REVEAL++：用可微分表型分组提升视网膜影像对阿尔茨海默病的风险预测

视网膜影像为非侵入性神经退行性疾病研究提供了重要窗口，能够捕捉与未来认知衰退风险相关的细微结构模式。现有REVEAL等视觉-语言对齐框架已证明，将视网膜眼底图像与结构化临床风险描述配对可改善阿尔茨海默病（AD）的早期预测。这些方法的关键设计是采用表型分组，在对比学习中将具有相似风险特征的个体视为多正样本对。然而，现有方法将表型相似性操作化为离散构造，依赖于硬分组分配，这种刚性监督使分组形成与表示学习脱节。

新提出的REVEAL++框架在对比学习中引入了表型结构的连续表述。该方法不再将样本分配给固定聚类，而是将个体间相似性建模为可微分加权函数，该函数源自视网膜图像和风险特征在单模态内的嵌入相似性。这些权重通过连续聚合算子定义软多正样本关系，实现反映疾病风险谱系性质的分级监督。研究进一步提出软目标对比目标，以端到端方式联合学习跨模态对齐和表型结构。

在英国生物银行视网膜影像数据上进行的事件性AD预测评估显示，该框架持续优于基于离散分组的对比学习和标准视觉-语言基线方法。通过将表型相似性视为可学习的连续信号而非固定分组规则，该方法为基于多模态视网膜和临床数据的人群规模神经退行性风险建模提供了原则性且稳健的基础。