[論文レビュー] Chronological Contrastive Learning: Few-Shot Progression Assessment in Irreversible Diseases

Clemens Watzenböck, Daniel Aletaha+10 more|arXiv (Cornell University)|Mar 23, 2026

Rheumatoid Arthritis Research and Therapies被引用数 0

ひとこと要約

ChronoConは潜在空間の時系列順序を強制することで、専門家ラベルなしに縦断的医療画像から進行認識表現を学習し、不可逆疾患での少数ショットの進行評価を強化する。

ABSTRACT

Quantitative disease severity scoring in medical imaging is costly, time-consuming, and subject to inter-reader variability. At the same time, clinical archives contain far more longitudinal imaging data than expert-annotated severity scores. Existing self-supervised methods typically ignore this chronological structure. We introduce ChronoCon, a contrastive learning approach that replaces label-based ranking losses with rankings derived solely from the visitation order of a patient's longitudinal scans. Under the clinically plausible assumption of monotonic progression in irreversible diseases, the method learns disease-relevant representations without using any expert labels. This generalizes the idea of Rank-N-Contrast from label distances to temporal ordering. Evaluated on rheumatoid arthritis radiographs for severity assessment, the learned representations substantially improve label efficiency. In low-label settings, ChronoCon significantly outperforms a fully supervised baseline initialized from ImageNet weights. In a few-shot learning experiment, fine-tuning ChronoCon on expert scores from only five patients yields an intraclass correlation coefficient of 86% for severity score prediction. These results demonstrate the potential of chronological contrastive learning to exploit routinely available imaging metadata to reduce annotation requirements in the irreversible disease domain. Code is available at https://github.com/cirmuw/ChronoCon.

研究の動機と目的

• 注釈付けの負担を削減するため、不可逆疾患の進行評価における縦断的画像データの活用を動機づける。
• 専門家ラベルなしに訪問順序を用いて進行認識表現を学習するChronoConを提案する。
• RAのレントゲンにおけるラベル効率の高い学習を示し、完全に supervise されたベースラインと比較する。
• ChronoConが低ラベル設定および少数ショット監視下で性能を向上させることを示す。

提案手法

• ChronoCon 損失は、同一患者・同一ROI内の時系列ネガティブと反時系列ネガティブを用いて潜在空間での進行順序を強制する。
• 二段階学習：第1段階はChronoCon（オプションの再構成損失とともに）で埋め込みを学習する前処理、第2段階は埋め込みを階調スコアへ写像する多頭回帰器を訓練する。
• 前向き・後向きの時系列損失寄与を定義し、単調な進行とタイムスタンプの非対称性を考慮する。
• 二回の訪問を持つシーケンスで訓練できるようダブルクロップ拡張を用いる。
• 第2段階ではAO/ERO/JSNスコアを予測するためにMSEのみを使用し、総SvHはサブスコアから後述的に導出する。

実験結果

リサーチクエスチョン

• RQ1 訪問の時系列順序を専門家ラベルなしで疾患進行表現を学ぶ自己監視信号として利用できるか？
• RQ2 少数ラベル・少数ショット設定でChronoConは完全に supervise されたベースラインや他の事前学習戦略と比較してどう性能を示すか？
• RQ3 時間順序ベースの損失はRAのX線写真における疾患進行（ΔSvHS）の長期予測を改善するか？
• RQ4 学習された特徴空間は進行認識に有効で、下流の重症度スコアリングに有用か？

主な発見

• 再構成損失を用いたChronoConは、ラベル分割を跨いだ単一段階ベースラインを上回り、特に低ラベル設定で優位である。
• 少数ショット状況（5人分のラベル）ではChronoConが重症度予測のICCを0.86、RMSEを19.9と達成し、いくつかのベースラインを上回る。
• ChronoConの事前学習は長期的な（ΔSvHS）性能を強化し、訓練データサイズの変化に対しても利益を維持する，個別患者の進行を学習していることを示す。
• ラベルが豊富な場合はラベルベースの事前学習（序数制約あり）が最も効果的だが、ChronoConはラベルが不足している場面で大きな利点を提供する。
• 代替的な時系列損失（RnC:t）は低ラベル設定でChronoConを下回る可能性があり、前方/後方の時系列寄与を分離する価値が示される。