본 논문은 의료 영상 분석에서의 회귀 문제에 초점을 맞추고 있습니다. 기존의 심층 학습 기반 회귀 모델들이 손실 함수나 모델 구조 최적화에만 집중하여, 강건한 임상 예측에 중요한 특징 표현의 질을 간과하는 문제점을 지적합니다. 특히 분류를 위한 표현 학습 기법을 회귀에 직접 적용하면 잠재 공간에서 표현이 단편화되어 성능이 저하될 수 있다는 점을 강조합니다. 이러한 문제를 해결하기 위해, 순서 정보(ordinality)와 난이도(hardness)를 고려한 새로운 지도적 대조 학습 방법인 SupReMix를 제안합니다. SupReMix는 앵커-포함 혼합(앵커와 다른 음성 샘플의 혼합)을 어려운 음성 쌍으로, 앵커-배제 혼합(두 개의 다른 음성 샘플의 혼합)을 어려운 양성 쌍으로 사용하여 더욱 풍부한 순서 정보를 통합한 어려운 대조 쌍을 형성합니다. MRI, X-ray, 초음파, PET 등 다양한 의료 영상 모달리티의 6개 데이터셋에 대한 실험을 통해 SupReMix가 연속적인 순서 표현을 촉진하여 회귀 성능을 크게 향상시킨다는 것을 보여줍니다.
