Learning Patient-Specific Disease Dynamics with Latent Flow Matching for Longitudinal Imaging Generation¶

会议: ICLR 2026
arXiv: 2512.09185
代码: 无
领域: 医学影像 / 疾病进展建模
关键词: disease progression, flow matching, patient-specific, longitudinal MRI, ArcRank loss

一句话总结¶

提出 Δ-LFM 框架：用 ArcRank 损失在潜在空间构建患者特异性时间对齐轨迹（角度一致 + 幅度单调递增），将流匹配时间范围从 [0,1] 扩展到 [0,T] 实际时间间隔实现任意时间点预测，在三个阿尔茨海默纵向 MRI 基准上全面超越 8 种基线方法，并提出进展专用指标 Δ-RMAE。

研究背景与动机¶

领域现状：疾病进展建模对早期诊断和个性化治疗至关重要。GAN → 扩散模型的演进带来了更高保真度的纵向医学影像生成，但多数方法仅捕捉群体趋势。

现有痛点：1）多数模型忽略个体异质性——同一疾病不同患者进展速率差异巨大；2）扩散模型的随机去噪过程打断时间连续性；3）自编码器的潜在空间跨患者不对齐、与临床严重度指标不相关；4）传统图像质量指标（PSNR/SSIM）在纵向场景中虚高——同一患者不同时间点天然高相似度，微小的疾病变化被正常解剖淹没。

核心矛盾：纵向影像生成需要同时满足高保真度（图像质量）和高准确度（进展方向正确），现有方法偏重前者忽略后者。

本文目标 构建患者特异性的生成框架，使潜在空间语义有意义+ 任意时间点可预测 + 进展方向正确。

切入角度：疾病进展在潜在空间可建模为速度场——流匹配（Flow Matching）天然学习从源到目标的速度场，与疾病动力学概念完美对应。

核心 idea：ArcRank 约束让每个患者的潜在轨迹"一条线走到底"（方向恒定、幅度递增），Δ-LFM 沿这条线以真实时间步长推进。

方法详解¶

整体框架¶

两阶段框架。阶段 1：VAE + ArcRank 损失构建患者特异性潜在空间；阶段 2：3D U-Net 学习潜在空间内的速度场（流匹配），结合 AdaLN 注入条件信号。

关键设计¶

ArcRank 损失——患者轨迹潜在对齐
- 功能：强制同一患者不同时间点的潜在表示沿特定方向排列，幅度随时间单调递增
- 核心思路：对潜在向量 $\mathbf{z}$ 做 SVD 分解 $U\Sigma V^\top = \text{SVD}(\mathbf{z})$，其中 $U$ 编码方向（角度），$\Sigma$ 编码幅度（严重度）。ArcRank 损失： $$\mathcal{L}_{\text{ArcRank}} = \lambda_{\text{arc}} \sum_{i<j} |U_i - U_j| + \lambda_{\text{rank}} \sum_{i<j} \max(0, m - (\Sigma_j - \Sigma_i)), \quad t_i < t_j$$ 外加 pull 项 $\mathcal{L}_{\text{Pull}} = |\Sigma_j - \Sigma_i|$ 防止相邻时间点过度分离
- 设计动机：SVD 统一处理方向和幅度，比 cosine similarity + 绝对值分开处理更稳定；stop-gradient 稳定训练
Δ-LFM——时间语义化的流匹配
- 功能：学习潜在空间中患者特异性的连续时间速度场，支持任意未来时间点预测
- 核心思路：将标准流匹配的 [0,1] 时间范围扩展到 [0,T]，$T = t_j - t_i$ 为实际年数。目标速度 $v^*(i,j) = (\mathbf{z}_j - \mathbf{z}_i)/(t_j - t_i)$，推理时以步长 $\text{d}t = 0.01$ 逐步积分：$\mathbf{z}_{i+\text{d}t} = \mathbf{z}_i + \text{d}t \cdot v_\theta(\mathbf{z}_i, t_i)$
- 设计动机：[0,1] 范围归一化丢失了实际时间语义；[0,T] 让"预测 3 年后的 MRI"直接可行
Δ-RMAE 评估指标
- 功能：评估生成影像的进展方向准确度而非绝对图像质量
- 核心思路：残差指标 $\Delta\text{-RMAE} = \frac{|\Delta_{\text{gt}} - \Delta_{\text{gen}}|}{(\frac{1}{2}(|\Delta_{\text{gt}}| + |\Delta_{\text{gen}}|))} \in [0, 2]$，其中 $\Delta = \mathbf{x}_T - \mathbf{x}_0$
- 设计动机：传统 PSNR/SSIM 在纵向场景虚高（同一患者天然高相似度），Δ-RMAE 专聚焦于疾病引起的变化

损失函数 / 训练策略¶

阶段 1（AE）：重建损失 + ArcRank，$\lambda_{\text{arc}}=0.005$, $\lambda_{\text{rank}}=0.01$, $m$ 为 margin。AdamW, lr=$10^{-3}$, batch=2, 300 epochs。阶段 2（FM）：$\mathcal{L}_{\text{LFM}} = \sum_{i<j} |v_\theta(i,j) - v^*(i,j)|^2$。3D U-Net, AdamW, lr=$3 \times 10^{-5}$, batch=4, 200 epochs。条件信号（年龄/性别/临床状态）通过 AdaLN 注入。

实验关键数据¶

主实验——影像质量（3 个纵向 MRI 基准，mean±std）¶

方法	ADNI PSNR↑	ADNI SSIM↑	AIBL PSNR↑	OASIS PSNR↑
CardiacAging	27.78±1.49	92.04	28.41	26.23
DiffuseMorph	29.56±1.63	93.57	29.17	28.13
SADM	26.94±2.28	85.15	27.97	26.74
BrLP	28.51±1.77	91.52	28.96	27.98
MambaControl	29.72±1.04	93.60	29.86	28.24
Δ-LFM	30.59±0.89	94.62	30.52	29.01

主实验——进展准确度（Region MAE + Δ-RMAE）¶

方法	ADNI Δ-RMAE↓	AIBL Δ-RMAE↓	OASIS Δ-RMAE↓
DiffuseMorph	0.516	0.482	0.503
BrLP	0.630	0.594	0.622
MambaControl	0.554	0.525	0.561
Δ-LFM	0.436	0.417	0.473

Δ-RMAE 相比 MambaControl 相对误差降低 ~21%/21%/16%。

消融实验（3 数据集均值）¶

配置	PSNR↑	Δ-RMAE↓	说明
LFM Baseline (无条件, [0,1])	27.59	0.552	最差
+ 条件信息	28.46	0.486	条件信号重要
+ [0,T] 时间采样	28.78	0.472	时间语义化有效
+ Arc Loss only	29.52	0.457	方向约束最重要
+ Rank Loss only	28.36	0.474	单独排序效果弱
+ ArcRank + [0,T] (完整)	30.04	0.442	组件协同

关键发现¶

ArcRank 潜在空间的 t-SNE 可视化：(1) 同一患者的扫描聚在一起；(2) 诊断状态（CN/MCI/AD）自然分群——虽未用诊断标签训练
长期预测性能随时间衰减但仍合理：1-5 年 PSNR 31-32dB, 10 年 ~28.6dB, 13 年 ~27dB
ArcRank 引入 SVD 计算 overhead ~40% 训练时间增加，但使用 full_matrices=False 后从 0.055s→0.009s（6x 加速）

亮点与洞察¶

"疾病 = 速度场"的建模视角：不是生成未来快照，而是学习变化过程的连续动力学——流匹配的速度场概念与疾病进展天然匹配
ArcRank 的对偶设计：SVD 统一了方向（patient identity）和幅度（disease severity）两个本质不同的轴——简洁优雅
Δ-RMAE 填补评估盲区：常规指标在纵向场景失效（"复制基线"也能得高分），Δ-RMAE 迫使模型真正捕捉变化而非保持静态
诊断状态的无监督涌现：ArcRank 仅约束时间顺序和方向一致性，却自然学出了 CN→MCI→AD 的严重度梯度——好的归纳偏置的力量

局限与展望¶

仅在阿尔茨海默病上验证——脑肿瘤等快速进展/治疗干预的疾病需要不同建模假设
线性轨迹假设（潜在空间中直线进展）可能无法捕捉突发恶化或稳定期的非线性模式
扫描间隔不均匀问题仅通过条件信号部分缓解，未显式建模进展速率变化
数据集异质性（多扫描仪/协议差异）仅依赖预处理缓解，未使用协调技术
AE 容量受 GPU 内存限制（48GB A6000），更大 crop 或更深网络可能进一步提升

评分¶

新颖性: ⭐⭐⭐⭐⭐ 流匹配用于疾病进展 + ArcRank 潜在对齐 + Δ-RMAE 评估指标，三重创新
实验充分度: ⭐⭐⭐⭐ ADNI/AIBL/OASIS 三基准 + 8 种对比方法 + 详细消融 + 长期预测分析
写作质量: ⭐⭐⭐⭐ 动机清晰、公式推导简洁、可视化有说服力
价值: ⭐⭐⭐⭐⭐ 对医学影像生成和疾病进展建模有重要贡献，Δ-RMAE 可能成为领域标准指标