本文综述了自监督预训练技术在医学图像分析中的应用，强调其在低标记数据环境下的有效性。研究表明，自监督学习显著提升了医学图像分类和诊断的性能，尤其在无标注样本较多的情况下。比较不同预训练模型后发现，自监督方法在准确性和稳定性上优于传统监督学习，为未来研究提供了方向。

本文介绍了使用Barlow Twins自我监督学习算法进行预训练的模型，在小型标记皮肤病变数据集上微调后，在大型测试集中取得了70%的平均测试准确率。相比于监督转移学习的66%，结果表明在标记困难的环境中收集更多未标记图像可能是一种获取更多标记数据的替代途径。适用于低标记数据情境下的癌症图像分类模型。