成像流式細胞術（IFC）能夠同時捕獲大量細胞的多光譜影像，為高通量生物分析提供了豐富資料。然而，訓練有監督深度學習模型需要專家逐圖示註，這已成為該領域發展的主要瓶頸。自監督學習（SSL）有望減少對人工標註的依賴，但其在 IFC 中的應用此前較為零散，缺乏統一的系統評測。為此，Angelo Jovin Yamachui Sitcheu 等八位作者提出了 IFC-SSL-Bench，一個用於在 IFC 場景中評估 SSL 的模組化框架，論文編號 arXiv:2610.31848，屬於計算機視覺與模式識別方向，共 35 頁，含六幅主圖、七幅補充圖、五張表格和四張補充表。
該基準的核心設計是在兩個異質資料集上，對六種 SSL 方法、四種骨幹網路進行組合評測。研究團隊不是隻看最終分類精度，而是系統改變訓練集的標註比例，從 1% 到 100% 逐檔評估下游分類效能，從而量化“標註效率”，並找出面向高維生物成像的最佳配置。這種按標註區間掃描的方式，比單一資料點更能反映 SSL 在真實標註預算下的收益曲線。
結果首先給出了一個對實際部署很有吸引力的結論：對於形態學分類，SSL 使用低至 5% 的標註資料，就能達到在 100% 標註資料上訓練的全監督基線水平；當標註比例低於 5% 時，SSL 的優勢進一步擴大。這意味著在標註成本高昂的 IFC 工作流中，大部分人工標註可以被自監督預訓練替代，而精度損失有限。
在方法組合上，跨兩個資料集的一致贏家是對比學習路線 MoCo-v2 搭配 ConvNeXt 骨幹。具體而言，ConvNeXtV1-T 在免疫突觸分類任務上表現最好，ConvNeXtV2-T 則在形態學分類上領先。這一任務相關的骨幹差異提示，IFC 中的“最佳配置”並非唯一，需根據分類目標選擇模型版本。
研究還揭示了清晰的遷移動力學模式：ImageNet 初始化有利於形態學分類，這與該類影像在視覺上更接近自然影像相一致；而隨機初始化反而更能捕捉領域特異性更強的免疫突觸分類。換言之，預訓練權重的“自然影像先驗”並非總是正收益，任務與自然影像的視覺相似度決定了初始化策略的取捨。
在極端低標註條件下，SSL 的價值尤為突出：當只有 1% 標註資料時，對於結構複雜的類別，SSL 將類別特定的 F1 分數提升超過 35 個百分點。這說明自監督學習不僅提升總體精度，更明顯改善了對形態複雜、難以區分的細胞類別的識別能力。
作者將上述發現綜合為一套統一指南，用於在高通量 IFC 中部署自監督工作流，並將該基準作為公開資源釋出，供後續研究複用和擴充套件。對生物醫學影像團隊而言，這項工作提供了可操作的選型依據：在標註預算緊張時優先採用 MoCo-v2 與 ConvNeXt 組合，並根據任務性質在 ImageNet 初始化與隨機初始化之間做出選擇。