Cancer3.AI › AI w onkologii › Modele AI › H-optimus-0
Model fundamentowy Wagi po akceptacji licencji Tylko do badań pathology

H-optimus-0

Enkoder patomorfologiczny ViT-g/14 o 1,1 mld parametrów, trenowany na ponad 500 000 preparatów H&E (setki milionów kafelków), wydany na Apache-2.0 — jeden z nielicznych dużych modeli fundamentowych w patomorfologii z liberalną licencją.

🤗 bioptimus/H-optimus-0 { } JSON
80 579 pobrań / mies. ♥ 92 aktualizacja 2025-12-12 po akceptacji licencji

W skrócie

TwórcaBioptimus
Wydanie2024-07-10
Licencjaapache-2.0
DostępnośćWagi po akceptacji licencji
RodzajModel fundamentowy
Status regulacyjnyTylko do badań
Parametry1.1B

Co robi

Wektory cech kafelków do klasyfikacji, przewidywania mutacji i biomarkerów; licencja Apache pozwala używać go w potokach komercyjnych.

Zadania, typy danych i nowotwory

ZadanieEkstrakcja cech (embeddingi)KlasyfikacjaRokowanie
Typ danychHistopatologia (WSI)
Zastosowanie kliniczneBadania podstawoweDiagnostykaRokowanie
NowotwórWiele nowotworów
Wejście224×224 tile at 20×
Wyjście1,536-dim embedding

Architektura

RodzinaVision Transformer
SzkieletViT-g/14
Parametry1.1B
Pretreningself-supervised (DINOv2 family)

Dane treningowe

Ponad 500 000 preparatów H&E z wieloośrodkowej, wielokrajowej kolekcji Bioptimus; setki milionów kafelków.

Rozmiar zbioru treningowego>500,000 WSIs
InstytucjeBioptimus partner sites (undisclosed list)

Powiązane zbiory danych

Ewaluacja

Benchmark / zbiórMiaraWartośćWalidacja zewnętrznaŹródło
Camelyon16 — breast cancer detection (slide level, ABMIL) AUC-ROC 0.989 (SD 0.003); developer-run benchmark, average over 50 trainings nie Źródło
PAIP 2020 — MSI prediction in colorectal cancer (slide level, ABMIL) AUC-ROC 0.967 (SD 0.007); developer-run benchmark, average over 50 trainings nie Źródło
SLN-Breast — breast cancer detection (slide level, ABMIL) AUC-ROC 0.934 (SD 0.006); developer-run benchmark, average over 50 trainings nie Źródło
TCGA-STAD-Kather — MSI prediction in gastric cancer (slide level, ABMIL) AUC-ROC 0.846 (SD 0.004); developer-run benchmark, average over 50 trainings nie Źródło
Yale HER2 — HER2 status prediction in breast cancer (slide level, ABMIL) AUC-ROC 0.828 (SD 0.009); developer-run benchmark, average over 50 trainings nie Źródło
CAMELYON17-WILDS, CRC-100K (normalised / not normalised), MHIST, TCGA-UNIFORM — tile classification (linear probing) accuracy 0.982 / 0.962 / 0.956 / 0.828 / 0.843 (SD 0.001-0.006); developer-run benchmark, linear classifier on frozen features, mean of three trainings nie Źródło

Jak uruchomić

# generic timm loader — check the model card for the exact init args and image normalisation
import timm, torch
from huggingface_hub import login
login()  # gated repos: accept the licence on huggingface.co first
model = timm.create_model('hf-hub:bioptimus/H-optimus-0', pretrained=True)
model.eval()
cfg = timm.data.resolve_data_config({}, model=model)
transform = timm.data.create_transform(**cfg)
# emb = model(transform(tile).unsqueeze(0))  # 1 x D tile embedding
Bibliotekatimm

Gated download (accept terms); the model card specifies the exact normalisation constants — use them, not ImageNet defaults.

Status regulacyjny i przeznaczenie

Status regulacyjnyTylko do badań
PrzeznaczenieBadania; nie jest wyrobem medycznym.

Źródło →

Status regulacyjny cytujemy ze wskazanego źródła i może się zmienić. Modele „tylko do badań” nie służą do decyzji klinicznych.

Ograniczenia i błędy systematyczne

  • Brak recenzowanej publikacji w chwili wydania; szczegóły kohorty pretreningowej ujawnione tylko częściowo.
  • Duży model: wolniejsze przetwarzanie kafelków niż enkodery ViT-L.

Źródła

  1. Hugging Face model card — bioptimus/H-optimus-0
  2. Bioptimus releases (GitHub) — H-optimus-0 evaluation protocol and results tables

Ta strona ma charakter edukacyjny — nie stanowi porady medycznej i nie zastępuje konsultacji z onkologiem. Decyzje diagnostyczne i terapeutyczne podejmuje wyłącznie lekarz specjalista.