME-Flash ne sont pas destinés à un usage clinique validé. Ils ne doivent pas servir au diagnostic, au pronostic, au choix d’un traitement ou à une décision concernant un patient. Les performances peuvent varier selon les ensembles de données, les scanners, les établissements, les populations et les usages. Les auteurs appellent la communauté à évaluer les modèles et à documenter leurs réussites comme leurs limites. Des validations supplémentaires seront nécessaires pour les applications cliniques, notamment avec plusieurs établissements et des études prospectives. Les détails techniques sont présentés dans l’article de recherche.