EVA-X: A Foundation Model for General Chest X-ray Analysis with Self-supervised Learning

胸部疾病的诊断和治疗在维护人类健康方面起着至关重要的作用。由于其高效和经济性，X射线检查已成为最常见的临床检查手段。胸部X射线图像的人工智能分析方法受到注释数据不足和注释水平不同的限制，导致其泛化能力弱，难以在临床中推广应用。在这里，我们提出了EVA-X，这是一种基于X射线图像的创新基础模型，具有广泛的适用性，可用于各种胸部疾病检测任务。EVA-X是第一个基于X射线图像的自监督学习方法，能够从未标记的图像中捕获语义和几何信息，用于通用X射线图像表示。通过广泛的实验，EVA-X在胸部疾病分析和定位方面表现出色，成为第一个能够跨越20多种不同胸部疾病并在医学领域的11个不同检测任务中取得领先成果的模型。此外，EVA-X显著减轻了医学AI领域数据注释的负担，在少样本学习领域展示了强大的潜力。EVA-X的出现将极大地推动基础医学模型的发展和应用，为未来医学研究和临床实践带来革命性变革。我们的代码和模型可在以下网址获取：https://github.com/hustvl/EVA-X。

论文旨在解决X光图像自动诊断中标注数据不足、泛化能力差的问题，提出了一种基于自我监督学习的X光图像通用表示方法EVA-X。

EVA-X是第一个能够从未标注的图像中捕获语义和几何信息的X光图像自我监督学习方法，具有广泛适用性，能够在20多种胸部疾病检测任务中取得领先成果，并显著减少了医学AI领域数据标注的负担。

论文通过大量实验验证了EVA-X在胸部疾病分析和定位中的出色表现，开源了代码和模型，并展示了在少样本学习领域的强大潜力。

近期在这个领域中，还有一些相关研究，如《CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning》、《DeepLesion: Automated Deep Mining, Categorization and Detection of Significant Radiology Image Findings Using Large-Scale Clinical Lesion Annotations》等。