Microsoft maakt AI-pathologie 50x zuiniger met GigaPath-Flash

TL;DR

• Wat: Microsoft Research brengt GigaPath-Flash en GigaTIME-Flash uit — AI-modellen voor digitale pathologie die 50x minder rekenkracht vragen bij 97% van de oorspronkelijke prestatie.
• Waarom relevant: Digitale pathologie komt ook naar Nederlandse ziekenhuizen; goedkopere AI verlaagt de drempel voor zorginstellingen én hun toeleveranciers.
• Wat je ermee kunt: Als je levert aan de zorgsector, volg dan hoe deze open-source modellen de markt voor pathologie-AI toegankelijker maken.

Ik stuitte op een bericht van Microsoft Research over twee nieuwe AI-modellen voor digitale pathologie: GigaPath-Flash en GigaTIME-Flash. Wat mij direct opviel, is niet zozeer wat ze kunnen — maar hoeveel mínder ze nodig hebben om het te doen. En dat is precies de verschuiving die ik interessant vind voor iedereen die met de zorgsector te maken heeft.

Wat zijn GigaPath-Flash en GigaTIME-Flash?

Even een stap terug. In de pathologie worden weefselcoupes — dunne plakjes weefsel op een glasplaatje — onder een microscoop bekeken om ziektes te diagnosticeren. Steeds vaker worden die coupes ingescand als digitale beelden, zogeheten whole-slide images. Die beelden zijn enorm: soms miljarden pixels per plaatje.

AI-modellen kunnen pathologen helpen bij het analyseren van zulke beelden. Het probleem: de krachtigste modellen tot nu toe zijn óók enorm. Het originele GigaPath-model van Microsoft telt meer dan een miljard parameters — je kunt dat zien als een miljard instelknopjes waarmee het model patronen herkent. Dat vereist dure GPU-servers en veel rekentijd.

GigaPath-Flash pakt dat anders aan. Het model heeft slechts 22 miljoen parameters voor de beeldherkenning en 21 miljoen voor het verwerken van het hele weefselplaatje. Samen is dat ruwweg 43 miljoen parameters, een factor 25 kleiner dan het origineel. De kennis uit het grote model is via een techniek genaamd distillation — je kunt het vergelijken met het indikken van een dikke saus tot een geconcentreerde jus — overgebracht naar dit compacte model.

Het resultaat: GigaPath-Flash behoudt volgens de onderzoekers 97% van de prestatie van het grote model, maar met 50 keer minder rekenkracht.

GigaTIME-Flash gaat nog een stap verder. Dit model voorspelt de tumor micro-omgeving — kort gezegd: de samenstelling van immuuncellen rondom een tumor — op basis van standaard weefselkleuringen (H&E). Het draait 6 keer sneller dan zijn voorganger en gebruikt 8 keer minder GPU-geheugen, terwijl het volgens de onderzoekers zelfs beter voorspelt.

Waarom "zuiniger" hier het echte nieuws is

Ik merk dat in AI-berichtgeving de nadruk vaak ligt op "groter, beter, meer". Maar in de praktijk — zeker in de zorg — is de vraag juist: hoe krijg je goede AI draaiend zonder een datacenter in je kelder?

Wat mij hier opvalt, is dat Microsoft bewust kiest voor het kleiner maken van modellen. Niet als compromis, maar als strategie. Als je 50 keer minder rekenkracht nodig hebt, betekent dat concreet:

• Lagere cloudkosten per analyse
• Mogelijkheid om modellen te draaien op beschikbare hardware in een ziekenhuis
• Meer patiëntdata die geanalyseerd kan worden in dezelfde tijd

Voor een patholoog die nu dagelijks tientallen coupes beoordeelt, kan dat het verschil maken tussen "AI is een leuk experiment" en "AI is onderdeel van mijn workflow."

De Nederlandse context: digitale pathologie komt eraan

Wat mij extra triggerde, is dat digitale pathologie in Nederland volop in beweging is. Het Radboudumc werkte samen met het bedrijf Aiosyn aan het eerste klinisch ingezette AI-algoritme voor pathologie in Nederland. Het Spaarne Gasthuis kondigde aan met digitale pathologie te starten, met AI als volgende fase. En de Nederlandse Vereniging voor Pathologie (NVVP) heeft in haar strategisch beleidsplan 2025-2030 een nationale digitale infrastructuur als speerpunt opgenomen.

Tegelijkertijd is de adoptie nog beperkt. Uit een enquête van de NVVP bleek dat een meerderheid van de pathologen nog géén AI-algoritmen gebruikt in diagnostiek of onderzoek. De verwachting is dat dat binnen drie tot vijf jaar gemeengoed wordt.

Kun je je voorstellen wat het betekent als een model als GigaPath-Flash — open-source, onder een Apache 2.0-licentie, vrij beschikbaar — precies in die periode beschikbaar komt? De drempel om te experimenteren wordt aanzienlijk lager.

Wat betekent dit voor ondernemers?

Je denkt misschien: ik heb geen pathologielab. Klopt, en dat hoeft ook niet. Maar er zitten twee bredere patronen in dit verhaal die ik relevant vind.

Patroon 1: Efficiëntie als product

De trend van model distillation — grote AI-modellen indikken tot kleinere, snellere versies — is niet beperkt tot pathologie. Dit gebeurt overal in AI. Voor ondernemers die AI willen inzetten, is het goed om te weten dat je niet altijd het duurste, grootste model nodig hebt. Soms doet een compact model 97% van het werk voor een fractie van de kosten. Dat geldt voor beeldherkenning, maar net zo goed voor tekstanalyse, klantenservice of kwaliteitscontrole.

Patroon 2: Open modellen als kans

Microsoft publiceert deze modellen onder een open licentie. Dat is een bewuste keuze: het verlaagt de instapdrempel en creëert een ecosysteem. Als je als ondernemer levert aan de zorgsector — denk aan IT-dienstverlening, medische apparatuur, of softwareontwikkeling — dan worden open modellen als deze bouwstenen waar je iets mee kunt. Niet morgen, maar over twee tot drie jaar, als ziekenhuizen hun digitale pathologie-infrastructuur op orde hebben.

Ik denk dat de ondernemers die nú begrijpen hoe deze modellen werken en welke infrastructuur ze vereisen, straks in een betere positie zitten. Niet om zelf AI te bouwen, maar om de juiste vragen te stellen aan leveranciers en partners.

Kanttekeningen

Een paar dingen die ik in het eerlijke plaatje wil meenemen. De prestatiecijfers — 97% behoud, 50x minder compute — komen uit het eigen onderzoekspaper van de ontwikkelaars. Dat is niet ongebruikelijk in academisch onderzoek, maar het betekent wel dat onafhankelijke validatie nog moet volgen. In de klinische praktijk, waar het om diagnoses gaat, is dat een essentiële stap.

Ook is "open-source" niet hetzelfde als "klaar voor gebruik". Een ziekenhuis heeft naast het model ook infrastructuur, validatieprocessen, en CE-markering nodig voordat zoiets in de diagnostiek kan worden ingezet. De weg van publicatie naar patiëntenzorg is lang.

Tot slot

Voor mij is dit vooral een signaal dat AI in de zorg een nieuwe fase ingaat: van "wat is er mogelijk" naar "hoe maken we het haalbaar". De kracht zit niet in het grootste model, maar in het model dat goed genoeg is én betaalbaar draait. Dat is een verschuiving waar ik meer van verwacht — niet alleen in pathologie, maar in elke sector waar AI van experimenteel naar operationeel moet groeien.