基于自监督学习的溃疡性结肠炎诊断与严重程度评估

溃疡性结肠炎（Ulcerative Colitis, UC）是一种无法根治的炎症性肠病，导致大肠和直肠出现溃疡。UC 的发病率上升 coupled with gastrointestinal physician shortages（消化科医生短缺）加剧了医疗系统负担，限制了 UC 患者所能获得的护理。结肠镜是诊断 UC 并根据 Mayo 结肠镜评分（MES）评估其严重程度的常用方法。MES 范围为 0-3，其中 0 表示无炎症，3 表示炎症显著严重。人工智能（AI）基于的神经网络模型，如卷积神经网络（CNNs），能够通过将结肠镜分析建模为多类分类问题来诊断和确定 UC 的严重程度。先前的基于 AI 的 UC 诊断研究依赖于监督学习方法，需要大量标注数据集来训练 CNNs。然而，创建此类数据集需要专家投入大量时间，使过程昂贵且具有挑战性。为此，本研究采用自监督学习（SSL）框架高效地在未标注的数据集上训练，以分析结肠镜图像并辅助诊断 UC 及其严重程度。与监督学习模型的比较分析表明，SSL 框架，如 SwAV 和 SparK 在 LIMUC 数据集上（该数据集是最大的公开可获取的结肠镜图像标注数据集，用于 UC）表现优于监督学习模型。