本周计算病理，在集体承认自己不可信

这周我读完 9 篇计算病理的新论文，有个很强烈的感觉：这一批作者突然开始集体拆自己的台。

PathJev 好不容易做出了更准的模型，却在正文里主动加了一段「换成另一种读出方式，我的校准优势就没了」；Slides Met Scans 在 TCGA 上刷到 C-index 0.760，转头把 CPTAC 外部验证的 0.629 一字不落地写进摘要；Model Merging 那篇的结论干脆是「没有哪个策略全面最优」。

放在两三年前，这些段落大概率会被审稿人逼着删掉，或者被作者藏进附录。现在它们出现在摘要里。

我猜是因为做病理的人越来越清楚一件事：一个在幻灯片上漂亮、但没有告诉医生"我有多确定"的模型，在临床里一文不值。 这周的三条主线，全都在处理"可信"这两个字。

一、PathJev：让模型直接用概率回答问题，而不是写一段话

PathJev: Decision-Native Vision–Language Modelling for Histopathology · 10.23
arxiv.org/abs/2610.32478

现在的病理 VLM 有个尴尬：你问它"这块组织是什么"，它给你一段流畅的文字。但临床要的不是文字，是在若干候选里，每个候选项各有多少概率。

PathJev 的做法是把决策直接写进输入——问题、候选集、"以上都不是"选项，全部在推理时拼进 prompt，模型一次前向就吐出一个归一化分布。底座是 MedGemma-1.5-4B + LoRA + 一个小决策头，训练数据是 3 个公开数据集里 4 万个 patch 状态，专家标签被确定性地翻译成带器官候选集的选择题。

结果（3 个种子，测试前锁定分析方案）：

在训练时完全没见过的两个器官上，0.390 对 0.277 —— 泛化优势来自这里。

但真正让我想推荐这篇的不是这些数字，是它后面的自我否定：

换成对生成模型做长度归一化的读法之后，两者的校准误差变得接近（0.201 对 0.204），并且在未见过的器官上生成模型反而更好（0.110 对 0.301），PathJev 依然过度自信。而且在所有设置下，一个跑在病理基础模型上的有监督线性探针校准得更好（域内 ECE 0.074）。

换句话说：作者花了大力气做出的决策原生模型，被一个线性探针在"你说的概率到底准不准"这件事上赢了，而且他们把这个结论写了出来。

我读的时候在想：如果你的组正在做 VLM 下结论，这篇的可靠性图（Figure 2）值得单独拎出来看一遍——它告诉你模型自信和实际正确率在哪些区间脱节。