肿瘤分型不再只分大类:HHRM沿八级层级逐层判型,泛癌测试准确率0.7924
肿瘤亚型本身有层级结构,从原发癌种一路细分到分子亚型,但多数分类模型把标签摊平处理,忽略了层级之间的生物学约束。HHRM把癌症标志基因网络与递归模块结合,在26种原发癌、405个亚型、最多八级的11,476例泛癌样本上逐层预测,局部输出模式下准确率为0.7924,高于所比较的层级分类模型。在1,608例乳腺癌独立数据上重新训练后,测试与验证准确率均超过0.86。
肿瘤亚型本身有层级结构,从原发癌种一路细分到分子亚型,但多数分类模型把标签摊平处理,忽略了层级之间的生物学约束。HHRM把癌症标志基因网络与递归模块结合,在26种原发癌、405个亚型、最多八级的11,476例泛癌样本上逐层预测,局部输出模式下准确率为0.7924,高于所比较的层级分类模型。在1,608例乳腺癌独立数据上重新训练后,测试与验证准确率均超过0.86。
小细胞肺癌的病理切片分类需要同时看清细胞核的高频纹理和组织的远距离空间关系,卷积网络受固定感受野限制,纯Transformer又难以刻画细粒度核纹理。SCLC-SBT把频域通道重标定放进浅层、把卷积与二维选择性状态空间的双分支放进最深层,在1974张切片的二分类基准上取得0.9697准确率、0.9728 F1和0.9971 AUC,在七项指标中的五项上点估计最优。相对六个最强基线,297例测试集上的差异未达统计显著,因此其明确优势在于以约17M参数和7.0G FLOPs维持有竞争力的精度。
FlowCred把文生视频联合后训练里的同一份终端奖励拆成提示级信用与生成器残差,并在LTX-2.5上把严格匹配的联合训练对照从61.47提升到64.46(T2V-CompBench),且不增加解码视频或奖励模型调用预算。
该工作构建了面向科学图像生成可解释验证的基准 SciGen-Verify(1,350 个样本,覆盖指令遵循 406、多学科推理 287、世界知识 657,采用二元判断、解释、编辑指令三层级联协议),并提出基于 Qwen3-VL-8B-Instruct 的 SciGen-Verifier,经冷启动监督微调(48,311 条实例)与课程式两阶段强化学习(先 rubric 引导的过程奖励、后结果奖励)训练,在基准上取得 86.28% 总体判断准确率、81.79% 解释准确率与 57.42% 编辑指令准确率,并可作为在线批评者用于迭代图像修正。
该研究利用太阳诱导荧光的卫星观测,结合地下水位深度与干旱度的模型估计,并采用因果引导的可解释机器学习,量化地下水与气候干旱度对美国本土光合作用空间格局的相对作用,发现地下水对森林光合作用的相对重要性相当于干旱度效应的48%至101%,在稀树草原与灌丛为30%至58%、草地为22%至42%、农田为15%至32%。
已读完全部报道