一种面向放射组学数据的新型协同自监督学习方法

基于放射组学数据的计算机辅助疾病诊断在许多医学应用中十分重要。然而，开发此类技术依赖于放射图像的标注，这是一个耗时、费力且昂贵的过程。本工作中，我们提出首个新型协同自监督学习方法，以解决标注不足的放射组学数据（其特性不同于文本与图像数据）所带来的挑战。为此，我们设计了两个协同预文本任务，以探索感兴趣区域之间潜在的病理或生物学关系，以及受试者之间的相似与不相似信息。我们的方法以自监督方式从放射组学数据中协同学习鲁棒潜在特征表示，从而减少人工标注负担，有益于疾病诊断。我们在一项仿真研究及两个独立数据集上将所提方法与其他最先进的自监督学习方法进行比较。大量实验结果表明，我们的方法在分类与回归任务上均优于其他自监督学习方法。经进一步改进，我们的方法在可利用大规模未标注数据自动疾病诊断方面展现出潜在优势。