ИИ для биопсий: специализированная модель догнала foundation-модели с меньшим расходом энергии

Foundation-модели помогали при нехватке размеченных биопсий, но с ростом обучающей выборки их преимущество исчезало. В исследовании, опубликованном 26 октября, специализированная модель сравнялась с ними или оказалась лучше — при меньшем энергопотреблении инференса.

Что именно сравнили

Команда изучила материал 6268 пациентов из 15 клинических центров. Энкодеры UNI и Virchow2 использовали с замороженными весами; специализированный EfficientNet-V2S обучали целиком под задачу оценки биопсий простаты. Долю данных для обучения увеличивали постепенно.

На полной обучающей выборке согласие с оценками патологов во внешних когортах составило примерно 0,87 для специализированной модели, 0,86 для UNI и 0,85 для Virchow2. Это квадратично взвешенная каппа Коэна, а не доля правильных диагнозов. Близкие значения не доказывают превосходства по всем клиническим критериям.

Рис. 4: сверху — внутренние и внешние выборки; снизу — отдельные когорты при 1% и 100% обучающих данных. TS — специализированная модель, UFM — UNI, VFM — Virchow2. Mulliqi et al., Nature Communications, 2026; CC BY 4.0. Обрезка страницы PDF; данные не изменены.

Экономия с чёткой границей

В проверке инференса на 801 слайде авторы оценили GPU-энергию в 0,51 кВт·ч для специализированной модели, 5,40 для UNI и 17,70 для Virchow2. Замеры делали на NVIDIA A100 40 GB и масштабировали на ансамбль из десяти моделей с тройным усреднением преобразований входа. Это не полная энергия обучения или клиники.

Работа принята после рецензирования, опубликованная версия ещё редактируется. Вывод относится к этим моделям и задаче: при выборе системы для биопсий стоит сравнить специализированное обучение и foundation-подход на внешних данных, включая расход вычислений. Крупный универсальный энкодер сам по себе не гарантирует лучшего результата.