# Microsoft lance GigaPath-Flash, 50 fois moins gourmand > Microsoft présente GigaPath-Flash et GigaTIME-Flash, deux modèles ouverts qui réduisent fortement le calcul nécessaire à l’analyse de grandes cohortes. Type : Actualité IA · Catégorie : Outils · Publié le 2026-09-09 · Signal IA - Order & Chaos · Secteur : Santé Source : https://www.orderchaos.eu/signal-ia/actu/microsoft-lance-gigapath-flash-avec-50-fois-moins-de-calcul Tags : pathologie, cancer, modèles ouverts, recherche médicale, benchmark, inference --- ## En résumé - GigaPath-Flash conserve des performances compétitives avec environ 50 fois moins de calcul. - GigaTIME-Flash traite les données de protéomique spatiale environ six fois plus vite. - Microsoft publie les deux modèles sous licence Apache 2.0 pour la recherche. **Le signal :** GigaPath-Flash atteint 97 % des performances de GigaPath avec environ 50 fois moins de calcul. **[Microsoft](/signal-ia/actu/microsoft-ia-bouscule-le-marche-avec-ses-modeles-economiques) présente** GigaPath-Flash et GigaTIME-Flash, deux modèles de fondation dédiés à la pathologie numérique. L’annonce du 9 septembre 2026 décrit une famille Flash conçue pour réduire les ressources nécessaires aux analyses répétées. Ces modèles ciblent les images de lames entières et l’étude du microenvironnement tumoral. Ils doivent faciliter l’exploration de cohortes plus importantes, selon Microsoft. GigaPath-Flash atteint des performances situées à moins de 3 % de GigaPath sur deux benchmarks, avec environ 50 fois moins de calcul. GigaTIME-Flash est environ six fois plus rapide et utilise environ huit fois moins de mémoire que GigaTIME. Les deux modèles restent des modèles de recherche, sans validation clinique. **Les lames imposent** une contrainte de calcul importante en pathologie numérique. Une image de lame entière dépasse souvent le gigapixel et nécessite le traitement de milliers de tuiles. Les études portant sur des dizaines de milliers de patients multiplient ensuite les extractions de caractéristiques, analyses statistiques, tests d’hypothèses et validations. GigaPath, présenté dans Nature en 2024, apprend des représentations contextualisées de lames entières à partir de données histopathologiques réelles de Providence. GigaTIME, publié dans Cell en 2026, a été entraîné sur 40 millions de cellules associées à des données H&E et d’immunofluorescence multiplexée. Il a généré une population virtuelle de plus de 14 000 patients atteints de cancer. ## GigaPath-Flash réduit le calcul **Le modèle combine** un encodeur de tuiles ViT-S de 22 millions de paramètres et un encodeur de lames LongNet de 21 millions de paramètres. L’encodeur ViT-S provient d’une distillation de l’encodeur ViT-g de GigaPath, dont la taille atteint environ un milliard de paramètres. L’encodeur de lames 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 classement du cancer de la prostate et EBRAINS pour la sous-typologie des tumeurs cérébrales, GigaPath-Flash affiche le coût d’[inférence](/signal-ia/actu/baseten-accelere-linference-jusqua-10-fois) le plus faible parmi les modèles préentraînés évalués. **Les estimations montrent** un écart croissant selon la taille des cohortes. Sur une seule carte [NVIDIA](/signal-ia/actu/alpamayo-2-pulverise-gpt-4o-de-232-pts-sur-lingoqa) A100 et avec environ 10 000 tuiles par lame, GigaTIME-Flash nécessite environ deux heures GPU pour 1 000 lames. Le même traitement demande environ sept heures avec GigaTIME. Pour 100 000 lames, les estimations atteignent respectivement sept jours GPU et trente jours GPU. Pour un million de lames, elles atteignent environ 70 jours GPU et 300 jours GPU. Le modèle Flash dépasse 1 600 tuiles par seconde dans les mesures rapportées. Les durées réelles dépendent toutefois de la taille des lames, de la résolution et du matériel utilisé. ## Microsoft publie deux modèles ouverts **GigaTIME-Flash remplace** le socle convolutif 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 gelés. Sur des cohortes de cancers du cerveau, du sein, du côlon et du poumon, le modèle égale ou améliore GigaTIME pour la prédiction des protéines spatiales. Les résultats couvrent des données similaires à l’entraînement et des cohortes externes. Les deux modèles sont publiés avec leurs poids et leur code sous licence Apache 2.0 sur Hugging Face. **La publication accompagne** un appel à l’évaluation par la communauté scientifique. Microsoft indique que les évaluations actuelles couvrent un ensemble limité de benchmarks et de cohortes. Des validations plus larges doivent encore porter sur les tâches, les scanners et les populations de patients. Les modèles ne sont pas destinés à la prise en charge des patients, notamment au diagnostic, au pronostic ou au choix d’un traitement. Leurs performances peuvent varier selon les jeux de données, les établissements, les scanners, les populations et les usages. Le projet réunit Microsoft Research, l’Université de Washington et Providence. Les détails techniques sont disponibles dans [l’article GigaPath-Flash](https://aka.ms/gigapath-paper) et les modèles sur [Hugging Face](https://aka.ms/GigaPath-Flash).