纵向医学影像提供按时间排序的观察数据，可以揭示疾病轨迹。标准自监督学习目标常常丢弃时序信息，而许多纵向自监督方法假设显式的时间序列输入，不太适合 3D 体数据。我们通过在隐空间中进行世界建模来框定纵向表征学习，从而填补这一空白：把每次就诊视为状态，把就诊间的时间差视为动作。本讲座将涉及时间敏感的表征空间、作为变换的时间以及未来表征的不确定性。 首先，我们介绍一种纳入就诊间时间差的时间敏感对比学习方法[1]。接下来，我们通过可参数化的可学习变换直接学习表征空间中的时间变化，将该思想加以扩展[2]。最后，我们最新的自监督方法在掩码图像建模中使用条件随机过程对未来状态的不确定性建模[3]。 这些方法共同展示了如何把时间不仅视为元数据，更视为一种结构性信号，从而从纵向医学影像中学习信息量更大的表征。[1] Emre 等，《基于纵向 OCT 的时间等变非对比学习用于预测疾病进展》（3DTINC: Time-Equivariant Non-Contrastive Learning for Predicting Disease Progression from Longitudinal OCTs），IEEE TMI [2] Emre 等，《通过预测未来表征学习 OCT 中退行性疾病进展的时间等变性》（Learning Temporal Equivariance for Degenerative Disease Progression in OCT by Predicting Future Representations），MICCAI 2024 [3] Emre 等，《面向纵向医学图像的随机孪生 MAE 预训练》（Stochastic Siamese MAE Pretraining for Longitudinal Medical Images），审稿中，arXiv:2512.23441 主讲人在伊斯坦布尔理工大学获得计算机工程学士学位，在慕尼黑工业大学获得计算机科学硕士学位。目前正于维也纳医科大学人工智能研究所攻读博士学位，师从 Hrvoje Bogunovic。