論文の概要: REVEAL: Multimodal Vision-Language Alignment of Retinal Morphometry and Clinical Risks for Incident AD and Dementia Prediction

• arxiv url: http://arxiv.org/abs/2604.18757v1
• Date: Mon, 20 Apr 2026 19:01:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.442368
• Title: REVEAL: Multimodal Vision-Language Alignment of Retinal Morphometry and Clinical Risks for Incident AD and Dementia Prediction
• Title（参考訳）: REVEAL:網膜形態計測のマルチモーダル・ビジョン・ランゲージアライメントとインシデントADと認知症予測の臨床的リスク
• Authors: Seowung Leem, Lin Gu, Chenyu You, Kuang Gong, Ruogu Fang,
• Abstract要約: 網膜はアルツハイマー病(AD)と認知症に独特の非侵襲的な窓を提供する。 現在の網膜分析フレームワークは、イメージングとリスクファクターを別々にモデル化している。 本稿では,カラーファンドス写真と個別の疾患特異的リスクプロファイルを一致させるフレームワークであるREVEALを紹介する。
• 参考スコア（独自算出の注目度）: 16.940822294857757
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The retina provides a unique, noninvasive window into Alzheimer's disease (AD) and dementia, capturing early structural changes through morphometric features, while systemic and lifestyle risk factors reflect well-established contributors to disease susceptibility long before clinical symptom onset. However, current retinal analysis frameworks typically model imaging and risk factors separately, limiting their ability to capture joint multimodal patterns critical for early risk prediction. Moreover, existing methods rarely incorporate mechanisms to organize or align patients with similar retinal and clinical characteristics, constraining the learning of coherent cross-modal associations. To address these limitations, we introduce REVEAL (REtinal-risk Vision-Language Early Alzheimer's Learning), a framework that aligns color fundus photographs with individualized disease-specific risk profiles for predicting incident AD and dementia, on average 8 years before diagnosis (range: 1-11 years). Because real-world risk factors are structured questionnaire data, we translate them into clinically interpretable narratives compatible with pretrained vision-language models (VLMs). We further propose a group-aware contrastive learning (GACL) strategy that clusters patients with similar retinal morphometry and risk factors as positive pairs, strengthening multimodal alignment. This unified representation learning framework substantially outperforms state-of-the-art retinal imaging models paired with clinical text encoders, as well as general-purpose VLMs, demonstrating the value of jointly modeling retinal biomarkers and clinical risk factors. By providing a generalizable and noninvasive approach for early AD and dementia risk stratification, REVEAL has the potential to enable earlier intervention and improve preventive care at the population level.
• Abstract（参考訳）: 網膜は、アルツハイマー病(AD)と認知症に固有の非侵襲的な窓を提供し、形態学的特徴によって初期の構造変化を捉え、一方、全身的および生活習慣的リスク因子は、臨床症状の発症よりずっと前に、疾患の感受性に対する確立された寄与を反映している。 しかし、現在の網膜分析フレームワークは通常、画像とリスクファクターを別々にモデル化し、早期のリスク予測に不可欠な共同マルチモーダルパターンをキャプチャする能力を制限している。 さらに、既存の方法では、類似した網膜および臨床特性を持つ患者を組織化または整列させるメカニズムが組み込まれ、コヒーレントなクロスモーダルな関連の学習が制限されることは滅多にない。 これらの制約に対処するため、平均8年間(約1～11年)に、カラー・ファンドス写真と個別の疾患特異的リスクプロファイルを一致させるREVEAL(Retinal-risk Vision-Language Early Alzheimer's Learning)を導入する。 実世界のリスク要因は, アンケートデータとして構造化されているため, 事前学習された視覚言語モデル(VLM)と互換性のある臨床解釈可能な物語へと変換する。 さらに、同様の網膜形態計測とリスクファクターを正のペアとしてクラスタリングし、マルチモーダルアライメントを強化するグループ認識コントラスト学習(GACL)戦略を提案する。 この統合表現学習フレームワークは、臨床用テキストエンコーダと組み合わせた最先端の網膜イメージングモデルおよび汎用VLMを大幅に上回り、網膜バイオマーカーと臨床リスクファクタを共同でモデル化する価値を示す。 早期ADと認知症リスク階層化のための汎用的で非侵襲的なアプローチを提供することにより、REVEALは早期介入を可能にし、人口レベルでの予防ケアを改善する可能性を秘めている。

関連論文リスト

• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• CLEAR-Mamba:Towards Accurate, Adaptive and Trustworthy Multi-Sequence Ophthalmic Angiography Classification [18.95392587947337]
  医用画像分類はコンピュータ支援診断(CAD)のコアタスクである 眼科領域ではFlurecein fundus angiography (FFA) とIndocyanine green angiography (ICGA) が血行動態および病変・構造情報を提供する。 我々は,MedMamba上に構築された拡張フレームワークであるCLEAR-Mambaを提案する。
  論文  参考訳（メタデータ） (2026-01-28T13:40:10Z)
• R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
  アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。 本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。 R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-22T02:54:10Z)
• MRI Embeddings Complement Clinical Predictors for Cognitive Decline Modeling in Alzheimer's Disease Cohorts [0.7340017786387767]
  アルツハイマー病の認知低下の正確なモデリングは、早期成層化とパーソナライズドマネジメントに不可欠である。 認知変化の異質なパターンを捉えるために,ダイナミック・タイム・ウォーピング・クラスタリングに基づくトラジェクトリ・アウェア・ラベリング・ストラテジーを導入する。 3次元視覚変換器 (ViT) を非教師的再構成により訓練し, 解剖学的に保存された埋め込みを得る。
  論文  参考訳（メタデータ） (2025-11-18T15:45:01Z)
• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• TACCO: Task-guided Co-clustering of Clinical Concepts and Patient Visits for Disease Subtyping based on EHR Data [42.96821770394798]
  TACCOは、EMHデータのハイパーグラフモデリングに基づいて、臨床概念と患者訪問のクラスターを共同で発見する新しいフレームワークである。 我々は,表現型分類と心血管リスク予測の下流臨床課題に対して,公共MIMIC-IIIデータセットとエモリー内部CRADLEデータセットを用いて実験を行った。 深層モデル解析,クラスタリング結果解析,臨床ケーススタディは,TACCOが提供した改良されたユーティリティと洞察に富んだ解釈をさらに検証する。
  論文  参考訳（メタデータ） (2024-06-14T14:18:38Z)
• Multimodal Neurodegenerative Disease Subtyping Explained by ChatGPT [15.942849233189664]
  アルツハイマー病は最も多い神経変性疾患である。 現在のデータ駆動型アプローチでは、ADまたは関連する障害の後期段階でサブタイプを分類することができるが、無症状またはプロドロマル段階の予測では困難である。 本稿では,AD患者を早期にサブタイプに分類するために,画像,遺伝学,臨床評価などの早期指標を用いたマルチモーダルフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-31T19:30:04Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。