Trong bài báo này, chúng tôi giới thiệu một phương pháp nhằm nâng cao hiệu quả của việc phân lớp ảnh X-quang đa nhãn thông qua kỹ thuật học tự giám sát. Bằng cách tận dụng học tương phản, chúng tôi trích xuất các đặc trưng có ý nghĩa từ một lượng lớn dữ liệu không có nhãn, từ đó cải thiện hiệu quả dữ liệu và vượt qua các thách thức do dữ liệu có nhãn hạn chế. Đóng góp của chúng tôi là tinh chỉnh kiến trúc để áp dụng học tự giám sát một cách hiệu quả vào các vấn đề phân lớp đa nhãn trên ảnh X-quang. Ngoài ra, chúng tôi tiến hành các thực nghiệm mở rộng so sánh việc tinh chỉnh của bộ phân lớp tuyến tính từ các mô hình được huấn luyện trước ImageNet với các mô hình được huấn luyện trước MoCo trên các kiến trúc ResNet khác nhau (ResNet34, ResNet50 và ResNet101) trên tập dữ liệu Chest X-ray 14. Kết quả cho thấy có sự tăng đáng kể về hiệu quả đạt được thông qua việc tinh chỉnh mô hình được huấn luyện trước MoCo so với mô hình được huấn luyện trước ImageNet, đặc biệt thể hiện rõ ràng trên ResNet34 (AUC 0.779 so với 0.737), ResNet50 (0.788 so với 0.752) và ResNet101 (AUC 0.793 so với 0.739). Hơn nữa, mô hình được tinh chỉnh tuyến tính từ mô hình huấn luyện trước MoCo vượt qua mô hình được huấn luyện trước ImageNet với các cải tiến đáng chú ý cho tất cả các lớp. Phương pháp này cải thiện đáng kể hiệu quả của việc phân lớp ảnh X-quang đa nhãn.