在多样化病理学数据集上对自监督学习进行基准测试

计算病理学有望挽救人类生命，但现有模型对标注数据依赖性强，而病理图像的标注成本极高，长期困扰该领域发展。自监督学习（Self-supervised Learning, SSL）在利用未标注数据方面展现出显著成效，其在病理学中的应用有望显著提升下游任务的性能。然而，目前尚缺乏系统性研究对不同SSL方法进行比较，也缺乏针对病理学特性优化SSL方法的理论指导。为填补这一空白，我们开展了迄今规模最大的病理图像自监督预训练研究。本研究基于四种代表性SSL方法，在多种下游任务上进行系统评估。结果表明，在标准的自监督学习设置（如线性评估和微调评估）以及低标注数据场景下，大规模领域对齐的病理图像预训练均显著优于传统的ImageNet预训练。此外，我们提出了一组面向病理学领域的专用技术，实验验证其可带来显著的性能提升。最后，我们首次将自监督学习应用于具有挑战性的细胞核实例分割任务，在多种不同设置下均实现了显著且一致的性能改进。