prov-gigatime/GigaTIME

解決的問題

GigaTIME 設計用於為腫瘤微環境建模生成「虛擬族群」特徵。具體而言，它解決了從常見且廣泛可用的 H&E 病理切片中預測空間蛋白質體學（mIF）的問題，從而無需進行昂貴且複雜的空間蛋白質體學實驗。

工作原理

本專案提供一個跨模態翻譯器，可將 H&E 染色的病理影像轉換為虛擬多重免疫螢光（mIF）地圖。模型包含兩個版本：

• GigaTIME：原始的基於 CNN 的模型。
• GigaTIME-Flash：基於 GigaPath-Flash 建構的高效版本，推論速度提升 6 倍，GPU 記憶體使用量減少 8 倍，同時預測品質也獲得提升。

適用對象

專注於病理學與醫學影像的 AI 研究人員，希望重現相關 Cell 論文的實驗結果，或以此為基礎進行腫瘤微環境分析。

主要亮點

• 跨模態轉換：將常見的 H&E 切片轉換為虛擬 mIF 特徵。
• 高效推論：GigaTIME-Flash 显著降低計算負載，同時提升預測品質。
• 全切片支援：支援分塊與拼接，實現切片級虛擬 mIF 地圖生成。
• 研究導向：專為研究環境中的腫瘤微環境建模而設計。