成像流式细胞术（IFC）能够同时捕获大量细胞的多光谱图像，为高通量生物分析提供了丰富数据。然而，训练有监督深度学习模型需要专家逐图标注，这已成为该领域发展的主要瓶颈。自监督学习（SSL）有望减少对人工标注的依赖，但其在 IFC 中的应用此前较为零散，缺乏统一的系统评测。为此，Angelo Jovin Yamachui Sitcheu 等八位作者提出了 IFC-SSL-Bench，一个用于在 IFC 场景中评估 SSL 的模块化框架，论文编号 arXiv:2610.31848，属于计算机视觉与模式识别方向，共 35 页，含六幅主图、七幅补充图、五张表格和四张补充表。
该基准的核心设计是在两个异质数据集上，对六种 SSL 方法、四种骨干网络进行组合评测。研究团队不是只看最终分类精度，而是系统改变训练集的标注比例，从 1% 到 100% 逐档评估下游分类性能，从而量化“标注效率”，并找出面向高维生物成像的最佳配置。这种按标注区间扫描的方式，比单一数据点更能反映 SSL 在真实标注预算下的收益曲线。
结果首先给出了一个对实际部署很有吸引力的结论：对于形态学分类，SSL 使用低至 5% 的标注数据，就能达到在 100% 标注数据上训练的全监督基线水平；当标注比例低于 5% 时，SSL 的优势进一步扩大。这意味着在标注成本高昂的 IFC 工作流中，大部分人工标注可以被自监督预训练替代，而精度损失有限。
在方法组合上，跨两个数据集的一致赢家是对比学习路线 MoCo-v2 搭配 ConvNeXt 骨干。具体而言，ConvNeXtV1-T 在免疫突触分类任务上表现最好，ConvNeXtV2-T 则在形态学分类上领先。这一任务相关的骨干差异提示，IFC 中的“最佳配置”并非唯一，需根据分类目标选择模型版本。
研究还揭示了清晰的迁移动力学模式：ImageNet 初始化有利于形态学分类，这与该类图像在视觉上更接近自然图像相一致；而随机初始化反而更能捕捉领域特异性更强的免疫突触分类。换言之，预训练权重的“自然图像先验”并非总是正收益，任务与自然图像的视觉相似度决定了初始化策略的取舍。
在极端低标注条件下，SSL 的价值尤为突出：当只有 1% 标注数据时，对于结构复杂的类别，SSL 将类别特定的 F1 分数提升超过 35 个百分点。这说明自监督学习不仅提升总体精度，更明显改善了对形态复杂、难以区分的细胞类别的识别能力。
作者将上述发现综合为一套统一指南，用于在高通量 IFC 中部署自监督工作流，并将该基准作为公开资源发布，供后续研究复用和扩展。对生物医学影像团队而言，这项工作提供了可操作的选型依据：在标注预算紧张时优先采用 MoCo-v2 与 ConvNeXt 组合，并根据任务性质在 ImageNet 初始化与随机初始化之间做出选择。