用于组织病理学应用的对比自监督学习表征学习

近年来，无监督学习取得了实质性进展，尤其是通过对比自监督学习。用于基准测试自监督学习的主流数据集是ImageNet，近期的方法在该数据集上正接近全监督训练所达到的性能。然而，ImageNet数据集主要以物体为中心，目前尚不清楚这些方法在如数字病理学中那些非以物体为中心、与ImageNet截然不同的数据集和任务上具有何种潜力。尽管自监督学习已在该领域开始被探索并取得了令人鼓舞的结果，仍有必要更仔细地审视该设定与自然图像及ImageNet的区别。本文对组织病理学的对比学习进行了深入分析，指出由于组织病理学数据的特性，对比目标将如何表现不同。我们提出了若干考量，例如对比目标的视图生成与超参数调优。在大量实验中，我们分析了这些考量将如何影响组织分类中的下游性能。结果表明，对比学习可减少数字病理学中的标注工作量，但需考虑特定数据集特征。为充分利用对比学习目标，需要对视图生成和超参数进行不同的校准。我们的结果为实现自监督学习在组织病理学应用中的全部潜力铺平了道路。