精选今天0 投票
REVEAL++：可微分表型分组助力视觉-语言视网膜建模预测阿尔茨海默病风险
阿尔茨海默病（AD）的早期诊断一直是医学AI领域的核心挑战。最新研究 REVEAL++ 通过将视网膜图像与临床风险叙述进行视觉-语言对齐，提出了一种可微分表型分组方法，显著提升了 AD 风险预测的准确性。该论文已被 MICCAI 2026 接收。
背景：视网膜——神经退行性疾病的窗口
视网膜作为中枢神经系统的延伸，为无创观察神经退行性病变提供了独特视角。结构变化如视网膜神经纤维层变薄、血管异常等，与未来认知衰退风险存在关联。先前的 REVEAL 框架已经证明，将视网膜眼底图像与结构化临床风险叙述配对，通过视觉-语言对齐能改善 AD 早期预测。
问题：离散表型分组的局限性
在 REVEAL 等框架中，一个关键设计是表型分组——将具有相似风险特征的个体在对比学习中视为“正样本对”。然而，现有方法将表型相似性视为离散概念：通过硬聚类将样本分配到固定组别，这导致两个问题：
- 刚性监督：分组规则固定，无法反映疾病风险的连续光谱特性。
- 解耦学习：分组过程与表示学习分离，无法相互优化。
REVEAL++ 的创新：连续软分组
REVEAL++ 提出了一种连续表型结构的对比学习框架。核心创新包括：
- 可微分权重函数：不再将样本分配给固定簇，而是通过视网膜图像和风险叙述各自的嵌入相似性，计算样本间的连续相似度权重。
- 软多正样本关系：利用连续聚合算子定义软性正样本关系，实现梯度化的监督信号，反映疾病风险的渐变特性。
- 端到端软目标对比学习：联合优化跨模态对齐和表型结构学习，使分组过程与表示学习相互促进。
实验与结果
在 UK Biobank 视网膜影像数据上，针对 AD 事件（incident AD）预测任务，REVEAL++ 一致优于离散分组对比学习方法和标准视觉-语言基线。结果表明，将表型相似性作为可学习的连续信号，而非固定规则，为大规模多模态神经退行性疾病风险建模提供了更稳健的范式。
意义与展望
REVEAL++ 的价值不仅在于性能提升，更在于方法论上的转变——从“离散分组”走向“连续建模”，更贴合疾病风险的生物学本质。未来，该方法可扩展至其他神经退行性疾病（如帕金森病），并整合更多模态数据（如 OCT、OCTA），进一步推动眼科影像在神经疾病筛查中的应用。