Clinical Graph-Mediated Distillation for Unpaired MRI-to-CFI Hypertension Prediction

📄 arXiv: 2603.21809v1 📥 PDF

作者: Dillan Imans, Phuoc-Nguyen Bui, Duc-Tai Le, Hyunseung Choo

分类: cs.CV

发布日期: 2026-03-23

备注: 10 pages, 2 figures, 2 tables. Under review at MICCAI 2026

🔗 代码/项目: GITHUB

💡 一句话要点

提出临床图介导蒸馏方法，用于无配对MRI-眼底图像的高血压预测。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 高血压预测 知识蒸馏 无配对学习 多模态学习 临床图 眼底图像 MRI

📋 核心要点

  1. 现有眼底图像高血压预测方法依赖细微线索，预测方差大，而MRI虽信息丰富但成本高，数据难以配对。
  2. 提出临床图介导蒸馏（CGMD），利用共享生物标志物构建图，将MRI知识迁移到眼底模型，无需配对数据。
  3. 实验表明，CGMD在眼底图像高血压预测上优于标准蒸馏方法，验证了临床图连接的重要性。

📝 摘要（中文）

视网膜眼底成像能够以低成本和可扩展的方式进行高血压（HTN）筛查，但与HTN相关的视网膜线索较为细微，导致预测结果方差较大。脑部MRI提供了更强的血管和小血管病变的高血压标志物，但其成本较高，且很少与眼底图像同时获取，导致数据集在模态上分离，MRI和眼底图像队列不相交。我们研究了这种无配对MRI-眼底图像的情况，并提出了临床图介导蒸馏（CGMD）框架，该框架在没有配对多模态数据的情况下，将MRI衍生的HTN知识转移到眼底模型。CGMD利用共享的结构化生物标志物作为桥梁，构建一个跨越两个队列的临床相似性kNN图。我们训练一个MRI教师模型，通过图传播其表征，并为眼底患者推断出脑部信息表征目标。然后，使用结合了HTN监督、目标蒸馏和关系蒸馏的联合目标来训练眼底学生模型。在我们新收集的无配对MRI-眼底-生物标志物数据集上的实验表明，CGMD始终优于基于眼底的标准蒸馏和非图插补基线，消融实验证实了临床基础图连接的重要性。

🔬 方法详解

问题定义：论文旨在解决无配对MRI和眼底图像的高血压预测问题。现有方法要么依赖低成本但信息量有限的眼底图像，导致预测结果不稳定；要么依赖信息丰富的MRI，但由于成本高昂，难以获得与眼底图像配对的数据，限制了模型的泛化能力。

核心思路：论文的核心思路是利用知识蒸馏，将MRI模型学习到的高血压相关知识迁移到眼底模型。为了解决数据无配对的问题，论文引入了临床图作为桥梁，通过图结构连接MRI和眼底图像数据，实现知识的有效传递。

技术框架：CGMD框架包含以下主要模块：1) MRI教师模型：利用MRI数据训练一个高血压预测模型。2) 临床图构建：基于共享的临床生物标志物，构建一个k近邻图，连接MRI和眼底图像数据。3) 表征传播：将MRI教师模型的表征通过图结构传播到眼底图像数据，为眼底图像生成脑部信息表征目标。4) 眼底学生模型：利用眼底图像数据，结合高血压监督、目标蒸馏和关系蒸馏，训练一个高血压预测模型。

关键创新：该论文的关键创新在于利用临床图作为桥梁，实现了无配对多模态数据之间的知识迁移。与传统的知识蒸馏方法相比，CGMD能够有效地利用MRI数据中的信息，提高眼底图像高血压预测的准确性。此外，利用临床信息构建图结构，保证了知识迁移的合理性和有效性。

关键设计：临床图的构建基于k近邻算法，使用共享的临床生物标志物作为特征。目标蒸馏损失函数采用均方误差损失，用于约束眼底学生模型的表征与MRI教师模型传播过来的表征目标之间的差异。关系蒸馏损失函数用于约束眼底学生模型预测结果之间的关系与MRI教师模型预测结果之间的关系一致。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，CGMD方法在眼底图像高血压预测任务上显著优于标准蒸馏和非图插补基线。具体而言，CGMD在AUC指标上取得了明显的提升，并且消融实验验证了临床图连接的重要性，表明利用临床信息构建图结构能够有效地提高知识迁移的效果。

🎯 应用场景

该研究成果可应用于低成本、大规模的高血压筛查。通过眼底相机获取图像，利用CGMD模型进行预测，可以有效识别高风险人群，并建议进一步的医学检查。该方法有望降低高血压的漏诊率，提高早期干预的比例，从而改善患者的健康状况。

📄 摘要（原文）

Retinal fundus imaging enables low-cost and scalable hypertension (HTN) screening, but HTN-related retinal cues are subtle, yielding high-variance predictions. Brain MRI provides stronger vascular and small-vessel-disease markers of HTN, yet it is expensive and rarely acquired alongside fundus images, resulting in modality-siloed datasets with disjoint MRI and fundus cohorts. We study this unpaired MRI-fundus regime and introduce Clinical Graph-Mediated Distillation (CGMD), a framework that transfers MRI-derived HTN knowledge to a fundus model without paired multimodal data. CGMD leverages shared structured biomarkers as a bridge by constructing a clinical similarity kNN graph spanning both cohorts. We train an MRI teacher, propagate its representations over the graph, and impute brain-informed representation targets for fundus patients. A fundus student is then trained with a joint objective combining HTN supervision, target distillation, and relational distillation. Experiments on our newly collected unpaired MRI-fundus-biomarker dataset show that CGMD consistently improves fundus-based HTN prediction over standard distillation and non-graph imputation baselines, with ablations confirming the importance of clinically grounded graph connectivity. Code is available at https://github.com/DillanImans/CGMD-unpaired-distillation.