Skip to content
Other

*⃣ artifact-aware-mil-prostate

MIL-модели для градации биопсии простаты

2 min readupdated

Набор из 30 обученных голов множественного обучения с примерами (MIL — подход для анализа гигантских медицинских снимков по набору мелких фрагментов), которые определяют группу градации по шкале ISUP (от 0 до 5) по гистологическим слайдам биопсии простаты. Модели от команды PathOS-Code не обрабатывают изображения напрямую, а принимают заранее извлечённые эмбеддинги фрагментов из базового энкодера Virchow2 и показатель пространственной дисперсии для фильтрации артефактов. В релиз вошли все участники ансамблей из профильной научной статьи с разными архитектурами агрегации (двухслойная TransMIL-style и ABMIL) и функциями потерь (focal и порядковая CORAL). Разработка пригодится исследователям в области цифровой патологии и машинного обучения в медицине для воспроизведения экспериментов и оценки слайдов.

Ключевые особенности

  • 30 готовых чекпоинтов: по 5 сидов или фолдов для 6 конфигураций ансамблей, включая варианты с гейтированием артефактов и без него.
  • Две архитектуры агрегации: компактные модели ABMIL (по 6 МБ) и двухслойные TransMIL-style (по 163 МБ), общий вес архива около 4,1 ГБ.
  • Порядковая классификация: помимо стандартного подхода с focal loss (6 логитов), доступны модели с CORAL (5 пороговых логитов) для учёта порядка классов ISUP.
  • Опора на Virchow2: работают строго с CLS-токенами размерности 1280, полученными из патчей 256×256 пикселей после нормализации окрашивания по Маченко.

Что можно сделать

  • Провести ансамблевую оценку гистологических слайдов биопсии простаты на датасете PANDA или собственных когортах с помощью скриптов из репозитория PathOS-Code.
  • Построить тепловые карты внимания (attention heatmaps) по координатам патчей, чтобы увидеть, какие участки ткани сильнее всего повлияли на итоговую оценку ISUP.
  • Сравнить качество классификации и перенос между доменами для архитектур TransMIL и ABMIL, а также функций потерь focal и CORAL.

Пример

hf download PathOS-Code/artifact-aware-mil-prostate --local-dir weights
uv run python scripts/evaluation/ensemble_eval.py \
  --exp-dirs weights/virchow2_transmil_focal_fullgate_5seed/seed{0,1,2,3,4} \
  --embeddings-dir outputs/embeddings_virchow2 \
  --labels-csv data/panda_labels.csv \
  --out outputs/ensembles/panda_focal_fullgate_5seed.json
Подробнее Метрики (QWK): на тесте PANDA (1061 слайд) лучший ансамбль TransMIL-style (focal, full gate) показал 0.9134; при прямом переносе на внешние когорты CORAL-ансамбли достигли 0.8772 на SICAPv2 и 0.8109 на CrowdGleason.
Ограничения: веса самого энкодера paige-ai/Virchow2 в комплект не входят (нужен отдельный доступ); модели предсказывают только общую оценку слайда, без сегментации паттернов Глисона.
Примечание авторов: статистически значимого эффекта от самого механизма гейтирования артефактов на парных интервалах не выявлено.
Лицензия: CC BY-NC-SA 4.0 (только для некоммерческого использования).
Discuss Telegram 0

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 0.2 GB · ready files0.7 GB
  • FP8 / INT8recommendedweights 0.1 GB0.6 GB
  • 4-bitweights 0.0 GB0.5 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · BF16 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # PathOS-Code/artifact-aware-mil-prostate
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download PathOS-Code/artifact-aware-mil-prostate --local-dir ~/models/artifact-aware-mil-prostate
    # The model is in ~/models. How to run it is in the model card (link above).
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of artifact-aware-mil-prostate (quants, finetunes, LoRAs) will show up under the bell.

No known relatives of this model yet. All derivatives on Hugging Face

About the model

PathOS-Code/artifact-aware-mil-prostate
Author
PathOS-Code
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

00

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments