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

Technische Samenvatting: REVEAL++

Probleemstelling
De ziekte van Alzheimer (AD) omvat een lange preklinische fase waarin pathologische veranderingen zich ophopen voordat klinische symptomen verschijnen. Hoewel het retina (netvlies) een niet-invasief venster biedt op neurodegeneratief risico, vertrouwen bestaande Vision–Language (V-L) modelleringsbenaderingen, zoals het REVEAL-framework, op Group-Aware Contrastive Learning (GACL) om voorspelling te verbeteren. Een kritieke beperking van huidige GACL-methoden is hun afhankelijkheid van discrete fenotypische groepering. Deze benaderingen wijzen individuen toe aan vaste clusters op basis van harde gelijkenis-drempelwaarden, waarbij subjecten binnen een groep worden behandeld als multi-positieve paren. Dit ontwerp legt rigide supervisie op en ontkoppelt de groepsvorming van de representatieleer. Biologisch gezien evolueert het neurodegeneratieve risico echter langs continue, overlappende trajecten die gevormd worden door heterogene factoren. Harde groepstoewijzingen creëren kunstmatige grenzen die er niet in slagen de gegradeerde, spectrum-achtige aard van ziektekwetsbaarheid te weerspiegelen en voorkomen dat het groeperingsmechanisme tijdens de training wordt aangepast.

Methodologie: REVEAL++
De auteurs stellen REVEAL++ voor, een framework dat discrete groepering vervangt door een mechanisme van differentieerbare fenotypische weging binnen een multi-modale contrastieve leeropstelling. De architectuur bestaat uit de volgende componenten:

1. Multi-Modale Encoders:

   • Beeld-encoder: Maakt gebruik van RETFound om retinale fundusbeelden te verwerken.
   • Tekst-encoder: Maakt gebruik van GatorTron om gestructureerde klinische risiconarratieven te verwerken.
   • Generatie van klinische rapporten: Gestructureerde vragenlijstgegevens (demografie, levensstijl, cognitieve variabelen) uit de UK Biobank worden via LLaMA-3.1 omgezet in synthetische klinische narratieven. Dit zorgt voor compatibiliteit met vooraf getrainde tekstencoders terwijl de numerieke getrouwheid behouden blijft door tabelgegevens direct naar sjabloonvelden te mappen zonder imputatie.
   • Projectie: Beide modaliteiten worden geprojecteerd in een gedeelde latente ruimte ($d=1024$) en $\ell_2$-genormaliseerd.

2. Differentieerbare Fenotypische Weging:
   In plaats van harde clustering berekent het model intra-modale gelijkenismatrices ($S_{ii}$ voor beelden, $S_{tt}$ voor tekst) met behulp van cosinusgelijkenis tussen genormaliseerde embeddings.

   • Deze gelijkenissen worden getransformeerd naar zachte lidmaatschaps-signalen met behulp van een sigmoid gating-functie met leerbare drempelwaarden ($\tau$) en scherpteparameters ($g$).
   • De beeld- en tekstsignalen worden gecombineerd via een differentieerbare probabilistische unie-operator om een continue fenotypische wegingsscore $W_{pq} \in [0, 1]$ te produceren voor elk paar subjecten $(p, q)$.
   • $W_{pq}$ vertegenwoordigt de mate van fenotypische uitlijning, wat dient als een zacht doel (soft target) in plaats van een binaire label.

3. Soft-Target Contrastieve Objectief:
   Het framework optimaliseert een soft-target multi-positive contrastieve loss. De verliesfunctie incorporeert $W_{pq}$ om de supervisiekracht te moduleren:

   • Wanneer $W_{pq} \to 1$, wordt het paar behandeld als een sterke positieve match.
   • Wanneer $W_{pq} \to 0$, wordt het paar behandeld als een negatief.
   • Tussenliggende waarden maken gegradeerde supervisie mogelijk, waardoor het model cross-modale uitlijning en fenotypische structuur gezamenlijk en end-to-end kan leren.

Belangrijkste Bijdragen

1. Differentieerbare Fenotypische Weging: Het artikel introduceert een continue formulering van fenotypische structuur, waarbij harde drempelwaarde-gebaseerde groepering wordt vervangen door gelijkenisgewichten die direct afgeleid zijn van retinale en klinische embeddings. Dit maakt vloeiende, op data gebaseerde cohortmodellering mogelijk.
2. Soft Multi-Positive Contrastive Learning: Er wordt een nieuw objectief voorgesteld dat fenotypische gelijkenis incorporeert in cross-modale uitlijning, wat gegradeerde multi-positieve supervisie faciliteert in plaats van binaire paar-toewijzingen.
3. State-of-the-Art Prestaties: Het framework bereikt nieuwe state-of-the-art resultaten voor de voorspelling van incidentele ziekte van Alzheimer met behulp van UK Biobank retinale beeldvormingsgegevens, waarbij het bestaande V-L baselines en discrete groep-gebaseerde contrastieve methoden overtreft.

Experimentele Resultaten
Het framework werd geëvalueerd op de UK Biobank dataset (ca. 39k subjecten) voor het voorspellen van incidentele AD.

• Baselines: De studie vergeleek REVEAL++ met standaard SVM's, beeld-alleen foundation modellen (RETFound), algemene biomedische V-L modellen (BiomedCLIP, PMC-CLIP) en retinale-specifieke V-L modellen (RETCLIP, MM-Retinal). Het bevatte ook een REVEAL-baseline zonder Group-Aware Contrastive Learning (GACL) en de originele REVEAL met discrete GACL.
• Prestaties: REVEAL++ behaalde de hoogste prestaties over alle metrieken:
  • AUROC: 0.678 (vs. 0.658 voor REVEAL met discrete GACL en 0.642 voor RETFound+GatorTron).
  • Balanced Accuracy: 0.613.
  • F1-Score: 0.236.
  • MCC: 0.168.
• Analyse: De resultaten geven aan dat zachte, differentieerbare fenotypische uitlijning leidt tot meer coherente multi-modale representaties. Het model profiteert ervan dat subjecten met vergelijkbare risicoprofielen proportioneel kunnen bijdragen tijdens de training, in plaats van te vertrouwen op rigide groepstoewijzingen.

Betekenis en Claims
Het artikel claimt dat het behandelen van fenotypische gelijkenis als een leerbaar, continu signaal in plaats van een vaste groeperingsregel een principieel fundament biedt voor populatieschaal neurodegeneratieve risicomodellering. Door relaties te modelleren als een differentieerbaar, aandacht-achtig proces, vangt REVEAL++ de continue en heterogene biologische variabiliteit die ten grondslag ligt aan het AD-risico nauwkeuriger op dan discrete methoden. De auteurs stellen dat deze benadering de pathofysiologie van preklinische AD beter reflecteert, waarbij risico geleidelijk accumuleert en heterogeen manifesteert, waardoor het model intermediaire fenotypische staten kan representeren die overeenkomen met vroege pathologische veranderingen. Dit biedt een robuuste strategie voor het modelleren van gestructureerde variabiliteit in multi-modale biomedische gegevens, met potentiële toepassingen in de voorspelling van chronische ziekterisico's en precisiegeneeskunde.