一句话看懂：Hugging Face Papers 收录的论文提出 BigCell，首次在原生千兆像素（gigapixel）分辨率下生成连贯的病理全切片图像（WSI），并用合成样本把切片级小样本分类性能最高提升 18%。
事件核心：发生了什么
根据论文摘要（2026 年 10 月 9 日发布，未经同行评审核验全文），现有病理图像生成模型基本停留在 patch 尺度，最大只能生成 1024×1024 像素的小图块，只能覆盖 WSI 的一小部分。BigCell 的做法不同：在超过 12 万张公开 WSI（覆盖多个器官类型）上，以 2048×2048 分辨率训练一个 flow-matching transformer，并以病理基础模型的 embedding 作为条件，推理时配合滑动窗口管线，可生成最高 32768×32768 像素的连贯图像。摘要称，其在 tile 级和切片级保真度指标上均优于此前的 tile 生成器。此外，论文还提出一种自适应调度策略，优先处理切片中重要区域，把生成速度提升 3 倍以上，同时质量下降很小；以及一个独立模型，从病理文本报告中直接生成稠密条件网格，实现 8k 分辨率的文本到图像合成。
为什么重要
病理诊断的监督信号天然是切片级的：临床文本报告和切片级诊断标签都是如此，而生成模型此前只能做 patch 级，两者尺度不匹配。BigCell 把生成尺度拉到与监督信号同一层级，这为“用合成数据补充真实标注”提供了更直接的技术路径。摘要中报告的一个关键数字是：用合成样本增强后，切片级小样本分类性能比仅用真实数据训练的基线最高提升 18%。对病理 AI 来说，标注稀缺、隐私限制强、罕见病例难获取，是长期瓶颈；如果生成质量可以被独立复现，合成数据可能成为数据增强和隐私合规之间的一个折中方案。目前公开信息显示，这仍是论文层面的结果，不是已上线的产品或 API。
对用户/开发者/创作者的影响
对病理 AI 开发者，值得关注的不是“换一个更大的生成模型”，而是生成目标从 1024 像素级 tile 转向 32768 像素级 WSI 后，显存、推理时间和存储的形态都会变化：滑动窗口推理和自适应调度会直接影响部署成本。若后续有开源权重或可调用 API，做数字病理工具链、切片级分类、数据增强管线的团队可以把它当作候选的数据补充组件，但需要先在自己的切片和任务上验证合成样本是否引入偏差。对医疗 AI 采购方，现在更适合把它看作技术路线参考，而非可直接采购的产品，因为摘要没有说明模型是否开源、权重是否可下载、以及推理所需算力门槛。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，BigCell 是否公开代码和权重，以及 32768×32768 生成所需的实际显存和推理时间。第二，合成数据带来的 18% 提升是否有独立复现，是否只在特定器官、特定小样本设定下成立。第三，文本到图像的 8k 条件生成若与临床报告结合，是否可能进入病理数据合成、教学或隐私脱敏场景，同时相关监管和医院合规是否允许使用合成病理图像。
