自主监督学习可以提高前列腺双参数MRI分类中的表现
José Guilherme de Almeida1, Ana Sofia Castro Verde1, Ana Mascarenhas Gaivão2
1Champalimaud Foundation, Lisbon, Portugal.
Computers in biology and medicine
|November 5, 2025
概括
二维自主监督学习 (SSL) 模型显示,从MRI扫描中进行前列腺癌分类的性能和数据效率有所提高. 这些在未标记数据上训练的模型,优于传统的监督方法,强调了大规模生物医学成像数据集的价值.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 前列腺癌的诊断很大程度上依赖于体积成像,特别是双参数MRI (bpMRI).
- 当前的监督学习模型需要大量的注释数据,这需要大量的劳动力来获取.
- 自主监督学习 (SSL) 为利用大型未标记的医疗数据集提供了一个有希望的替代方案.
研究的目的:
- 开发和评估2D自主监督学习 (SSL) 模型用于体积MRI分析.
- 在使用bpmri的前列腺癌分类任务中证明这些ssl模型的有效性.
- 将SSL模型的性能与完全监督学习 (FSL) 基线进行比较.
主要方法:
- 在来自12个欧洲中心的前列腺多参数MRI (mpMRI) 大数据集上训练了两个不同的2D SSL方法.
- 预训练的SSL模型被转移到使用基于注意力的多重实例学习 (MIL) 的体积前列腺bpMRI分类任务中.
- 在三个任务中评估了表现:前列腺癌诊断,临床上显著的前列腺癌诊断和虚拟活检,使用AUC和交叉验证.
主要成果:
- 在几个前列腺癌分类任务中,SSL模型的性能与FSL基线相当或优于FSL基线.
- 对于bpMRI D-PCa,AUC为SSL的0.82而不是FSL的0.75 (p=0.017);对于T2 D-csPCa,AUC为SSL的0.73而不是FSL的0.68 (p=0.043).
- SSL模型需要更少的训练数据来实现类似的性能,注意力得分与损伤位置相关.
结论:
- 在未标记数据上训练的无监督SSL模型更有效地处理数据,并在体积前列腺MRI分类中比FSL模型表现更好.
- 这些发现强调了大规模数据收集和注释努力在推进生物医学成像AI方面的关键重要性.
- SSL 提供了一种可行的策略,以克服医疗图像分析中的数据限制.
