视网膜为探索神经退行性疾病提供了一个无创的窗口，能够捕捉到与未来认知衰退风险相关的细微结构模式。REVEAL 等视觉-语言对齐框架已经证明，将视网膜眼底图像与结构化的临床风险叙述配对，可以改善阿尔茨海默病（AD）的早期预测。这类方法的一个关键设计选择是使用表型分组，即在对比学习过程中将风险特征相似的个体视为多重正样本对。然而，现有方法将表型相似性作为离散构造来操作，依赖于硬性分组分配，从而施加了僵化的监督，并使分组形成与表示学习相互脱节。
针对这一问题，论文提出了在对比学习框架内对表型结构的连续化建模。该方法不再将样本分配到固定簇中，而是将受试者之间的相似性建模为可微的加权函数，该函数由视网膜图像和风险档案两个模态内部的嵌入相似性推导而来。这些权重通过一个连续聚合算子定义软性多重正样本关系，从而实现分级监督，以反映疾病风险的谱系性质。研究团队进一步引入软目标对比目标函数，以端到端的方式联合学习跨模态对齐与表型结构。
在 UK Biobank 视网膜影像数据上针对新发 AD 预测进行的评估中，所提出的框架始终优于基于离散分组的对比学习以及标准的视觉-语言基线。通过将表型相似性视为可学习的连续信号而非固定的分组规则，该方法为基于多模态视网膜与临床数据的大规模人群神经退行性疾病风险建模提供了有原则且稳健的基础。
该论文题为 REVEAL++: Differentiable Phenotypic Grouping for Vision-Language Retinal Modeling of Alzheimer's Disease Risk，由 Ethan Elio Meidinger 等四位作者完成，提交于 2026 年 6 月 17 日，并已被 MICCAI 2026 接收发表。论文属于人工智能（cs.AI）领域，arXiv 编号为 2606.19522，DOI 为 10.48550/arXiv.2606.19522，提交版本大小为 1,680 KB。这一工作将表型分组从硬性离散规则转变为可微、连续的监督信号，为视网膜影像与临床风险叙述的联合建模提供了新的思路。