半监督学习模型在反流性食管炎Los Angeles分级中的应用

摘要

目的：利用SimCLR算法的半监督学习框架，构建对内镜下反流性食管炎Los Angeles分级的分类模型。方法：设计的学习框架利用大型未标注数据集，通过自监督学习方式进行预训练。该框架在小型标注数据集上，按照Los Angeles分级标准进行了进一步的精准训练。在独立数据集上对该模型进行性能测试，并将其评估结果与监督学习算法的模型以及内镜医生的表现进行对比，指标包括准确度、Matthews相关系数以及Cohen's kappa值。最后，采用Grad-CAM和t-SNE对模型进行可视化解释。结果：采用ResNet作为骨干网络的SimCLR模型，在准确度、Matthews相关系数和Cohen's kappa值为0.840、0.800、0.960，均显著超越了以ResNet为基础的传统监督学习模型（0.680、0.601、0.870），同时也超过了低年资内镜医生的水平（0.770、0.713、0.940），与高年资内镜医生的表现（0.850、0.813、0.960）相比，仍存在一定的细微差距。此外，t-SNE的结果显示，SimCLR中的自监督学习在对多维度样本进行聚类方面，比传统的监督迁移学习更为有效。结论：相较传统的监督学习方法，半监督学习技术在仅具备有限标记内镜图像的情况下，仍能使深度学习模型展现出卓越的性能。

关键词

反流性食管炎 / 自监督学习 / 对比学习视觉表示的简单框架 / 计算机辅助诊断 / 深度学习 / Grad-CAM