تخيل عندك آلاف شرائح WSI في مشروع بحثي، وتريد تشغيل نموذج Foundation Model عليها. على الورق الفكرة ممتازة. عملياً، أول سؤال يظهر بسرعة: كم GPU نحتاج؟ وكم وقت سيستغرق التحليل؟
هذه هي المشكلة التي يحاول بحث جديد من Microsoft Research وProvidence التعامل معها من خلال نموذجين: GigaPath-Flash و GigaTIME-Flash.
الفكرة ليست تقديم نموذج أكبر وأثقل. العكس تماماً. الباحثون يحاولون أخذ جزء كبير من قوة GigaPath الأصلي، لكن داخل نموذج أخف بكثير وأسهل للتجربة على مستوى الـ whole-slide image.
ما هو GigaPath-Flash؟
GigaPath-Flash يستخدم tile encoder بحجم 22M parameter من نوع ViT-S، ومعه slide encoder بحجم 21M parameter مبني على LongNet. النموذج الأصلي GigaPath كان يعتمد على ViT-g بحجم يقارب مليار parameter، وهذا يعطي أداء قوي لكنه يجعل التشغيل على نطاق واسع مكلفاً.
هنا استخدم الفريق فكرة distillation، أي نقل معرفة النموذج الكبير إلى encoder أصغر. النتيجة حسب الورقة أن GigaPath-Flash احتفظ بـ 97% من متوسط أداء GigaPath على مهام slide-level، مع compute أقل بـ 50 مرة.
بالنسبة لطبيب الباثولوجي أو فريق بحث يعمل على بيانات WSI حقيقية، هذا الرقم مهم. ليس لأن النموذج أصبح جاهزاً للتشخيص المباشر، بل لأن التجربة نفسها تصبح أسهل. بدل أن يكون تشغيل النموذج محصوراً بمراكز تملك موارد GPU كبيرة، يمكن لمختبرات ومجموعات بحثية أكثر أن تختبر النموذج على cohorts محلية.
وماذا عن GigaTIME-Flash؟
GigaTIME-Flash يأخذ نفس الـ encoder الأخف ويستخدمه باتجاه مختلف: توقع إشارات مرتبطة بالـ Tumor Immune Microenvironment من صور H&E الروتينية.
الفكرة هنا حساسة ومثيرة للاهتمام في نفس الوقت. H&E هي الصورة اليومية التي يعرفها كل باثولوجست. إذا استطاع النموذج استخراج إشارات قريبة من spatial proteomics أو immune microenvironment من H&E، فهذا قد يساعد في البحث والفرز وبناء فرضيات جديدة قبل الوصول إلى اختبارات أغلى أو أكثر تعقيداً.
حسب البحث، GigaTIME-Flash تفوق على النسخة القديمة المبنية على CNN في جودة التنبؤ، وكان أسرع بـ 6 مرات ويستخدم GPU memory أقل بـ 8 مرات.
أين القيمة العملية؟
القيمة هنا ليست في استبدال الفحوصات الجزيئية أو المناعية. ولا يصح قراءة الورقة بهذه الطريقة.
القيمة الأقرب هي أن نماذج WSI وTumor Microenvironment بدأت تتحرك من مرحلة “نموذج ضخم يصعب تشغيله” إلى مرحلة “نموذج يمكن اختباره فعلياً”. وهذا فرق كبير في الباثولوجي الرقمي، لأن كثيراً من الأفكار الجيدة تفشل عند أول احتكاك مع حجم البيانات وكلفة التشغيل.
وجود النماذج كـ open-weight وبترخيص Apache-2.0 يزيد أهمية الخبر. هذا يعني أن مجموعات بحثية خارج الشركات الكبيرة تستطيع تحميل النماذج وتجربتها، مع إمكانية بناء validation مستقل على بيانات من بيئات مختلفة.
ماذا يعني هذا لطبيب الباثولوجي؟
إذا كنت طبيب باثولوجي، فالرسالة ليست أن AI سيقرأ الشريحة بدلاً عنك غداً. الرسالة أدق من ذلك: أدوات تحليل WSI تصبح أخف، وأقرب للدخول في مشاريع بحثية واقعية، وربما لاحقاً في workflows مساعدة بعد validation جاد.
النقطة التي تستحق المتابعة هي هل سيحافظ هذا الأداء عند استخدامه على بيانات من مستشفيات مختلفة، scanners مختلفة، وطرق تحضير مختلفة. هنا يبدأ الاختبار الحقيقي.
حتى الآن، GigaPath-Flash وGigaTIME-Flash يقدمان خطوة عملية: أداء قريب من نموذج أكبر، مع كلفة تشغيل أقل بكثير. وهذا بالضبط ما يحتاجه الباثولوجي الرقمي كي يخرج من العروض البحثية الجميلة إلى تجارب يمكن تكرارها في مختبرات أكثر.