Evidence Field：医学影像自适应覆盖程序

医学图像分类器通常只能返回预测结果，而不具备可独立重建其空间决策计算过程的原生契约。Evidence Field 是一种可训练的空间程序架构，能够联合生成类别分数、选定的覆盖程序和带符号证据。其编码器将绝对响应场和图像相对响应场，与关联空间矩及学习得到的特征和相结合。类型化分类器对单个区域以及由父级条件化的乘法群组进行评分；覆盖递归则选择尺度、划分和组合方式。我们证明了精确的一重覆盖、在已注册语法内的最优性、联系平滑训练与硬推理的界、带符号分数守恒，以及以类别为中心的偏移不变性。直接缩并及其伴随算子规定了二维和三维网格上的计算量与存储量缩放。原生输出记录将输入、参数、支撑集、类型和上下文依赖绑定到个体预测和集成预测。在一项另行报告的组织病理学应用中，跨留出中心开展的按患者分离训练与评估为该架构提供了实证证据。对训练机制和校正损失的比较，有助于区分预测效果与实现正确性；独立读者能够重建描述符、路径、分数和概率混合。本文的主要贡献是一种耦合的表征、决策与证据架构，其选定的计算过程可以被独立复现。