跨数据集高精度分类
预训练特征提取器冻结后仅用线性头即可实现白细胞亚型、白血病细胞及混合样本的高精度分类，性能与监督基线相当，且对未预训练的异常细胞具有强泛化能力。
Huang, Xukun · Wang, Zirui · Songjiang, Chen · Yongfan, Chen · 王军波 · Xiaoye, Huo · 王棵 · 陈贤祥 · 陈潇 · 陈健
Microsystems and Nanoengineering 2026
预训练使用未标注的白细胞图像，下游分类时特征提取器冻结，仅需训练轻量级线性或多层感知机分类头即可实现高精度分类。
对未在预训练数据集中出现的白血病细胞和混合异常细胞，模型仍能取得高F1分数（96.68%和91.92%），表明其能识别未见的异常细胞。
与监督学习基线相比，分类准确率差距小于2%，证明自监督方法可以在不牺牲性能的前提下免除标注负担。