[논문 리뷰] Chronological Contrastive Learning: Few-Shot Progression Assessment in Irreversible Diseases

Clemens Watzenböck, Daniel Aletaha외 10명|arXiv (Cornell University)|2026. 03. 23.

Rheumatoid Arthritis Research and Therapies인용 수 0

한 줄 요약

ChronoCon은 잠재 공간에서 연대 순서를 강제로 부여하여 전문가 라벨 없이 종적 의료 영상에서 진행 인식 표현을 학습하고, rheumatoid arthritis와 같은 되돌릴 수 없는 질환에서 강력한 소수 샷 진행 평가를 가능하게 한다.

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.

연구 동기 및 목표

• 되돌릴 수 없는 질환에서 진행 평가를 위해 종적 영상 데이터를 활용하여 주석 부담을 줄이는 동기를 제시한다.
• 전문가 라벨 없이 방문 순서를 이용해 진행 인식 표현을 학습하도록 ChronoCon을 제안한다.
• RA 방사선 사진에서 라벨 효율적 학습을 시연하고 완전 감독 기준선과 비교한다.
• 저라벨 설정과 소수 샷 감독하에서 ChronoCon의 성능 향상을 보여준다.

제안 방법

• 같은 환자와 ROI 내에서 연대 음수 및 비연대 음수를 사용하는 ChronoCon 손실을 도입하여 잠재 공간에서 진행 순서를 강제한다.
• 두 단계 학습: 단계 1에서 ChronoCon으로 사전학습(선택적 재구성 손실 포함)하여 임베딩을 학습; 단계 2에서 임베딩을 순서 점수로 매핑하는 다중 헤드 회귀기를 학습한다.
• 단조로운 진행과 타임스탬프 비대칭을 반영하기 위해 순방향 및 역방향 연대 손실 기여를 정의한다.
• 두 번의 방문이 있는 시퀀스에서 학습을 가능하게 하기 위해 더블 크롭 증강을 사용한다.
• 단계 2는 AO/ERO/JSN 점수를 예측하기 위해 MSE만 사용한다; 총 SvH는 하위 점수에서 사후에 도출된다.

실험 결과

연구 질문

• RQ1 연대 방문 순서가 전문가 라벨 없이 질병 진행 표현을 학습하는 자기지도 신호로 작용할 수 있는가?
• RQ2 전적으로 감독 Baselines 및 다른 사전학습 전략과 비교했을 때 ChronoCon은 저레이블 및 소수 샷 설정에서 어떻게 성능을 보이는가?
• RQ3 RA 방사선 사진에서 시간 순서 기반 손실이 질병 진행의 종적 예측(ΔSvHS)을 향상시키는가?
• RQ4 학습된 특징 공간이 진행 인식적이며 아래쪽 심각도 점수화에 유용한가?

주요 결과

• 재구성 손실이 있는 ChronoCon은 라벨 구분에 걸쳐 단일 단계 baseline을 앞지르며, 특히 저레이블 환경에서 두드러진다.
• 소수 샷 시나리오(다섯 명의 환자의 라벨)에서 ChronoCon은 심각도 예측에서 ICC 0.86 및 RMSE 19.9로 일부 baseline보다 우수하다.
• ChronoCon 사전학습은 더 강한 종적(ΔSvHS) 성능을 제공하고 다양한 학습 데이터 규모에서도 이익을 유지하여 학습된 환자 특이적 진행을 시사한다.
• 레이블이 풍부할 때는 라벨 기반 사전학습(서수 제약)이 최상으로 수행되지만, 레이블이 희소할 때 ChronoCon은 상당한 이점을 제공한다.
• 대체적인 시간적 손실(RnC:t)은 저레이블 환경에서 ChronoCon보다 성능이 떨어질 수 있어, 순방향/역방향 시간 기여를 분리하는 가치가 강조된다.