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

• arxiv url: http://arxiv.org/abs/2606.19522v1
• Date: Wed, 17 Jun 2026 19:09:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.495852
• Title: REVEAL++: Differentiable Phenotypic Grouping for Vision-Language Retinal Modeling of Alzheimer's Disease Risk
• Title（参考訳）: REVEAL++ : アルツハイマー病リスクの視覚領域網膜モデルのための識別可能なフェノタイプグルーピング
• Abstract要約: 視覚言語アライメントの枠組みは、網膜基底像と構造化された臨床リスク物語とのペアリングがアルツハイマー病(AD)の早期予測を改善することを示した。 これらのアプローチにおける主要な設計選択は、表現型グルーピングの使用である。 コントラスト学習における表現型構造の連続的な定式化を提案する。
• 参考スコア（独自算出の注目度）: 0.5786452383826203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The retina offers a noninvasive window into neurodegenerative disease, capturing subtle structural patterns associated with a risk of future cognitive decline. Vision-language alignment frameworks such as REVEAL have shown that pairing retinal fundus images with structured clinical risk narratives improves early prediction of Alzheimer's disease (AD). A key design choice in these approaches is the use of phenotypic grouping, where individuals with similar risk profiles are treated as multi-positive pairs during contrastive learning. However, existing methods operationalize phenotypic similarity as a discrete construct, relying on hard group assignments that impose rigid supervision and decouple group formation from representation learning. We propose a continuous formulation of phenotypic structure within contrastive learning. Rather than assigning samples to fixed clusters, we model inter-subject similarity as a differentiable weighting function derived from intra-modality embedding similarities in both retinal images and risk profiles. These weights define soft multi-positive relationships through a continuous aggregation operator, enabling graded supervision that reflects the spectrum nature of disease risk. We further introduce a soft-target contrastive objective that jointly learns cross-modal alignment and phenotypic structure in an end-to-end manner. Evaluated on UK Biobank retinal imaging data for incident AD prediction, the proposed framework consistently outperforms discrete group-based contrastive learning and standard vision-language baselines. By treating phenotypic similarity as a learnable, continuous signal rather than a fixed grouping rule, our approach provides a principled and robust foundation for population-scale neurodegenerative risk modeling from multi-modal retinal and clinical data.
• Abstract（参考訳）: 網膜は神経変性疾患への非侵襲的な窓を提供し、将来の認知低下のリスクに関連する微妙な構造パターンを捉えている。 REVEALなどの視覚言語アライメントフレームワークは、網膜基底画像と構造化された臨床リスク物語とのペアリングがアルツハイマー病(AD)の早期予測を改善することを示した。 これらの手法の鍵となる設計選択は表現型グループ化であり、類似のリスクプロファイルを持つ個人は、対照的な学習において多陽性のペアとして扱われる。 しかし、既存の手法では、表現型類似性を離散的な構成として運用しており、厳格な監督を強制し、表現学習からグループ形成を分離するハードグループ割り当てに依存している。 コントラスト学習における表現型構造の連続的な定式化を提案する。 固定されたクラスタにサンプルを割り当てるのではなく、網膜画像とリスクプロファイルの両方に類似性を埋め込んだモダリティ内埋め込みから導かれる微分可能な重み付け関数として、オブジェクト間の類似性をモデル化する。 これらの重みは、連続的な集約演算子を通じてソフトな多陽性関係を定義し、病気リスクのスペクトルの性質を反映した段階的な監督を可能にする。 さらに,本論文では,モーダルアライメントと表現型構造をエンドツーエンドで共同で学習する,ソフトターゲットのコントラスト目標について紹介する。 インシデントAD予測のための英国のバイオバンク網膜画像データに基づいて、提案フレームワークは、離散的なグループベースのコントラスト学習と標準視覚言語ベースラインを一貫して上回っている。 表現型類似性を固定グルーピング規則ではなく、学習可能な連続的な信号として扱うことにより、我々は、マルチモーダル網膜および臨床データから、集団規模の神経変性リスクモデリングの原則的かつ堅牢な基礎を提供する。

関連論文リスト

• PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
  そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。 PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
  論文  参考訳（メタデータ） (2026-06-01T01:43:48Z)
• Multi-View Synergistic Learning with Vision-Language Adaption for Low-Resource Biomedical Image Classification [59.24009931000134]
  MVSL(Multi-View Synergistic Learning)は、適応パラダイム、表現の粒度、疾患の意味的関係に対処する統合フレームワークである。 MVSLは、視覚的およびテキスト的エンコーダの適応を分離し、それぞれの表現特性を尊重する。 さらに、グローバルなイメージセマンティクスと局所的な病変レベルの証拠の両方を明示的にモデル化するために、多粒性コントラスト学習を導入する。 MVSLは、いくつかのショットとゼロショットの分類設定において、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-04-27T02:41:27Z)
• REVEAL: Multimodal Vision-Language Alignment of Retinal Morphometry and Clinical Risks for Incident AD and Dementia Prediction [16.940822294857757]
  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。
  論文  参考訳（メタデータ） (2026-04-20T19:01:54Z)
• Do Pathology Foundation Models Encode Disease Progression? A Pseudotime Analysis of Visual Representations [0.0]
  視覚基礎モデルは、独立した静的観測から連続的なプロセスを表現することを暗黙的に学習できることを示します。 このフレームワークは、静的スナップショットを通じて継続的プロセスが観察される他のドメインに適用できる。
  論文  参考訳（メタデータ） (2026-01-29T06:50:43Z)
• 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)
• Multi-Agent Reasoning for Cardiovascular Imaging Phenotype Analysis [23.774887558530565]
  心のためのマルチエージェント探索シナジー(MESHAgents)について紹介する 私たちは、自発的に洞察を生成し、収束する、AIエージェントの複数の学際的なチームを編成します。 本研究は, 心臓および大動脈の表現型を画像化するための人口ベース研究を通じて, システムの能力を実証する。
  論文  参考訳（メタデータ） (2025-07-04T10:30:32Z)
• Tables Guide Vision: Learning to See the Heart through Tabular Data [0.43748379918040853]
  コンピュータビジョンの手法は、通常、ペア化されたモダリティを整列する同じイメージまたはマルチモーダル事前訓練戦略の拡張ビューに依存する。 これは、心疾患のリスクや患者の予後を評価する上で、人口統計学的および臨床的属性が重要な役割を果たす、心臓医学のような医療画像領域において特に重要である。
  論文  参考訳（メタデータ） (2025-03-19T08:49:55Z)
• Bridging Generative and Discriminative Models for Unified Visual Perception with Diffusion Priors [56.82596340418697]
  本稿では,豊富な生成前駆体を含む事前学習型安定拡散(SD)モデルと,階層的表現を統合可能な統一型ヘッド(Uヘッド)と,識別前駆体を提供する適応型専門家からなる,シンプルで効果的なフレームワークを提案する。 包括的調査では、異なる時間ステップで潜伏変数に隠された知覚の粒度や様々なU-netステージなど、バーマスの潜在的な特性が明らかになった。 有望な結果は,有望な学習者としての拡散モデルの可能性を示し,情報的かつ堅牢な視覚表現の確立にその意義を定めている。
  論文  参考訳（メタデータ） (2024-01-29T10:36:57Z)
• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [59.062085785106234]
  本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)

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。