Машинное обучение для диагностики и прогноза онкологических заболеваний требует дорогостоящей разметки данных пациентов. Полуконтролируемые и самоконтролируемые методы используют неразмеченные данные, но редко тестируются против эквивалентных супервизорных моделей. Авторы проверили, дают ли неразмеченные данные преимущество, и сравнили эти подходы с табличной foundation-моделью.
Использовались четыре публичных набора данных по раку молочной железы (WDBC, Mammography, METABRIC, SEER), охватывающие клинические задачи диагностики (включая выявление микрокальцинатов на маммографии) и прогноза с различным балансом классов. В пятикратной кросс-валидации с пятью seed размечалось 10%, 20% или 50% обучающих записей. Self-training (random forest и XGBoost), label spreading и самоконтролируемый предобучающий метод SCARF сравнивались с соответствующими супервизорными контролями; логистическая регрессия и TabPFN v2 служили референсами.
Из 96 сравнений с соответствующими контролями по коэффициенту корреляции Мэттьюса (MCC) и площади под precision-recall кривой (PR-AUC) только три были статистически значимыми, все с участием SCARF: два снижения на Mammography и одно увеличение PR-AUC на METABRIC, сохранявшееся при всех уровнях разметки.
Оценочный минимальный обнаруживаемый эффект при мощности 80% варьировал между сравнениями, с медианами около 0.06 для PR-AUC и 0.09 для MCC; медианы абсолютных наблюдаемых различий составили 0.008 и 0.015 соответственно. При пороге по умолчанию и 10% размеченных данных label spreading снижал чувствительность на SEER (−0.135), а random-forest self-training — на Mammography (−0.122).
TabPFN достиг наивысших показателей PR-AUC во всех 16 условиях.
В рамках оценённых наборов данных, методов и условий не обнаружено статистически значимого дополнительного преимущества от использования неразмеченных данных сверх общей предобработки, однако полученные данные не устанавливают эквивалентность подходов. TabPFN показал наилучшие результаты по PR-AUC в каждом сценарии. Авторы подчёркивают необходимость тестирования новых методов против соответствующих контролей и табличных foundation-моделей при адекватной статистической мощности.

