論文の概要: Chronological Contrastive Learning: Few-Shot Progression Assessment in Irreversible Diseases

• arxiv url: http://arxiv.org/abs/2603.21935v1
• Date: Mon, 23 Mar 2026 12:53:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.677124
• Title: Chronological Contrastive Learning: Few-Shot Progression Assessment in Irreversible Diseases
• Title（参考訳）: 時間的コントラスト学習 : 非可逆性疾患におけるFew-Shot Progression Assessment
• Authors: Clemens Watzenböck, Daniel Aletaha, Michaël Deman, Thomas Deimel, Jana Eder, Ivana Janickova, Robert Janiczek, Peter Mandl, Philipp Seeböck, Gabriela Supp, Paul Weiser, Georg Langs,
• Abstract要約: 我々はChronoConを紹介した。ChronoConは、ラベルベースのランキングの損失を、縦スキャンのみから派生したランキングに置き換える、対照的な学習手法である。 非可逆性疾患における単調性進行の臨床的に妥当な仮定の下で、この方法は専門家のラベルを使わずに疾患関連表現を学習する。 低ラベル設定では、ChronoConはImageNetの重みから完全に教師付きベースラインを著しく上回っている。
• 参考スコア（独自算出の注目度）: 0.4594243199370673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• 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.
• Abstract（参考訳）: 医療画像における定量的疾患の重症度は、費用がかかり、時間がかかり、読取者間の変動が生じる。 同時に、臨床アーカイブは専門家による重度スコアよりもはるかに長手な画像データを含んでいる。 既存の自己監督的手法は、典型的にはこの年代構造を無視する。 我々はChronoConを紹介した。ChronoConは、ラベルベースのランキングの損失を患者の縦スキャンの訪問順序のみから得られるランキングに置き換える、対照的な学習手法である。 非可逆性疾患における単調性進行の臨床的に妥当な仮定の下で、この方法は専門家のラベルを使わずに疾患関連表現を学習する。 これはラベル距離から時間順序へのランク-N-コントラストの考え方を一般化する。 重症度評価のためのリウマチ性関節リウマチのX線写真を用いて評価した結果,学習表現はラベル効率を著しく改善した。 低ラベル設定では、ChronoConはImageNet重みから初期化された完全に教師付きベースラインよりも大幅に優れています。 数ショットの学習実験では、専門家スコアの微調整を行うChronoConは、重症度スコア予測のクラス内相関係数が86%である。 これらの結果から,非可逆性疾患領域におけるアノテーション要求を減らすために,日常的に利用可能な画像メタデータを活用するための時系列コントラスト学習の可能性が示された。 コードはhttps://github.com/cirmuw/ChronoConで公開されている。

関連論文リスト

• Parameterized Diffusion Optimization enabled Autoregressive Ordinal Regression for Diabetic Retinopathy Grading [53.11883409422728]
  本研究は, AOR-DRと呼ばれる新しい自己回帰的順序回帰法を提案する。 我々は,糖尿病網膜症分類タスクを,前ステップの予測と抽出画像の特徴を融合させることにより,一連の順序段階に分解する。 拡散過程を利用して条件付き確率モデリングを行い、連続的グローバルな画像特徴を自己回帰に利用できるようにする。
  論文  参考訳（メタデータ） (2025-07-07T13:22:35Z)
• Deep Bayesian Active Learning-to-Rank with Relative Annotation for Estimation of Ulcerative Colitis Severity [10.153691271169745]
  本稿では,相対的アノテーションに対して適切なペアを自動的に選択する深ベイズ能動的学習 to ランクを提案する。 本手法は,サンプルのモデル不確実性から,ラベルのないペアに高い学習効率でアノテートする。
  論文  参考訳（メタデータ） (2024-09-08T02:19:40Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Metadata-enhanced contrastive learning from retinal optical coherence tomography images [7.932410831191909]
  従来のコントラストフレームワークを新しいメタデータ強化戦略で拡張する。 本手法では,画像間のコントラスト関係の真のセットを近似するために,患者メタデータを広く活用する。 提案手法は、6つの画像レベル下流タスクのうち5つにおいて、標準コントラスト法と網膜画像基盤モデルの両方に優れる。
  論文  参考訳（メタデータ） (2022-08-04T08:53:15Z)
• Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
  不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。 また、TNCD: Thyroid Nodule Classification データセットも提供します。
  論文  参考訳（メタデータ） (2022-07-02T11:50:02Z)
• Temporal Context Matters: Enhancing Single Image Prediction with Disease Progression Representations [8.396615243014768]
  本稿では,時間経過情報を活用した深層学習手法を提案する。 本手法では, 自己注意に基づく時間的畳み込みネットワーク(TCN)を用いて, 疾患の軌跡を最も反映した表現を学習する。 ビジョン変換器は、単点画像から特徴を抽出するために、自己教師型で事前訓練される。
  論文  参考訳（メタデータ） (2022-03-02T22:11:07Z)
• A New Semi-supervised Learning Benchmark for Classifying View and Diagnosing Aortic Stenosis from Echocardiograms [4.956777496509955]
  心エコー(心電図)の解釈に関連する2つの課題に対する半教師付きアプローチを評価するためのベンチマークデータセットを開発した。 我々は,MixMatchと呼ばれる最先端の手法が,両タスクのホールドアウト精度において有望なゲインを達成できることを見出した。 我々は患者レベルの診断予測を追求し、多様なビュータイプの数百の画像に集約する必要がある。
  論文  参考訳（メタデータ） (2021-07-30T21:08:12Z)
• Cost-Sensitive Regularization for Diabetic Retinopathy Grading from Eye Fundus Images [20.480034690570196]
  本稿では,眼底画像から糖尿病網膜症(DR)の重症度を予測するための制約を強制するための簡単なアプローチを提案する。 正規化要因として機能する余分な用語で標準分類損失を拡大する。 DRグレーディングに関連する各サブプロブレムにおいて,ラベルノイズのモデル化に我々の手法を適用する方法について述べる。
  論文  参考訳（メタデータ） (2020-10-01T10:42:06Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。