ModAn-MulSupCon：基于模态与解剖信息的医学影像多标签监督对比预训练方法

背景与目标：专家标注限制了医学影像中大规模监督预训练，而普遍可用的元数据（模态、解剖区域）仍被低利用。我们提出 ModAn-MulSupCon，一种模态与解剖感知的多标签监督对比预训练方法，通过利用这些元数据学习可迁移的表征。方法：将每幅图像的模态和解剖区域编码为多热向量。使用基于 Jaccard 加权的多标签监督对比损失，在 Resnet-18 编码器上对 RadImageNet 的小子集（miniRIN，16,222 图像）进行预训练，然后通过微调和线性探针在三个二分类任务上进行评估——ACL损伤（膝部 MRI）、肿瘤恶性病变（乳腺超声）和结节恶性病变（甲状腺超声）。结果：在微调后，ModAn-MulSupCon 在 MRNet-ACL（0.964）和甲状腺（0.763）上取得最佳 AUC，超过所有基线（$p<0.05$），在乳腺（0.926）上排名第二，仅次于 SimCLR（0.940；无显著差异）。在编码器冻结时，SimCLR/ImageNet 更优，表明 ModAn-MulSupCon 的表征在任务适应而非线性可分性方面更有优势。结论：将可获得的模态/解剖元数据编码为多标签目标，提供一种实用且可扩展的预训练信号，当进行任务适应时可提高下游准确性。ModAn-MulSupCon 是标签稀缺临床环境中强大的初始化，而 SimCLR/ImageNet 适用于冻结编码器部署。