Microsoft réduit de moitié le calcul de GigaPath en pathologie

Microsoft présente GigaPath-Flash et GigaTIME-Flash, deux modèles de fondation destinés à la recherche en pathologie numérique. L’annonce date du 24 septembre 2026. La famille Flash reprend les capacités de GigaPath et GigaTIME avec des besoins de calcul nettement réduits. Les modèles doivent faciliter des analyses répétées sur des cohortes plus importantes. Ils ciblent l’étude de la biologie des maladies, des biomarqueurs et des résultats cliniques dans différents jeux de données de cancers. Microsoft Research, l’Université de Washington et Providence ont réalisé ce travail conjointement. Les deux modèles sont des outils de recherche. Ils ne sont pas destinés à établir un diagnostic, un pronostic ou une décision thérapeutique.

Les lames imposent une charge de calcul élevée aux chercheurs en pathologie computationnelle. Une image de lame entière dépasse souvent un gigapixel et nécessite le traitement de milliers de tuiles. Une étude portant sur des dizaines de milliers de patients multiplie rapidement cette charge. La découverte à l’échelle d’une population exige aussi plusieurs cycles d’extraction de caractéristiques, d’analyse statistique, de test d’hypothèses et de validation. GigaPath, publié dans Nature en 2024, apprend des représentations contextualisées de lames entières à partir de données réelles de Providence. GigaTIME, publié dans Cell en 2026, modélise le microenvironnement tumoral avec 40 millions de cellules et des données H&E et mIF appariées.

GigaPath-Flash réduit le calcul

Le modèle compact GigaPath-Flash combine un encodeur ViT-S de 22 millions de paramètres et un encodeur de lame LongNet de 21 millions de paramètres. L’encodeur de tuiles est distillé depuis le modèle ViT-g de GigaPath, qui compte environ un milliard de paramètres. Son encodeur de lame contextualise les représentations de toutes les tuiles grâce à une attention dilatée. Cette architecture évolue linéairement avec le nombre de tuiles. Sur les benchmarks PANDA pour le cancer de la prostate et EBRAINS pour les tumeurs cérébrales, GigaPath-Flash affiche le coût d’inférence le plus bas parmi les modèles préentraînés évalués. Il atteint 97 % des performances de GigaPath avec environ 50 fois moins de calcul.

GigaTIME-Flash traduit des images H&E en cartes de protéomique spatiale virtuelle. Le modèle remplace le socle CNN de GigaTIME par l’encodeur ViT-S de GigaPath-Flash et conserve un décodeur convolutionnel léger. Un réglage avec des adaptateurs LoRA maintient largement les poids de l’encodeur préentraîné. Sur des cohortes de cancers du cerveau, du sein, du côlon et du poumon, le modèle égale ou améliore la qualité de prédiction de GigaTIME. Les résultats couvrent des données de même distribution et des cohortes externes. Dans l’étude GigaTIME initiale, plus de 14 000 patients avaient permis d’identifier plus de 1 200 associations statistiquement significatives entre états immunitaires et biomarqueurs cliniques.

Les modèles ouverts changent l’échelle

Les gains mesurés indiquent environ six fois plus de rapidité et huit fois moins de mémoire pour GigaTIME-Flash, avec une meilleure performance prédictive que GigaTIME. Sur une carte graphique NVIDIA A100, la génération de protéomique virtuelle pour 1 000 lames est estimée à deux heures GPU avec GigaTIME-Flash, contre sept heures avec GigaTIME. Pour 100 000 lames, les estimations atteignent sept jours GPU 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. Les performances réelles dépendent de la taille des lames, de la résolution et du matériel.

Le code ouvert accompagne cette distribution sous licence Apache 2.0. Les poids et le code de GigaPath-Flash et GigaTIME-Flash sont disponibles sur HuggingFace. Cette version constitue une sortie de recherche précoce. Les évaluations couvrent un ensemble limité de benchmarks et de cohortes. Des validations plus larges restent nécessaires pour différents usages, scanners et populations de patients. Les applications cliniques nécessiteront des validations supplémentaires, menées dans plusieurs institutions et de manière prospective. Les modèles peuvent donc soutenir des travaux scientifiques sur de grandes cohortes, sans valider à eux seuls un usage de soins.