Microsoft, 효율적인 병리 AI를 위한 GigaPath-Flash 및 GigaTIME-Flash 공개
Microsoft의 오픈 웨이트 병리 모델은 전체 슬라이드 연산량을 50배 줄이고 공간 프로테오믹스 메모리 사용량을 거의 8배 절감한다.
목차 · 11
Microsoft Research는 전체 슬라이드 분석과 가상 공간 프로테오믹스를 훨씬 더 큰 연구 코호트 전반에서 실용적으로 수행할 수 있도록 설계한 두 가지 소형 병리 모델인 GigaPath-Flash와 GigaTIME-Flash를 공개했다.
핵심 결과는 새로운 임상 기능이 아니라 연산량의 대폭적인 감소다. GigaPath-Flash는 약 49.5배 적은 부동소수점 연산을 사용하면서 두 개의 슬라이드 분류 벤치마크에서 원래 GigaPath 평균 성능의 97%를 유지했다. GigaTIME-Flash는 보고된 테스트에서 원래 GigaTIME의 평균 단백질 예측 성능을 웃돌았으며, 가장 큰 테스트 배치 크기에서 약 6배 빠르게 실행되고 GPU 메모리를 거의 8배 적게 사용했다.
Microsoft는 2026년 8월 31일 발표를 공개했다. 함께 제공된 기술 보고서는 7월 20일 arXiv에 처음 제출됐고 7월 22일 수정됐다. 이 모델들은 Microsoft Research, 워싱턴 대학교, Providence Genomics, Providence Cancer Institute, Providence Research Network의 공동 연구 결과다.
1. 서로 다른 병리 작업을 위한 두 가지 소형 모델
GigaPath-Flash는 기가픽셀 병리 슬라이드를 종양 분류와 같은 후속 연구 작업을 지원할 수 있는 표현으로 변환한다. 원래 GigaPath와 마찬가지로 슬라이드를 두 단계로 처리한다. 타일 인코더가 국소 시각 특징을 추출하고, 슬라이드 인코더가 해당 특징과 공간적 위치를 결합해 조직 전반의 맥락을 모델링한다.
Flash 버전은 GigaPath의 약 10억 개 파라미터 ViT-g 타일 인코더를 2,200만 개 파라미터의 ViT-S/16 모델로 대체한다. 각 224×224픽셀 타일은 384차원 임베딩으로 변환된다. 이후 약 2,100만 개 파라미터를 포함하는 별도의 12개 레이어 LongNet 슬라이드 인코더가 타일 수에 선형적으로 확장되는 희소 간격 어텐션을 사용해 임베딩을 맥락화한다.
이 소형 인코더는 독립적으로 학습한 것이 아니라 동결된 10억 파라미터 모델에서 증류됐다. 연구진은 Providence의 전체 슬라이드 이미지에 DINOv2 자기지도 목표를 적용해 더 큰 교사의 표현을 소형 학생 모델로 이전했다. 이후 슬라이드 인코더는 마스킹된 오토인코딩으로 사전학습돼 주변 슬라이드로부터 한 타일의 표현을 복원하는 방법을 학습했다.
GigaTIME-Flash는 다른 목적을 수행한다. 일상적인 헤마톡실린-에오신, 즉 H&E, 이미지 타일을 입력으로 받아 일반적으로 다중 면역형광법으로 측정하는 21개 단백질 채널의 공간 지도를 예측한다. 공개된 구현은 두 개의 배경 채널을 포함해 23개 출력 채널을 생성한다.
원래 GigaTIME은 900만 개 파라미터의 합성곱 U-Net++ 아키텍처를 사용했다. 반면 GigaTIME-Flash는 증류된 ViT-S 인코더와 200만 개 파라미터의 합성곱 디코더를 결합해 총 약 2,380만 개 파라미터로 구성된다. 네 개 트랜스포머 레이어의 특징이 연속된 디코더 단계에 입력되며, 대부분의 연산은 저해상도 토큰 표현에서 수행하면서 공간적 세부 정보를 보존한다.
적응 과정에서는 LoRA 어댑터와 디코더만 학습하며, 다른 인코더 파라미터는 동결 상태로 유지된다. 보고된 구성은 LoRA 랭크 8, 스케일링 팩터 16, 드롭아웃 0.1을 사용한다. 학습은 원래 GigaTIME 비교와 같은 데이터를 사용해 NVIDIA A100 하드웨어에서 300 에포크 동안 진행됐다.
2. 벤치마크가 보여주는 것
GigaPath-Flash는 두 개의 공개 슬라이드 수준 분류 데이터셋에서 평가됐다. PANDA는 6개 클래스의 전립선암 등급 예측을 테스트하며, EBRAINS는 30개 뇌종양 아형을 다룬다.
31,469개 타일을 포함한 EBRAINS 슬라이드에서 연구진은 GigaPath-Flash의 연산량을 290.3 TFLOPs로 추정했으며, 원래 GigaPath는 14,367.3 TFLOPs였다. PANDA의 이차 가중 카파는 GigaPath-Flash가 0.947, GigaPath가 0.965였으며, EBRAINS의 균형 정확도는 각각 0.705와 0.741이었다.
이 두 점수의 평균은 GigaPath-Flash가 0.826, GigaPath가 0.853이었다. 이는 소형 모델이 GigaPath 평균 성능의 약 97%를 보존한다는 Microsoft의 주장 근거다.
GigaPath-Flash는 두 벤치마크 모두에서 연구에 포함된 모든 타일 전용 베이스라인을 능가했다. 이들 모델은 독립적인 타일 표현을 결합하기 위해 추가적인 어텐션 기반 다중 인스턴스 학습 구성요소가 필요했다. 전체 슬라이드 수준에서 사전학습된 평가 모델 가운데 GigaPath-Flash는 추정 추론 비용이 가장 낮았다.
이 비교는 일반적인 병리 평가보다 여전히 범위가 좁다. 연구진은 맞춤형 학습, 검증, 테스트 분할을 만들었고, 각 후속 모델을 5 에포크 동안 학습했으며, 데이터셋당 한 번의 실행 결과를 보고했다. 따라서 결과는 통제된 효율성 비교를 뒷받침할 뿐, GigaPath-Flash가 병리 작업 전반에서 보편적으로 우수하다는 주장은 아니다.
GigaTIME-Flash는 5명의 폐선암 환자로부터 등록된 9,204개 타일과 뇌, 유방, 결장, 폐암을 포괄하는 분포 외 조직 마이크로어레이에서 테스트됐다. 각 외부 암 코호트에는 약 10명에서 20명의 환자 샘플이 포함됐다.
성능은 예측된 단백질 활성과 실험적으로 측정된 단백질 활성 사이의 피어슨 상관계수를 사용해 측정했으며, 이는 개별 세포에 대략 대응하는 윈도우 전반에 걸쳐 집계됐다. GigaTIME-Flash는 원래 테스트 세트와 네 개의 모든 외부 코호트에서 GigaTIME보다 높은 평균 상관계수를 달성했다.
단백질 전반의 향상은 균일하지 않았다. GigaTIME-Flash는 여러 핵, 상피, 골수계, 증식, 세포사멸 마커의 예측을 개선했다. 원래 합성곱 모델은 CD34, Transgelin, Actin, CD20을 포함한 일부 혈관, 기질, 희소 림프계 패턴에서는 경쟁력을 유지했다.
3. 모집단 규모에서의 연산량 감소
256×256픽셀 입력에서 GigaTIME-Flash는 14.9 GFLOPs가 필요하며, GigaTIME의 69.1 GFLOPs와 비교해 약 4.6배 감소한 수치다.
NVIDIA A100에서 배치 처리 시 이점은 더 커졌다. 처리량은 배치 크기 1에서 초당 60.3개 타일이던 것이 배치 크기 128에서 초당 1,679.2개 타일로 증가했다. 원래 GigaTIME은 초당 약 390개 타일에서 포화 상태에 도달했다.
배치 크기 128에서 최대 GPU 메모리는 GigaTIME-Flash가 2.16 GB, GigaTIME이 16.68 GB였다. 새 모델은 파라미터 수 기준으로는 더 크지만, 트랜스포머 백본은 현대 GPU에서 효율적으로 병렬화되는 행렬 연산을 더 많이 활용한다. 반면 원래 모델은 고해상도 특징 맵에서 밀집 합성곱과 중첩된 스킵 연산을 수행한다.
Microsoft는 슬라이드당 10,000개 타일과 배치 크기 128을 가정할 때, GigaTIME-Flash로 100만 장의 슬라이드에 대한 가상 다중 면역형광 지도를 생성하는 데 A100 한 대에서 약 70일이 필요할 것으로 추정한다. GigaTIME에 대한 해당 추정치는 약 300일이다. 10만 장의 슬라이드에 대해서는 각각 7일과 30일로 추정한다.
이 수치는 측정된 종단 간 코호트 실행 결과가 아니라 예측치다. 실제 시간은 슬라이드 크기, 타일링 해상도, 전처리, 스토리지 처리량, 구현, 하드웨어에 따라 달라진다.
원래 GigaTIME 연구는 24개 암 유형과 306개 아형에 걸쳐 Providence 환자 14,256명에게 가상 단백질 예측을 적용했기 때문에 이 규모는 중요하다. 이 연구는 299,376개의 가상 단백질 지도를 생성하고 통계적으로 유의한 단백질-바이오마커 연관성 1,234건을 보고했다. 추론 비용을 낮추면 대체 바이오마커, 환자 하위 집단, 검증 코호트 전반에서 이러한 분석을 반복하는 것이 더 실현 가능해진다.
4. 실용적 조건이 있는 오픈 웨이트 공개
Microsoft와 협력 기관들은 두 Flash 체크포인트와 코드를 Apache License 2.0으로 공개했다. GigaPath-Flash 가중치는 Hugging Face의 Prov-GigaPath 조직을 통해 호스팅되며, GigaTIME-Flash는 Prov-GigaTIME 조직을 통해 배포된다. 공개 GitHub 리포지토리에는 로딩 지침과 추론 노트북이 포함돼 있다.
가중치 접근은 제한된다. 사용자는 다운로드하기 전에 로그인하고, 리포지토리 약관에 동의하며, 읽기 전용 Hugging Face 토큰을 제공해야 한다. 이는 접근이 승인된 후 아티팩트를 공개 라이선스로 검사할 수 있음을 의미하지만, 익명으로 한 번의 클릭만으로 다운로드할 수 있는 것은 아니다.
라이선스와 명시된 의도된 사용 사이에도 구분이 있다. Apache 2.0은 허용적인 소프트웨어 라이선스이지만, 두 모델 카드는 모두 체크포인트를 연구 리소스로 설명하며 상업적 여부와 관계없이 배포된 사용은 의도된 범위를 벗어난다고 밝힌다. 자료는 이 모델 카드 지침을 라이선스가 허용하는 모든 사용과 어떻게 조화시켜야 하는지 설명하지 않는다. 따라서 배포를 고려하는 조직은 “Apache 2.0”을 임상 또는 운영 승인의 증거로 간주하기보다 명확한 설명을 구해야 한다.
두 모델 모두 진단, 예후, 치료 선택 또는 기타 환자 치료 의사결정에 대해 검증되지 않았다. 저자들은 스캐너, 기관, 환자 집단, 후속 작업 전반에 걸친 다기관 및 전향적 검증을 요구한다.
이러한 주의는 더 광범위한 병리 연구로 뒷받침된다. 독립적인 2026년 연구는 병리 파운데이션 모델이 병원별 염색, 준비, 스캐너 시그니처를 인코딩할 수 있으며, 이로 인해 후속 시스템이 생물학적 특징 대신 기관별 아티팩트에 의존할 수 있음을 발견했다. 이 연구는 더 광범위한 모델 집합 가운데 원래 Prov-GigaPath를 평가했으며 GigaPath-Flash를 평가한 것은 아니므로, 새 공개 버전의 결함을 입증하지는 않는다. 다만 더 낮은 연산량과 우수한 벤치마크 점수가 교차 기관 검증을 대체할 수 없는 이유를 보여준다.
자주 묻는 질문
GigaPath-Flash와 GigaTIME-Flash의 차이점은 무엇인가요?
GigaPath-Flash는 전체 병리 슬라이드의 맥락화된 표현을 생성한다. GigaTIME-Flash는 일상적인 H&E 이미지에서 공간 단백질 발현 지도를 예측한다.
GigaPath-Flash는 얼마나 더 작은가요?
타일 인코더는 약 2,200만 개 파라미터로, 원래 GigaPath의 약 10억 개와 비교된다. 슬라이드 인코더는 약 2,100만 개 파라미터로, 이전의 8,600만 개와 비교된다.
모델은 오픈 소스인가요?
코드와 가중치는 Apache 2.0으로 공개됐지만, 체크포인트 다운로드에는 Hugging Face 계정과 접근 약관 수락이 필요하다. 따라서 “오픈 웨이트”가 가장 정확한 설명이다.
병원에서 환자 치료에 모델을 사용할 수 있나요?
아니다. Microsoft와 모델 카드는 이 모델들이 연구용 공개이며 임상 진단, 예후, 치료 선택 또는 기타 치료 의사결정을 위해 의도되거나 검증되지 않았다고 명시한다.
Flash 연구는 동료 심사를 받았나요?
Flash 결과는 현재 arXiv 프리프린트에 기록돼 있다. 원래 GigaPath 및 GigaTIME 연구는 각각 Nature와 Cell에 게재됐다.
참고 자료
Share