一个多任务深度学习模型用于EGFR基因型预测和大脑转移的GTV细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 精确预测表皮生长因子受体 (EGFR) 突变状态和总瘤体积 (GTV) 分段对于诊断肺腺癌脑转移 (BM) 来说至关重要.
• 核磁共振图像分析的挑战包括不均的强度,模糊的边界和BM的可变形状.
• 现有的单任务算法无法利用GTV细分和EGFR突变状态预测之间的相互依赖.

研究的目的:

• 开发一种多任务深度学习模型,用于同时对肺腺癌脑转移中的GTV细分和EGFR突变状态分类.
• 通过解决任务相关性和异质性来克服单任务方法的局限性.

主要方法:

• 一个多任务深度学习模型,具有多尺度的自我注意编码器,用于共享功能提取.
• 一个混合CNN-变压器分类器,以整合全球和本地信息用于EGFR基因定型.
• 具有可学习权重的多任务损失函数,以平衡细分和分类任务.

主要成果:

• 拟议的模型在内部测试套件上实现了GTV细分的平均Dice分数为0.89和EGFR基因型定型的0.88准确度.
• 在外部测试组中,该模型在EGFR基因型预测方面获得了0.81的准确性,在GTV细分方面获得了0.85的Dice平均得分.
• 性能超过了单任务学习方法的表现,表现出强大的概括能力.

结论:

• 多任务深度学习网络有效地提高了GTV细分和EGFR基因定型的性能.
• 该模型集成了高效的特征提取模块,混合CNN-变压器分类器和多任务丢失功能.
• 这种非侵入性工具可以显著帮助促进肺腺癌脑转移的临床治疗决策.