Tu suis la course aux modèles IA ?
Chaque sortie (GPT, Claude, Gemini, Mistral…) décryptée le soir même, en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Deux nouveaux modèles ouverts promettent d’abaisser drastiquement le coût des analyses sur diapositives entières. Distillés à partir de GigaPath et GigaTIME, ils conservent des performances élevées mais ne sont pas destinés à l’usage clinique et requièrent encore une validation plus large.
Des gains de temps et de mémoire chiffrés, mais une validation encore à étendre
GigaPath-Flash réduit le calcul d’environ 50 fois pour 97 % des performances prédictives de GigaPath. GigaTIME-Flash est environ 6 fois plus rapide et consomme environ 8 fois moins de mémoire que GigaTIME, tout en améliorant la qualité de prédiction. À titre d’estimation sur un seul GPU NVIDIA A100, générer des mIF virtuels avec GigaTIME-Flash prend environ 2 heures GPU pour 1 000 diapositives, 7 jours GPU pour 100 000 et 70 jours GPU pour 1 000 000, contre environ 7 heures, 30 jours et 300 jours pour GigaTIME. Ces estimations supposent près de 10 000 tuiles par diapositive et une taille de lot de 128, et le temps réel dépend notamment de la taille des diapositives, de la résolution de découpage et du matériel. Les auteurs qualifient cette publication de recherche de précoce, avec des évaluations aujourd’hui limitées en benchmarks et cohortes, et indiquent qu’une validation plus large à travers tâches, scanners et populations sera nécessaire avant toute application clinique. Ils précisent également que les performances peuvent varier selon les jeux de données, les scanners, les institutions, les populations et les cas d’usage.
Ce que permettent les modèles Flash à l’échelle des cohortes
La gamme Flash améliore GigaPath et GigaTIME en augmentant considérablement leur efficacité, ce qui permet de traiter des cohortes plus importantes et de réaliser un plus grand nombre d’expériences. Il s’agit de favoriser la recherche à grande échelle en pathologie, afin d’étudier la biologie des maladies, les biomarqueurs et les résultats cliniques à partir de jeux de données sur le cancer. Les auteurs précisent que la recherche à l’échelle de la population nécessite de répéter des phases d’extraction de caractéristiques, d’analyses statistiques et de validations sur des sous-groupes, des opérations actuellement freinées par le coût du calcul. Ils défendent la nécessité de modèles applicables de manière répétée et abordable afin d’élargir l’éventail de questions que les chercheurs peuvent réellement poser.
GigaPath-Flash: distillation, LongNet et coût d’inférence minimal
GigaPath-Flash combine un encodeur de tuiles ViT-S comportant 22 millions de paramètres avec un encodeur de diapositive LongNet totalisant 21 millions de paramètres. Le premier provient d’une distillation à partir de GigaPath ViT-g, ce qui permet de transférer les capacités d’un modèle d’un milliard de paramètres vers une version beaucoup plus légère, tandis que le second apporte une contextualisation globale des embeddings grâce à une attention dilatée dont la complexité est linéaire par rapport au nombre de tuiles. Sur les jeux de tests PANDA (classification de la prostate) et EBRAINS (sous-typage des tumeurs cérébrales), ce modèle affiche le coût d’inférence le plus faible parmi les méthodes pré-entraînées sur des diapositives complètes, tout en restant performant, à environ 3 % près du modèle GigaPath d’origine. Il nécessite environ 50 fois moins de ressources de calcul pour obtenir 97 % de la performance prédictive de GigaPath.
GigaTIME-Flash: de la CNN à ViT-S, LoRA et gains hors distribution
GigaTIME-Flash remplace l’architecture CNN historique par l’encodeur ViT-S de GigaPath-Flash, épaulé d’un décodeur convolutionnel léger pour la traduction H&E vers mIF. L’affinage s’effectue via des adaptateurs LoRA en conservant largement figés les poids de l’encodeur pré-entraîné. Sur des cohortes en distribution et hors distribution englobant des cancers du cerveau, du sein, du côlon et du poumon, la qualité de prédiction des protéines spatiales égale ou dépasse celle de GigaTIME, avec des gains particulièrement marqués hors distribution. Le modèle est annoncé environ 6 fois plus rapide et 8 fois moins consommateur de mémoire, tout en améliorant la prédiction des canaux protéiques mIF.
Le contexte: des données riches mais massives en histopathologie
Chaque biopsie génère une diapositive entière décrivant la morphologie cellulaire à une résolution subcellulaire, et les hôpitaux en produisent des millions par an. Ces images embarquent des informations utiles au diagnostic, au pronostic, à la sélection thérapeutique et à l’étude du microenvironnement tumoral. Elles sont toutefois très volumineuses, dépassant fréquemment le gigapixel, et l’inférence exige de traiter des milliers de tuiles par diapositive. Lorsque la recherche porte sur des dizaines de milliers de patients, le coût de calcul croît rapidement et devient un facteur contraignant.
Origine des modèles, ouverture du code et restrictions d’usage
GigaPath a été pré-entraîné sur des données d’histopathologie du monde réel issues de Providence et apprend des représentations de diapositive entière tenant compte à la fois de motifs cellulaires locaux et d’architecture globale. GigaTIME, entraîné sur 40 millions de cellules, a été appliqué à plus de 14 000 patients et a mis en évidence plus de 1 200 associations statistiquement significatives entre états immunitaires et biomarqueurs cliniques. Les itérations Flash sont publiées avec des poids ouverts sous licence Apache 2.0, avec code et modèles disponibles sur HuggingFace. Ces modèles sont strictement des artefacts de recherche et ne sont pas destinés ni validés pour un usage clinique. Le travail est le fruit d’une collaboration entre Microsoft Research, l’Université de Washington et Providence, et les auteurs invitent la communauté à évaluer les modèles et à partager des retours, en anticipant des usages scientifiques au-delà de leurs expériences initiales.
