Aprendizado auto-supervisionado aprimorado para identificação de doenças em imagens de raios-X de tórax

A utilização da análise de dados de imagens de raios-X de tórax (CXR) para auxiliar no diagnóstico de doenças é uma aplicação importante da inteligência artificial. O aprendizado supervisionado enfrenta desafios devido à falta de conjuntos de dados rotulados em larga escala e imprecisões. O aprendizado auto-supervisionado oferece uma solução potencial, mas a pesquisa atual nesta área é limitada, e a precisão diagnóstica continua insatisfatória. Propomos uma abordagem que integra o método de Representações de Codificador Bidirecional Auto-Supervisionadas de Transformadores de Imagem versão 2 (BEiTv2) com a estratégia de destilação de conhecimento baseada em quantização vetorial (VQ-KD) em dados de imagem CXR para aumentar a precisão do diagnóstico de doenças. Nossa metodologia demonstra desempenho superior em comparação com métodos auto-supervisionados existentes, destacando sua eficácia na melhoria dos resultados diagnósticos. Através de estudos de transferência e ablação, elucidamos os benefícios da estratégia VQ-KD na melhoria do desempenho e transferibilidade do modelo para tarefas subsequentes.