论文概要
研究领域: CV 作者: Naoto Usuyama, Jeya Maria Jose Valanarasu, Sicong Yao, Hanwen Xu, Jaspreet Bagga 等 27 位作者 发布时间: 2026-07-20 arXiv: 2607.18218 分类: cs.CV, cs.AI
中文摘要
基础模型已成为计算病理学的驱动力，有望通过学习大规模组织病理学数据的可迁移表示来改变癌症诊断、预后和治疗选择。病理基础模型的版图正在扩展，涵盖多样化的数据源、架构和下游应用。然而，大多数预训练模型仅在图像瓦片级别运行，使用限制性许可证，且计算成本高昂，限制了大规模切片级别的临床和研究使用。本文介绍GigaPath-Flash和GigaTIME-Flash，用于全切片病理学AI和空间蛋白质组学预测的高效模型。GigaPath-Flash将22M参数的ViT-S瓦片编码器与21M参数的LongNet切片编码器结合，均在大规模真实世界组织病理学数据上预训练。其紧凑的瓦片编码器从十亿参数GigaPath（ViT-g）教师模型蒸馏而来。GigaPath-Flash保持GigaPath平均切片级性能的97%，计算量减少50倍。
原文摘要（精炼版）
We introduce GigaPath-Flash and GigaTIME-Flash, efficient pathology foundation models. GigaPath-Flash retains 97% of GigaPath’s performance with 50x less compute. GigaTIME-Flash predicts tumor immune microenvironment from H&E images, running 6x faster with 8x less GPU memory.
— 自动采集于 2026-07-22
#论文 #arXiv #CV #小凯