최근 발표된 REVEAL++ 연구는 망막 이미지와 임상 정보를 활용해 알츠하이머병(AD) 발병 위험을 예측하는 새로운 비전-언어(vision-language) 모델링 프레임워크를 제안했습니다. 이 연구는 망막이 신경퇴행성 질환을 비침습적으로 관찰할 수 있는 창구 역할을 한다는 점에 주목하며, 미묘한 구조적 패턴을 통해 미래 인지 저하 위험을 포착할 수 있음을 보여줍니다.
기존 REVEAL과 같은 접근 방식은 망막 안저 이미지와 구조화된 임상 위험 내러티브를 짝지어 AD 초기 예측을 개선해왔습니다. 특히, 유사한 위험 프로필을 가진 개인들을 '표현형 그룹(phenotypic grouping)'으로 묶어 대조 학습(contrastive learning) 시 다중 긍정 쌍(multi-positive pairs)으로 처리하는 것이 핵심이었습니다. 하지만 기존 방법들은 표현형 유사성을 이산적인 개념으로 취급하여 고정된 그룹 할당에 의존했고, 이는 그룹 형성과 표현 학습을 분리시키는 한계를 가졌습니다. REVEAL++는 이러한 한계를 극복하기 위해 표현형 구조를 연속적인 방식으로 모델링합니다. 즉, 샘플을 고정된 클러스터에 할당하는 대신, 망막 이미지와 위험 프로필 모두에서 도출된 임베딩(embedding) 유사성을 기반으로 미분 가능한 가중치 함수를 통해 피험자 간 유사성을 정의합니다. 이 가중치는 연속적인 집계 연산자(aggregation operator)를 통해 부드러운 다중 긍정 관계를 정의하며, 질병 위험의 스펙트럼적 특성을 반영하는 점진적인 감독(graded supervision)을 가능하게 합니다. 또한, 교차 모달 정렬(cross-modal alignment)과 표현형 구조를 종단 간(end-to-end) 방식으로 공동 학습하는 소프트 타겟 대조 목적 함수(soft-target contrastive objective)를 도입했습니다.
영국 바이오뱅크(UK Biobank)의 망막 영상 데이터를 활용한 AD 발병 예측 평가에서, REVEAL++는 이산적인 그룹 기반 대조 학습 및 표준 비전-언어 기준선보다 일관되게 우수한 성능을 보였습니다. 이는 표현형 유사성을 고정된 그룹 규칙이 아닌 학습 가능한 연속적인 신호로 취급함으로써, 다중 모달(multi-modal) 망막 및 임상 데이터를 활용한 인구 규모의 신경퇴행성 위험 모델링에 있어 더욱 원칙적이고 강력한 기반을 제공한다는 점에서 중요합니다. 궁극적으로 이 기술은 알츠하이머병과 같은 신경퇴행성 질환의 조기 발견 및 예방 전략 개발에 기여할 수 있을 것으로 기대됩니다.