網膜は神経変性疾患への非侵襲的な窓を提供し、将来の認知機能低下リスクに関連する微妙な構造パターンを捉えることができる。REVEALのような視覚言語アラインメントフレームワークは、網膜眼底画像と構造化された臨床リスクナラティブをペアにすることで、アルツハイマー病（AD）の早期予測が改善されることを示してきた。これらのアプローチの重要な設計上の選択は表現型グルーピングの使用であり、類似したリスクプロファイルを持つ個人を対照学習中にマルチポジティブペアとして扱う。しかし、既存の方法は表現型類似性を離散的な構成要素として操作化し、硬いグループ割り当てに依存しているため、柔軟性に欠ける監督を課し、グループ形成を表現学習から切り離している。
この限界に対処するため、研究者らはREVEAL++を提案し、対照学習内で表現型構造の連続的な定式化を導入した。サンプルを固定クラスタに割り当てる代わりに、被験者間の類似性を、網膜画像とリスクプロファイルの両方のモダリティ内埋め込み類似性から導出される微分可能な重み付け関数としてモデル化する。これらの重みは連続集約演算子を通じてソフトなマルチポジティブ関係を定義し、疾患リスクのスペクトル的性質を反映した段階的監督を可能にする。さらに、ソフトターゲット対照目的関数を導入し、クロスモーダルアラインメントと表現型構造をエンドツーエンドで同時に学習する。
UKバイオバンクの網膜画像データを用いたインシデントAD予測の評価では、このフレームワークは離散グループベースの対照学習および標準的な視覚言語ベースラインを一貫して上回った。表現型類似性を固定されたグルーピングルールではなく学習可能な連続信号として扱うことで、このアプローチはマルチモーダルな網膜および臨床データからの集団規模の神経変性リスクモデリングに対して、原理的で堅牢な基盤を提供する。
本論文はMICCAI 2026に採択され、2026年6月17日に提出された。著者はEthan Elio Meidingerら4名である。論文は人工知能（cs.AI）分野に属し、arXiv番号は2606.19522である。