파운데이션 모델 (Foundation models)은 대규모 조직병리 데이터로부터 전이 가능한 표현 (transferable representations)을 학습함으로써 암 진단, 예후 및 치료 선택을 변화시킬 잠재력을 지닌 계산 병리학 (computational pathology)의 원동력으로 부상했습니다. 병리 파운데이션 모델의 생태계는 이제 다양한 데이터 소스, 아키텍처 및 다운스트림 애플리케이션으로 확장되고 있습니다. 그러나 대부분의 사전 학습된 모델은 이미지 타일 (image-tile) 수준에서만 작동하고, 제한적인 라이선스를 사용하며, 계산 비용이 많이 들어 대규모 슬라이드 수준의 임상 및 연구 활용을 제한하고 있습니다. 본 연구에서는 전체 슬라이드 병리 AI 및 공간 단백질체 (spatial proteomics) 예측을 위한 효율적인 모델인 GigaPath-Flash와 GigaTIME-Flash를 소개합니다. GigaPath-Flash는 2,200만 개의 파라미터를 가진 ViT-S 타일 인코더와 2,100만 개의 파라미터를 가진 LongNet 슬라이드 인코더를 결합하며, 두 인코더 모두 대규모 실제 조직병리 데이터로 사전 학습되었습니다. 이 컴팩트한 타일 인코더는 수십억 개의 파라미터를 가진 GigaPath (ViT-g) 교사 모델 (teacher model)로부터 지식 증류 (distilled)되었으며 두 모델이 공유합니다. GigaPath-Flash는 계산량을 50배 줄이면서도 GigaPath의 평균 슬라이드 수준 성능의 97%를 유지합니다. GigaTIME-Flash는 이 백본 (backbone)을 확장하여 일반적인 H&E 이미지로부터 종양 면역 미세환경 (tumor immune microenvironment)을 직접 예측합니다. 이는 기존의 CNN 기반 GigaTIME보다 예측 품질이 뛰어나면서도 6배 더 빠르게 실행되며 GPU 메모리를 8배 적게 사용합니다. GigaPath 및 GigaTIME과 함께, 이 모델들은 대규모 실제 임상 데이터로 사전 학습된 오픈 웨이트 (open-weight), Apache-2.0 라이선스 제품군을 형성합니다. 모든 모델과 가중치를 공개함으로써, 우리는 계산 병리학, 면역 종양학 (immuno-oncology) 및 정밀 의료 (precision health)를 위한 접근 가능한 빌딩 블록을 제공합니다.