医学影像自监督学习评估：面向鲁棒性、可泛化性与多域影响的基准
计算机视觉与模式识别
2025-07-29 v2 人工智能
机器学习
摘要
自监督学习 (SSL) 在医学影像领域已成为一种引人注目的范式，旨在解决医疗环境中标签数据稀缺的持久挑战。尽管 SSL 在医学领域显示出令人瞩目的成果，但现有研究往往范围受限，仅关注特定数据集或模态，或仅评估模型性能的孤立方面。这种片面化的评估方法是一个重大挑战，因为在关键医疗环境中部署的模型必须不仅实现高准确率，还能在多样化的数据集和不同条件下表现出稳健性和可泛化性。为此，我们在医学领域提供了 SSL 方法的全面评估，特别关注鲁棒性和可泛化性。我们以 MedMNIST 数据集集合作为标准化基准，评估了 8 种主要 SSL 方法在 11 个不同医学数据集上的表现。我们的研究在 both in-domain 场景和对 out-of-distribution (OOD) 样本检测方面提供了深入分析，同时探讨了各种初始化策略、模型架构和多域预训练的影响。我们进一步通过跨数据集评估和在不同标签比例 (1%、10% 和 100%) 下的 in-domain 性能来评估 SSL 方法的可泛化性，以模拟实际条件下监督信息有限的情形。我们希望这个全面基准能帮助实践者和研究人员在医疗应用中更明智地选择和应用 SSL 方法。
引用
@article{arxiv.2412.19124,
title = {Evaluating Self-Supervised Learning in Medical Imaging: A Benchmark for Robustness, Generalizability, and Multi-Domain Impact},
author = {Valay Bundele and Karahan Sarıtaş and Bora Kargi and Oğuz Ata Çal and Kıvanç Tezören and Zohreh Ghaderi and Hendrik Lensch},
journal= {arXiv preprint arXiv:2412.19124},
year = {2025}
}