REVEAL++: Differentiable Phenotypic Grouping for Vision-Language Retinal Modeling of Alzheimer's Disease Risk

Resumen Técnico: REVEAL++

Planteamiento del Problema
La enfermedad de Alzheimer (EA) implica una larga fase preclínica donde los cambios patológicos se acumulan antes de que aparezcan los síntomas clínicos. Si bien la retina ofrece una ventana no invasiva hacia el riesgo neurodegenerativo, los enfoques actuales de modelado de Visión-Lenguaje (V-L), como el marco REVEAL, dependen del Aprendizaje Contrastivo Consciente de Grupos (GACL) para mejorar la predicción. Una limitación crítica de los métodos GACL actuales es su dependencia de la agrupación fenotípica discreta. Estos enfoques asignan individuos a clústeres fijos basados en umbrales de similitud rígidos, tratando a los sujetos dentro de un grupo como pares multi-positivos. Este diseño impone una supervisión rígida y desacopla la formación de grupos del aprendizaje de representaciones. Biológicamente, sin embargo, el riesgo neurodegenerativo evoluciona a lo largo de trayectorias continuas y superpuestas moldeadas por factores heterogéneos. Las asignaciones de grupos rígidas crean fronteras artificiales que no logran reflejar la naturaleza graduada y espectral de la vulnerabilidad a la enfermedad y evitan que el mecanismo de agrupación se adapte durante el entrenamiento.

Metodología: REVEAL++
Los autores proponen REVEAL++, un marco que reemplaza la agrupación discreta con un mecanismo de ponderación fenotípica diferenciable dentro de una configuración de aprendizaje contrastivo multimodal. La arquitectura consta de los siguientes componentes:

1. Codificadores Multimodales:

   • Codificador de Imágenes: Utiliza RETFound para procesar imágenes de fondo de retina.
   • Codificador de Texto: Utiliza GatorTron para procesar narrativas de riesgo clínico estructuradas.
   • Generación de Informes Clínicos: Los datos de cuestionarios estructurados (demografía, estilo de vida, variables cognitivas) del UK Biobank se convierten en narrativas clínicas sintéticas utilizando LLaMA-3.1. Esto asegura la compatibilidad con codificadores de texto preentrenados mientras mantiene la fidelidad numérica al mapear las entradas tabulares directamente a campos de plantillas sin imputación.
   • Proyección: Ambas modalidades se proyectan en un espacio latente compartido ($d=1024$) y se normalizan mediante $\ell_2$.

2. Ponderación Fenotípica Diferenciable:
   En lugar de un agrupamiento rígido (hard clustering), el modelo calcula matrices de similitud intra-modalidad ($S_{ii}$ para imágenes, $S_{tt}$ para texto) utilizando la similitud de coseno entre los embeddings normalizados.

   • Estas similitudes se transforman en señales de membresía suave mediante una función de puerta sigmoide con umbrales aprendibles ($\tau$) y parámetros de nitidez ($g$).
   • Las señales de imagen y texto se combinan mediante un operador de unión probabilístico diferenciable para producir una puntuación de ponderación fenotípica continua $W_{pq} \in [0, 1]$ para cada par de sujetos $(p, q)$.
   • $W_{pq}$ representa el grado de alineación fenotípica, sirviendo como un objetivo suave en lugar de una etiqueta binaria.

3. Objetivo Contrastivo de Objetivo Suave (Soft-Target):
   El marco optimiza una pérdida contrastiva de multi-positivos de objetivo suave. La función de pérdida incorpora $W_{pq}$ para modular la fuerza de la supervisión:

   • Cuando $W_{pq} \to 1$, el par es tratado como una coincidencia positiva fuerte.
   • Cuando $W_{pq} \to 0$, el par es tratado como un negativo.
   • Los valores intermedios permiten una supervisión graduada, permitiendo que el modelo aprenda la alineación cross-modal y la estructura fenotípica de manera conjunta y de extremo a extremo.

Contribuciones Clave

1. Ponderación Fenotípica Diferenciable: El artículo introduce una formulación continua de la estructura fenotípica, reemplazando la agrupación basada en umbrales rígidos por pesos de similitud derivados directamente de los embeddings retinianos y clínicos. Esto permite un modelado de cohortes fluido y basado en datos.
2. Aprendizaje Contrastivo de Multi-Positivos Suaves: Se propone un nuevo objetivo que incorpora la similitud fenotípica en la alineación cross-modal, facilitando una supervisión de multi-positivos graduada en lugar de asignaciones de pares binarios.
3. Rendimiento de Vanguardia (State-of-the-Art): El marco alcanza nuevos resultados de vanguardia para la predicción de la enfermedad de Alzheimer incidente utilizando datos de imágenes retinianas del UK Biobank, superando a las líneas base de V-L existentes y a los métodos contrastivos de agrupación discreta.

Resultados Experimentales
El marco fue evaluado en el conjunto de datos UK Biobank (aprox. 39k sujetos) para predecir la EA incidente.

• Líneas Base (Baselines): El estudio comparó REVEAL++ contra SVM estándar, modelos fundacionales de solo imagen (RETFound), modelos V-L biomédicos generales (BiomedCLIP, PMC-CLIP) y modelos de retina específicos (RETCLIP, MM-Retinal). También incluyó un modelo REVEAL base sin Aprendizaje Contrastivo Consciente de Grupos (GACL) y el REVEAL original con GACL discreto.
• Rendimiento: REVEAL++ logró el mayor rendimiento en todas las métricas:
  • AUROC: 0.678 (frente a 0.658 para REVEAL con GACL discreto y 0.642 para RETFound+GatorTron).
  • Exactitud Balanceada (Balanced Accuracy): 0.613.
  • F1-Score: 0.236.
  • MCC: 0.168.
• Análisis: Los resultados indican que la alineación fenotípica suave y diferenciable conduce a representaciones multimodales más coherentes. El modelo se beneficia al permitir que los sujetos con perfiles de riesgo similares contribuyan proporcionalmente durante el entrenamiento, en lugar de depender de asignaciones de grupos rígidas.

Significado y Reivindicaciones
El artículo sostiene que tratar la similitud fenotípica como una señal continua y aprendible, en lugar de una regla de agrupación fija, proporciona una base fundamentada para el modelado del riesgo neurodegenerativo a escala poblacional. Al modelar las relaciones como un proceso diferenciable similar a la atención, REVEAL++ captura la variabilidad biológica continua y heterogénea que subyace al riesgo de la EA de manera más fiel que los métodos discretos. Los autores argumentan que este enfoque refleja mejor la fisiopatología de la EA preclínica, donde el riesgo se acumula gradualmente y se manifiesta de forma heterogénea, permitiendo al modelo representar estados fenotípicos intermedios que corresponden a cambios patológicos tempranos. Esto ofrece una estrategia robusta para modelar la variabilidad estructurada en datos biomédicos multimodales, con aplicaciones potenciales en la predicción del riesgo de enfermedades crónicas y la medicina de precisión.