基于自监督集成学习（SSL-OHE）的胆道闭锁超声图像早期诊断新方法

本文推荐：该研究创新性地提出SSL-OHE框架，通过自监督预训练（SSL）结合优化异构集成（OHE）策略，显著提升胆道闭锁（BA）超声图像的诊断准确率。该方法突破传统依赖大规模标注数据的限制，利用轻量化基学习器与数值优化权重分配，有效解决数据稀缺和类别不平衡问题，实验证明其性能超越人类专家水平。

　　

亮点

本研究提出SSL-OHE框架，首次将自监督表示学习与优化异构集成相结合，用于胆道闭锁（BA）的早期超声诊断。通过在线聚类自监督方法学习无标注图像特征，并采用轻量化基学习器（预训练于通用视觉数据集）构建下游分类模型。数值优化权重分配技术进一步整合异构基学习器，显著提升BA检测的鲁棒性，尤其适用于高度不平衡数据场景。

结论

SSL-OHE通过自监督预训练与智能集成策略，成功解决BA诊断中的三大核心挑战：超声图像复杂性、标注数据稀缺性和类别不平衡性。实验证实，该方法在 multicenter 超声数据集上的表现优于单一深度学习模型及传统集成方法，甚至超越人类专家诊断水平，为基层医疗提供了可靠的计算机辅助诊断（CAD）工具。

（注：翻译严格遵循专业术语标注，如BA、CAD等，并保留原文技术细节如^multicenter的标注风格）