SSL-AD：面向阿尔茨海默病预测任务与数据集的时空自监督学习方法
计算机视觉与模式识别
2025-09-15 v1 机器学习
摘要
阿尔茨海默病是一种渐进性、神经退行性疾病，导致记忆力丧失和认知功能下降。尽管已有大量研究致力于应用于阿尔茨海默病预测任务的深度学习模型，但这些模型仍受限于标注数据稀缺、跨数据集的泛化性差以及对输入扫描数量和扫描之间时间间隔变化的不灵活等问题。本研究改进了三种针对3D脑MRI分析的领先时序自监督学习（SSL）方法，并添加了 novel 扩展，以处理可变长度输入并学习鲁棒的空间特征。我们聚合了四个公开数据集，包含3161名患者，用于预训练，并展示了该模型在多种阿尔茨海默病预测任务（包括诊断分类、转化检测和未来转化预测）中的性能。重要的是，我们的SSL模型在六个七个下游任务中超越监督学习。它在任务和输入图像数量方面展现出适应性和可移植性，时间间隔各不相同，凸显了其在临床应用中稳健性能的潜力。我们将代码和模型公开发布于 https://github.com/emilykaczmarek/SSL-AD。
引用
@article{arxiv.2509.10453,
title = {SSL-AD: Spatiotemporal Self-Supervised Learning for Generalizability and Adaptability Across Alzheimer's Prediction Tasks and Datasets},
author = {Emily Kaczmarek and Justin Szeto and Brennan Nichyporuk and Tal Arbel},
journal= {arXiv preprint arXiv:2509.10453},
year = {2025}
}