大學迎新營及宿生集體遊戲再引發討論，不過，今次不是玩出火，而是有玩意被禁玩。多年來在大學流行的迎新營玩意「Happy Corner」，科技大學一個宿舍發通告禁玩，科大學生會評議會認為舍監指控合理，但不同意全面禁止遊戲。有網友大歎「Hall（宿舍）文化」被打壓，亦有網友指玩意幼稚，應即停止。
資料圖片
「Happy Corner」是指一名「被Con」男生被幾名同學抬起，將他雙腿分開，再用他的下體撞向燈柱或牆角，過往曾惹起令學生下體受傷的爭議。
資料圖片
有科大生在社交網站上載UG Hall V舍監向宿生發出的電郵通告，指學生在午夜玩「Happy Corner」遊戲會發出嘈音，影響宿生及滋擾對面高級職員宿舍住客，加上燈柱被撞擊有倒塌風險，禁止學生玩「Happy Corner」，違者將受罰。
網上圖片
有網民認為校方不合理，但亦有人認為遊戲早應停玩。科大學生會評議會指「Happy Corner」遊戲的確會製造聲浪，認為舍監的指控合理，但不應全面禁止。科大發言人就指，對於學生在宿舍內進行的活動有明確指引，如注意安全、避免造成滋擾和破壞等。如學生違反守則，社監可以按情況處理。
民議論紛紛，有網民認為校方不合理，網友Chris Tse指「主要係擔心碌柱跌落來整親同嘈到人，竟然唔係擔心被con者（被抬起撞向燈柱的男宿友）受傷」，網民Wing Tang則指，「Hall文化呢幾年俾校方打壓」。但有網民認為遊戲早應停玩，網民Ben Ng指「咩年代呀，仲玩happy corner呢啲中學生嘅嘢？」
科技大學（資料圖片)
前科大學生會外務副會長葉煒楊指，新學年剛開始校內有不少聚餐活動，餐後常有大班學生玩不同玩意，而玩「Happy Corner」多數是大班學生一齊，圍觀者會興奮起哄，發出聲浪，認為舍監的指控合理，但不應「一刀切」全面禁止該遊戲。
科大發言人指，科大鼓勵學生在宿舍內舉辦各類型活動，對學生在宿舍內活動設有明確指引，包括應遵守事項，如注意安全、避免造成滋擾和破壞、尊重他人等。如有學生違反守則，社監可以按情況處理。
其他院校未表示禁玩「Happy Corner」，但呼籲學生遵守宿舍守則。中大指，學生宿舍均有制訂宿舍規章，列明嚴禁在言語或行為上對其他宿生作出滋擾。理大指，宿舍守則提醒所有宿生自律及尊重他人，並必須保持舍堂環境清潔、寧靜等。
香港科技大學領導的研究團隊最近成功研發出一套創新的人工智能（AI）病理分析系統，僅需要極少量樣本，且毋須額外訓練，即可準確識別多種癌症；顯著提升AI輔助醫療的靈活性與效率，為智能病理診斷的普及化帶來重要突破。
研究團隊最近成功研發出一套創新的人工智能（AI）病理分析系統。科大圖片
全球每年新增近2,000萬宗癌症病例，病理檢查在臨牀診斷和治療決策中扮演關鍵角色。然而，面對病理學醫生嚴重短缺的挑戰，醫療界渴求創新方案以提高分析效率。儘管AI在自動化病理診斷方面潛力巨大，但現有技術的應用仍面臨瓶頸。傳統AI模型須針對每一種癌症或診斷任務，收集數以萬計的病理圖像進行訓練，過程耗時且涉及高昂的運算與人力成本。
此外，現有病理基礎模型往往缺乏通用性，在不同腫瘤類型的臨牀分析中需要大量微調，限制了其在資源匱乏地區及多元臨牀場景中的應用。
「即插即用」的PRET系統
為應對上述挑戰，科大電子及計算機工程學系助理教授兼醫學成像與影像分析研究中心副主任李小萌教授領導的研究團隊，聯同廣東省人民醫院及哈佛醫學院，成功開發出一套名為PRET（Pan‑cancer Recognition without Example Training）的全新病理分析系統。
該系統首次將自然語言處理中的「上下文學習」（In-context Learning）概念引入病理影像分析，讓模型在推理階段僅需參考一至八張已標註的腫瘤切片，便可即時適配全新的癌症類型並執行多項診斷任務，包括癌症篩檢、腫瘤分型、腫瘤分割等，猶如一套「即插即用」的智能診斷工具，徹底打破傳統AI模型須針對每項任務進行大規模微調的限制。
有關研發乃科大聯同廣東省人民醫院及哈佛醫學院一同參與。資料圖片
驗證表現卓越 超越病理醫生平均水平
研究團隊採用來自中國內地、美國、荷蘭等多個國家及地區的多所醫療機構，共23個國際基準數據集，涵蓋18種癌症類型及不同診斷任務，對PRET系統進行全面驗證。結果顯示，PRET在20項測試任務中表現均優於現有同類方法，其中15項任務的準確性指標（AUC）高達97%。在大腸癌篩查任務中，系統的AUC值更達100%；而於食道鱗狀細胞癌腫瘤分割任務中，AUC值亦高達99.54%。
此外，在臨牀上具高度挑戰性的淋巴結轉移檢測任務中，PRET僅憑八張切片樣本，便取得約98.71%的AUC值，其整體表現更顯著超越11位病理學醫生的平均水平（平均AUC值約為81%）。研究亦顯示，PRET在不同人羣及醫療資源水平各異的地區，均展現出穩定而卓越的通用化能力。
推動全球醫療公平
李小萌教授表示：「PRET系統的核心價值，在於突破『大量數據與反覆訓練』的傳統門檻，讓AI病理分析系統能夠在更低成本及更靈活性的條件下，應用於實際臨牀場景。這不僅有助紓緩病理醫生的工作壓力，亦有望提升在資源匱乏地區癌症診斷的可及性。研究團隊期望透過這套『即插即用』的創新系統，令更先進、更精準的AI醫療診斷服務能跨越地域與資源限制，推動全球醫療公平。」
展望未來，研究團隊將進一步提升系統的診斷效能，並進一步拓展應用至基因突變預測及病人預後評估等臨牀任務，為AI病理診斷開闢更多發展新方向。相關研究成果已於國際權威期刊《Nature Cancer》發表。
- 系統名稱：PRET (Pan‑cancer Recognition without Example Training)
- 核心技術：引入「上下文學習」概念，僅需參考1至8張已標註切片即可適配新癌症類型。
- 驗證表現：在20項測試任務中均優於同類方法，其中15項AUC高達97%；在大腸癌篩查任務中AUC達100%。
- 臨牀比較：在淋巴結轉移檢測任務中表現（AUC約98.71%）顯著超越11位病理醫生的平均水平（AUC約81%）。
- 未來方向：拓展至基因突變預測及病人預後評估等任務。
