临床图像质量对高效基础模型微调的影响

医学成像中的基础模型已展现出良好的标签效率，仅使用少量标注数据即可在下游任务上实现高性能。本研究聚焦于前列腺多参数MRI情境下评估这一潜力，针对ProFound——一种近期开发的领域特定视觉基础模型（预训练于大规模前列腺MRI数据集）。我们探讨了可变图像质量对标签高效微调的影响，通过量化微调后模型的泛化性来进行分析。我们进行了一系列系统性实验，通过人为控制微调集和评估集中高质量与低质量图像的比例进行全面测试。我们的发现表明，图像质量分布及其微调-测试不匹配对模型性能产生显著影响。具体而言：a) 微调集和测试集中高质量图像比例的差异会导致下游任务性能出现显著差异；b) 微调集中必须包含足够的高质量图像，才能维持良好的性能，而不同下游任务（如自动放射学报告和前列腺癌检测）对匹配微调与测试分布需求程度不同。重要的是，实验结果还表明，尽管在质量比例一致的情况下，微调所需的标注数据显著少于从头训练，但这种标签效率并非独立于图像质量分布。例如，我们展示了在微调集中不足以高质量图像时，微调后的模型可能无法超过未使用预训练的模型。