研究人员提出用于癌症病理诊断的可扩展贝叶斯GPC框架
Start here
2026年11月6日，研究人员在 arXiv 发布论文，提出了一种面向癌症组织病理学诊断的可扩展贝叶斯高斯过程分类（GPC）框架。该方法基于 Phikon 基础模型嵌入，结合 RPCholesky 分解与 HMC 采样技术，实现了对约 300,000 规模训练样本的支持。实验结果显示，在 PCam 和 CAMELYON17-WILDS 基准测试中，该框架相比神经网络等现有基线，将预期校准误差最多降低了 88%，假阴性率最多降低了 90%，有效提升了面对跨医院数据分布偏移时的不确定性校准能力。
AI-generated from reports · Updated 5 hours ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 机器学习可扩展贝叶斯高斯过程分类用于癌症组织病理学：分布偏移下的不确定性校准
研究人员提出面向癌症组织病理学的可扩展贝叶斯高斯过程分类（GPC）框架，基于 Phikon 基础模型嵌入结合 RPCholesky 分解与 HMC 采样，支持约 300,000 规模的训练样本。在 PCam 与 CAMELYON17-WILDS 基准上，该方法相比神经网络等基线将预期校准误差最多降低 88%、假阴性率最多降低 90%，有效改善了跨医院分布偏移下的不确定性校准。
Story heat trend
Current heat 9·Comparable peak 10（Nov 6 14:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.