REVEAL++：阿尔茨海默病风险视觉语言视网膜模型的可区分表型分组

arXiv:2606.19522v1 公告类型：新 摘要：视网膜为神经退行性疾病提供了一个非侵入性窗口，捕捉与未来认知能力下降风险相关的微妙结构模式。 REVEAL 等视觉语言对齐框架表明，将视网膜眼底图像与结构化临床风险叙述配对可以改善阿尔茨海默病 (AD) 的早期预测。这些方法的一个关键设计选择是使用表型分组，其中具有相似风险状况的个体在对比学习期间被视为多阳性对。然而，现有的方法将表型相似性作为一种离散的构造来操作，依赖于强加严格监督的硬组分配，并将组形成与表示学习分离。我们提出在对比学习中连续表述表型结构。我们不是将样本分配给固定的聚类，而是将受试者间相似性建模为可微的加权函数，该函数源自视网膜图像和风险概况中的模态内嵌入相似性。这些权重通过连续聚合算子定义软多正关系，从而实现反映疾病风险谱性质的分级监督。我们进一步引入了一种软目标对比目标，以端到端的方式共同学习跨模式对齐和表型结构。根据英国生物银行视网膜成像数据对 AD 事件预测的评估，所提出的框架始终优于基于离散组的对比学习和标准视觉语言基线。通过将表型相似性视为可学习的连续信号而不是固定的分组规则，我们的方法为根据多模态视网膜和临床数据进行人群规模神经退行性风险建模提供了原则性和坚实的基础。