REVEAL++: 알츠하이머병 위험성에 대한 시각-언어 망막 모델링을 위한 유연한 유기체 그룹화

retina를 통해 뇌 질환의 비침습적 관찰 창을 열 수 있으며, 미세한 구조 패턴을 통해 미래의 cognitive 하락 위험이 있는 사람을 식별할 수 있다. REVEAL과 같은 vision-language alignment 프레임워크는 retinal fundus 이미지를 구조화된 clinical risk narratives와 Pairing하여 Alzheimer's disease (AD) 예측을 향상시켰다. 이러한 접근법의 주요 설계 선택은 phenotypic grouping을 사용하는 것이다. 이는 비슷한 risk profile을 가진 사람들을 multi-positive pairs로 처리하여 contrastive learning을 수행한다. 그러나 이러한 existing method들은 phenotypic similarity를 discrete construct로 operationalize 하며, hard group assignment을 사용하여 rigid supervision을 적용하고 group formation을 representation learning에서 분리한다. 우리는 contrastive learning에서 phenotypic structure를 continuous formulation으로 제안한다. 샘플을 fixed clusters로 assignment하는 대신, 우리는 intra-modality embedding similarities를 바탕으로 retinal images와 risk profiles에서 inter-subject similarity를 modeling한다. 이러한 weighs는 continuous aggregation operator를 통해 soft multi-positive relationships를 정의하며, disease risk의 spectrum nature를 반영하는 graded supervision을 허용한다. 또한 우리는 end-to-end manner에서 cross-modal alignment과 phenotypic structure를 jointly learning하는 soft-target contrastive objective를 introduce한다. UK Biobank retinal imaging data에서 incident AD prediction 평가 결과, 제안된 framework는 discrete group-based contrastive learning과 standard vision-language baselines보다 consistently outperform한다. phenotypic similarity를 learnable, continuous signal로 대신하여 fixed grouping rule로 처리하는 대신, 우리의 접근법은 multi-modal retinal과 clinical data에서 population-scale neurodegenerative risk modeling을 위한 principled 및 robust foundation을 제공한다.