REVEAL：網膜の形態計測と臨床リスクをマルチモーダルに整合させ、初期のADおよび認知症発症を予測する研究

要旨: 網膜は、アルツハイマー病（AD）および認知症に対する独自で非侵襲的な窓を提供します。形態計測的特徴を通じて、臨床症状の出現よりかなり前の段階における初期の構造変化を捉える一方で、全身的およびライフスタイルのリスク因子は、疾患の罹患しやすさに寄与する確立された要因をよく反映しています。しかし、現在の網膜解析の枠組みでは、画像とリスク因子を別々にモデル化することが一般的であり、初期のリスク予測に不可欠な、両者の結合によるマルチモーダルなパターンを捉える能力が制限されています。さらに、既存手法の多くは、類似した網膜および臨床的特性を持つ患者を整理または整列させるための仕組みを取り入れていないため、首尾一貫したクロスモーダルな関連性の学習が妨げられています。これらの制約に対処するために、我々はREVEAL（REtinal-risk Vision-Language Early Alzheimer's Learning）という枠組みを提案します。これは、眼底カラーフォトグラフを、個別化された疾患固有のリスクプロファイルに整合させ、発症時（ADおよび認知症の発症）を平均8年前に予測します（範囲: 1-11年）。実世界のリスク因子が質問票データとして構造化されているため、これらを事前学習済みの視覚言語モデル（VLM）と互換性のある、臨床的に解釈可能なナラティブ（記述）へと変換します。さらに、グループ対応型コントラスト学習（GACL）戦略を提案し、類似した網膜形態計測とリスク因子を持つ患者をポジティブペアとしてクラスタリングすることで、マルチモーダルな整合を強化します。この統合表現学習の枠組みは、臨床テキストエンコーダと組み合わせた最先端の網膜画像モデルや、汎用的なVLMを大きく上回り、網膜バイオマーカーと臨床リスク因子を共同でモデル化する価値を示しています。REVEALは、ADおよび認知症の早期リスク層別化に向けた、一般化可能で非侵襲的なアプローチを提供することで、集団レベルでより早い介入を可能にし、予防医療の質を向上させる可能性があります。