TUM 研究:19 个病理基础模型能查癌,却认不出异型增生
maier_ak · x · 2026-10-27
慕尼黑工业大学发表在 npj Digital Medicine 的研究,用 19 个病理学基础模型在 790 名患者的 3,528 张活检切片上测试 Barrett 食管全谱系(从正常组织到癌症),并模拟真实世界的类别不均衡。
关键发现
- 基础模型明显优于 ResNet50 基线:AUROC 约 0.90 vs 0.81。
- 但只有 52% 的异型增生(dysplasia)切片被正确识别——而这正是病理医生之间分歧最大的阶段。
- 将最佳五个模型取平均提升甚微:分型 AUROC 仅从 0.901 提到 0.907,且是在用于评估的同一交叉验证上选出的,有过拟合之嫌。
- 局限:使用 PAXgene 组织处理、单一队列、无外部验证。
结论:基础模型擅长找癌,但在癌前异型增生这一临床最难的判断上仍不可靠。
所属事件:TUM 实测 19 个病理基础模型：能查癌，难辨异型增生(5 条相关)→
「研究」频道最新
- MatAnyone-E：4K 视频抠像提速 7.4 倍，显存只需 7.6% — ccloy · 2026-10-27
- 研究者用 neuron-explorer 定向激活"病娇神经元"，模型秒变醋精附体 — tszzl · 2026-10-27
- 新论文用 RL 后训练对齐 LLM，提升跨群体公平性 — nagpalchirag · 2026-10-27
- OpenAI 的 ETH 反驳证明被实时压缩:60 多页缩至 22 页 — Singularitarian · 2026-10-27
- 传 OpenAI 25页证明 Sogge 局部光滑猜想，绕开二十年调和分析积累 — teortaxesTex · 2026-10-27
- 开源 AV3D-Harness：首个 3D 场景视听 real2sim 智能体框架 — Scobleizer · 2026-10-27