REVEAL：视网膜形态测量的多模态视觉语言对齐以及 AD 和痴呆症预测的临床风险

视网膜为了解阿尔茨海默病 (AD) 和痴呆症提供了一个独特的、非侵入性的窗口，通过形态测量特征捕获早期结构变化，而全身和生活方式风险因素则反映了早在临床症状出现之前就已确定的疾病易感性因素。然而，当前的视网膜分析框架通常分别对成像和风险因素进行建模，限制了它们捕获对早期风险预测至关重要的联合多模态模式的能力。此外，现有的方法很少结合组织或调整具有相似视网膜和临床特征的患者的机制，限制了连贯的跨模式关联的学习。为了解决这些局限性，我们引入了 REVEAL（视网膜风险视觉语言早期阿尔茨海默氏症学习），这是一个框架，可将彩色眼底照片与个体化疾病特定风险概况相结合，以预测 AD 和痴呆症的发病时间，平均在诊断前 8 年（范围：1-11 年）。由于现实世界的风险因素是结构化的问卷数据，我们将它们转化为与预先训练的视觉语言模型（VLM）兼容的临床可解释的叙述。我们进一步提出了一种群体感知对比学习（GACL）策略，将具有相似视网膜形态测量和危险因素的患者聚类为正对，从而加强多模式对齐。这种统一的表示学习框架大大优于与临床文本编码器以及通用 VLM 配对的最先进的视网膜成像模型，证明了联合建模视网膜生物标志物和临床风险因素的价值。通过为早期阿尔茨海默病和痴呆症风险分层提供一种通用的、非侵入性的方法，REVEAL 有潜力实现早期干预并改善人群层面的预防护理。