Foundation X：基于锁-释放预训练策略集成分类、定位与分割的胸部X光分析框架

开发稳健且多功能的深度学习模型对于提高诊断准确性和指导临床干预至关重要，但需要大量标注数据。深度学习的发展促进了众多具有不同专家水平标注的医学数据集的创建。聚合这些数据集可最大化数据利用率并解决标注数据不足的问题。然而，跨分类、定位和分割等任务中专家水平标注的异构性为从这些数据集中学习带来了重大挑战。为此，我们引入nFoundation X，这是一个端到端框架，利用来自众多公开数据集中多样的专家水平标注来训练一个能够完成分类、定位和分割等多项任务的基础模型。为解决标注和任务异构性挑战，我们提出了锁-释放预训练策略以增强来自多个数据集的循环学习，结合学生-教师学习范例，确保模型在所有任务上都保留通用知识，同时防止对单个任务的过拟合。为展示Foundation X的有效性，我们使用11个胸部X光数据集进行训练，覆盖分类、定位和分割任务的标注。我们的实验结果表明，Foundation X通过大规模标注利用实现了显著的性能提升，在跨数据集和跨任务学习方面表现出色，进一步提升了器官定位和分割任务的性能。所有代码和预训练模型均 publicly accessible at https://github.com/jlianglab/Foundation_X。