基于自监督学习的影像疾病全关联研究揭示腹部MRI特征与158种疾病的联系

医学影像包含丰富的表型信息，而这些信息往往无法被人工临床评估充分捕捉。在此，我们提出了一个系统性框架，用于提取此类信息，并利用自监督学习（SSL）开展基于影像的全疾病关联研究（iDWAS）。我们将该框架应用于英国生物样本库（UK Biobank）的腹部MRI数据，并评估了MRI衍生特征与疾病之间的关联。采用基于VICReg的SSL模型学习特征，并使用逻辑回归模型检验其与疾病的关联。我们识别出158种与MRI衍生特征显著相关的疾病，其中包括一些与腹部解剖结构并无直接联系的疾病。聚焦于代谢功能障碍相关脂肪性肝炎（MASH），我们表明MRI衍生特征能够捕捉与疾病相关的信息，并且比PDFF和Iron-cT1等已建立的生物标志物更好地区分MASH病例与对照。上述发现突显了SSL从常规影像数据中挖掘具有临床意义信号的能力。所提出的框架可广泛应用于其他影像数据集和成像模态，从而为偶发疾病和早期疾病检测提供更系统化的方法。训练好的模型和分析流程已公开发布于 https://github.com/srm2022/iDWAS。

医学影像包含丰富的表型信息，而这些信息往往无法通过人工临床评估被充分捕捉。在此，我们提出了一个系统性框架，用于提取此类信息，并利用自监督学习（SSL）开展基于影像的全疾病关联研究（iDWAS）。我们将该框架应用于英国生物样本库（UK Biobank）的腹部MRI数据，并评估了MRI衍生特征与疾病之间的关联。通过基于VICReg的SSL模型学习特征，并使用逻辑回归模型检验其与疾病的关联。我们识别出158种与MRI衍生特征显著相关的疾病，其中包括一些与腹部解剖结构并无直接联系的疾病。聚焦于代谢功能障碍相关脂肪性肝炎（MASH），我们表明MRI衍生特征能够捕捉与疾病相关的信息，并且比PDFF和Iron-cT1等已建立的生物标志物更好地区分MASH病例与对照。这些发现凸显了SSL从常规影像数据中发掘具有临床意义信号的能力。所提出的框架可广泛应用于其他影像数据集和成像模态，从而支持对偶发疾病和早期疾病检测开展更系统的方法。训练好的模型和分析流程已公开发布于 https://github.com/srm2022/iDWAS。

感谢您有兴趣帮助传播bioRxiv上的研究成果。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.23.740409v1?rss=1

🏷️ 自监督学习 医学影像 腹部MRI 全疾病关联研究 UK Biobank MASH