超声心动图视频的自监督对比学习实现标签高效的心脏病诊断
计算机视觉与模式识别
2024-07-31 v2
摘要
自监督学习(SSL)的进展表明，对医学影像数据进行自监督预训练可为下游监督分类与分割提供强有力的初始化。鉴于获取医学图像识别任务的专家标签十分困难，这种“域内”SSL初始化因其相较标准迁移学习具有更高的标签效率而往往是可取的。然而，面向医学影像数据的大多数SSL工作并未适配基于视频的医学影像模态。鉴于此进展，我们开发了针对超声心动图视频的自监督对比学习方法 EchoCLR，旨在学习强表征以用于下游心脏病诊断的高效微调。EchoCLR 利用(i)同一患者的不同视频作为对比学习的阳性对，以及(ii)帧重排序 pretext 任务以强制时间一致性。当在少量标注数据(少至 51 例检查)上微调时，EchoCLR 预训练在内部与外部测试集上针对左心室肥厚(LVH)和主动脉瓣狭窄(AS)的分类性能显著优于其他迁移学习与 SSL 方法。例如，当在 10% 可用训练数据(519 项研究)上微调时，EchoCLR 预训练模型在 LVH 分类上达到 0.72 AUROC (95% CI: [0.69, 0.75])，而标准迁移学习方法为 0.61 AUROC (95% CI: [0.57, 0.64])。类似地，使用 1% 可用训练数据(53 项研究)时，EchoCLR 预训练在重度 AS 分类上达到 0.82 AUROC (95% CI: [0.79, 0.84])，而迁移学习为 0.61 AUROC (95% CI: [0.58, 0.65])。EchoCLR 因其学习医学视频表征的能力而独具特色，并表明 SSL 能够从小规模标注数据集实现标签高效的疾病分类。
引用
@article{arxiv.2207.11581,
title = {Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis},
author = {Gregory Holste and Evangelos K. Oikonomou and Bobak J. Mortazavi and Zhangyang Wang and Rohan Khera},
journal= {arXiv preprint arXiv:2207.11581},
year = {2024}
}