Zespół badawczy rozszerzył framework REVEAL o zdolność do ciągłego modelowania fenotypowego grupowania w procesie contrastive learning. Zamiast sztywnie przydzielać pacjentów do stałych klastrów, nowa metoda REVEAL++ używa różniczkowalnych funkcji wag opartych na podobieństwie osadzeń (embeddings) zarówno w obrazach siatkówki, jak i profilach ryzyka klinicznego. To tworzy mięckie relacje multi-pozytywne, które odzwierciedlają rzeczywisty spektrum ryzyka choroby.
Siatkówka oka oferuje noninwazyjny dostęp do oceny ryzyka neurodegeneracyjnego — jej subtelne cechy strukturalne mogą sygnalizować przyszły spadek funkcji poznawczych. Dotychczasowe podejścia traktowały podobieństwo fenotypowe jako zjawisko dyskretne, co nakładało sztywne warunki kontroli i oddzielało proces formowania grup od nauki reprezentacji. REVEAL++ przełamuje to ograniczenie, wprowadzając łączny cel contrastive z miękkimi celami (soft-target), który jednocześnie uczy się wyrównania między modalności (obraz i tekst) oraz struktury fenotypowej.
Badania na danych UK Biobanku pokazują, że taka elastyczniejsza reprezentacja fenotypowa poprawia wczesne przewidywanie incydentalnego Alzheimera. Podejście ma potencjał do transformacji diagnostyki neurodegeneracyjnej, umożliwiając bardziej precyzyjną identyfikację pacjentów zagrożonych kognitywnym spadkiem na podstawie prostych, powszechnie dostępnych badań fotograficznych dna oka.