这项研究提出了一种新颖的自监督预训练方法，利用放大倍数在组织病理学医学图像上学习高效的表示，而无需标签。其他最先进的工作主要集中在依赖大量人工注释的全监督学习方法上。然而，标签数据和无标签数据的稀缺性一直是组织病理学领域的一个长期挑战。目前，在组织病理学领域中，无标签的表示学习尚未得到充分探索。所提出的 Magnification Prior Contrastive Similarity (MPCS) 方法通过利用放大倍数、归纳迁移和减少人类先验知识，在小规模乳腺癌数据集 BreakHis 上实现了无标签条件下的自监督表示学习。当仅使用 20% 的标签进行微调时，该方法在恶性肿瘤分类任务中的表现与全监督学习的最先进方法相当，并且在全监督学习设置下优于以往的工作。该研究提出了一个假设，并提供了实证证据支持这一观点，即减少人类先验知识可以提高自监督表示学习的效率。本研究的实现代码已在线发布于 GitHub - https://github.com/prakashchhipa/Magnification-Prior-Self-Supervised-Method