REVEAL++：用于阿尔茨海默病风险视网膜建模的可微分表型分组

阿尔茨海默病（Alzheimer's disease, AD）的早期预测是神经科学和人工智能交叉领域的重要挑战。视网膜作为中枢神经系统的延伸，能够以非侵入方式捕获与未来认知衰退相关的细微结构变化，这为大规模人群筛查提供了独特机会。基于视觉-语言对齐的REVEAL框架已经证实，将视网膜眼底图像与临床风险叙述相结合可以提升AD的早期预测性能。其中，表型分组是一种关键策略：在对比学习过程中，具有相似风险特征的个体被视作多正例对，以强化风险相关的表示学习。然而，现有方法将表型相似性简化为离散的类别划分，采用硬分组分配，这不仅导致监督信号过于刚性，还使得分组形成过程与表示学习相互脱离，限制了模型对疾病连续谱系的刻画能力。本文提出的REVEAL++旨在从根本上解决这一问题。REVEAL++引入了一种连续的表型结构建模方式，不再依赖固定的聚类分配，而是通过可微分加权函数来衡量样本之间的表型相似性。该加权函数基于视网膜图像和风险叙述各自的模态内嵌入相似性计算得出，并通过连续聚合算子定义软多正例关系。这种设计使得对比学习能够利用分级监督信号，更好地反映阿尔茨海默病风险从低到高的光谱特性。此外，REVEAL++还提出了一个软目标对比学习目标函数，将跨模态对齐和表型结构学习整合到一个端到端的框架中。在UK Biobank的大型视网膜成像数据集上，针对新发AD的预测任务，REVEAL++在多个评价指标上均优于基于离散分组的对比学习方法和标准视觉-语言基线。这一成果表明，将表型相似性视为可学习的连续信号而非固定分组规则，能够为从多模态视网膜和临床数据中构建人群规模的神经退行性风险模型提供更稳健和原理性的基础。该论文已被医学图像计算与计算机辅助介入国际会议MICCAI 2026接收，将于2026年发表。