[论文解读] 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 0

一句话总结

ChronoCon 通过在潜在空间中强制时间顺序来学习来自纵向影像的进展感知表示，在不可逆疾病如类风关中实现强力的少量样本进展评估，无需专家标签。

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.

研究动机与目标

• 通过利用纵向成像数据来评估不可逆疾病的进展，从而降低标注负担的动机。
• 提出 ChronoCon，通过不依赖专家标签的就诊顺序来学习进展感知表示。
• 在 RA 放射影像上 demonstrate label-efficient learning，并与全监督基线进行比较。
• 显示 ChronoCon 在低标注设置和少量监督下提高性能。

提出的方法

• 提出使用 ChronoCon 损失，在同一患者和 ROI 内使用时间序列负样本和反向时间样本以强制潜在空间中的进展顺序。
• 两阶段学习：阶段1 使用 ChronoCon（可选重建损失）进行预训练以学习嵌入；阶段2 训练多头回归器将嵌入映射到序数分数。
• 定义向前和向后时间损失贡献以考虑单调进展和时间戳不对称性。
• 使用双裁剪增强以便在含有两个就诊的序列上进行训练。
• 阶段2 仅使用均方误差（MSE）来预测 AO/ERO/JSN 分数；总 SvH 通过子分数事后推导。

实验结果

研究问题

• RQ1 时间就诊顺序是否可以作为自监督信号，在无需专家标签的情况下学习疾病进展表示？
• RQ2 在低标签和少量样本设置下，ChronoCon 相较于全监督基线和其他预训练策略的表现如何？
• RQ3 基于时间顺序的损失是否提升了 RA 放射影像中疾病进展的纵向预测（ΔSvHS）？
• RQ4 学习到的特征空间是否具备进展感知性，并对下游的严重程度评分有用？

主要发现

• 在带重建损失的 ChronoCon 相较于单阶段基线，在不同标签分割下表现更优，尤其在低标签设置中。
• 在少样本场景（来自五位患者的标签）中，ChronoCon 对严重性预测的 ICC 为 0.86，RMSE 为 19.9，优于某些基线。
• ChronoCon 预训练带来更强的纵向（ΔSvHS）性能，并在不同训练集规模下保持提升，表明学习到了患者特异性的进展。
• 当标签丰富时，基于标签的预训练（序数约束）表现最好，但在标签稀缺时 ChronoCon 提供了显著收益。
• 替代性时间损失（RnC:t）在低标签设置下可能不及 ChronoCon，凸显分离的前向/后向时间贡献的价值。