面向纵向影像生成的面积患者特定疾病动力学学习——基于潜在流匹配

理解疾病进展是临床中的核心挑战，直接关系到早期诊断和个体化治疗。虽然近期的生成方法尝试建模进展，但仍存关键性 mismatch：疾病动力学本质上是连续且单调的，而潜在表示往往零散，缺乏语义结构，扩散模型通过随机去噪过程破坏连续性。本文提出将疾病动力学视为速度场，利用流匹配 (Flow Matching) 对患者数据的时间演化进行对齐。不同于先前方法，它捕捉了疾病的内在动态，使进展更具可解释性。然而，一个关键挑战仍是：在潜在空间中，自动编码器 (AE) 无法保证跨患者的对齐，也无法与临床严重度指标（如年龄和疾病状况）相关联。为此，我们提出学习患者特定的潜在对齐，强制患者轨迹沿特定轴排列，幅度随疾病严重度单调增加。这导致潜在空间一致且语义明确。总体而言，我们提出了 $\Delta$-LFM 框架，用于建模患者特定潜在进展。跨三个纵向 MRI 数据集，$\Delta$-LFM 表现出色，更重要的是，提供了一个新的解释和可视化疾病动力学的框架。