年代对比学习：不可逆疾病的少样本进程评估

医学影像中的定量疾病严重程度评分成本高、耗时，且受读者间差异影响。与此同时，临床档案中包含的纵向影像数据远多于专家标注的严重程度评分。现有的自监督方法通常忽略了这种年代结构。我们引入 ChronoCon，这是一种对比学习方法，用患者纵向扫描的访问顺序-derived rankings 替代基于标签的排序损失。在不可逆疾病中单调进程的临床假设下，该方法无需使用任何专家标签即可学习疾病相关表征。这一方法将 Rank-N-Contrast 的思想从标签距离推广到时间排序。在 rheumatoid arthritis 影像用于严重程度评估方面，所学习的表征显著提高了标签效率。在低标签设置下，ChronoCon 显著优于基于 ImageNet 权重初始化的完全监督基线。在few-shot学习实验中，仅用五名患者的专家评分微调 ChronoCon，即可实现86%的严重程度评分预测 intraclass correlation coefficient。这些结果表明，年代对比学习有望利用常规可用的影像元数据，以减少不可逆疾病领域的标注需求。代码已公开 https://github.com/cirmuw/ChronoCon。