攀登标签树：面向医学影像的层次结构保持对比学习
定量方法
2025-11-07 v1 人工智能
机器学习
摘要
医学影像标签常以分类学结构组织（例如，器官-组织-亚型），但标准自监督学习（SSL）忽略了这一结构。我们提出一种层次结构保持对比框架，将标签树作为一级训练信号和评估目标。该方法引入两种可插拂目标：层次加权对比（Hierarchy-Weighted Contrastive, HWC），通过共享祖先节点对正负配对强度进行加权，以促进同父子节点的一致性；以及层次感知间隙（Level-Aware Margin, LAM），一种跨层次分离祖先组的原型间隙。该表述是几何无关的，可用于欧几里得嵌入和双曲嵌入，且无需 architectural modifications。在包括乳腺组织病理切片在内的多个基准测试上，所提方法始终优于强大的SSL基线，同时更好地尊重分类学结构。我们针对层次结构忠诚度评估，采用分层F1分数（HF1）、树形距离加权准确率（H-Acc）和父级距离违规率等指标。我们也报告了Top-1准确率以确保完整性。消融实验表明，HWC和LAM即使没有曲率也有效，且二者组合可获得最符合分类学结构的表示。综上，这些结果为学习尊重标签树的医学影像表示提供了简单、通用的方案，推动了层次结构丰富领域中的性能与可解释性双重提升。
引用
@article{arxiv.2511.03771,
title = {Climbing the label tree: Hierarchy-preserving contrastive learning for medical imaging},
author = {Alif Elham Khan},
journal= {arXiv preprint arXiv:2511.03771},
year = {2025}
}