合作式多任务学习和可解释的图像生物标志物用于质瘤分类和分子亚型
Qijian Chen1, Lihui Wang1, Zeyu Deng1
1Key Laboratory of Advanced Medical Imaging and Intelligent Computing of Guizhou Province, Engineering Research Center of Text Computing, Ministry of Education, State Key Laboratory of Public Big Data, College of Computer Science and Technology, Guizhou University, Guiyang 550025, China.
Medical image analysis
|January 8, 2025
概括
这项研究介绍了CMTLNet,这是一个新的深度学习模型,用于同时预测质瘤等级和分子亚型. 它提供可解释的成像生物标志物,用于精确的质瘤诊断和个性化治疗.
科学领域:
- 神经瘤学神经瘤学
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
背景情况:
- 用于质瘤预测的深度学习模型通常是特定于任务的,缺乏可解释的生物标志物.
- 同时预测质瘤组织学等级和分子亚型仍然是一个挑战.
- 目前的方法难以提供可靠的成像生物标志物用于质瘤.
研究的目的:
- 提出一个新的合作多任务学习网络 (CMTLNet),用于同时预测质瘤组织学等级和分子亚型.
- 开发一个可解释的深度学习框架,提供可靠的成像生物标志物.
- 通过多任务学习提高质瘤预测的准确性和可解释性.
主要方法:
- 开发了CMTLNet,具有任务共同特征提取 (CFE),任务特定的独特特征提取 (UFE) 和独特共同特征协作分类 (UCFC) 模块.
- 采用无细分瘤特征感知 (SFTFP) 模块用于瘤意识特征提取.
- 利用特征融合的注意力机制和生物标志物解释性的SHAP值.
主要成果:
- 与现有方法相比,CMTLNet在大型多中心数据集 (>1800个案例) 上表现优越.
- 在质瘤分级和1p/19q和IDH状态预测中观察到显著改善.
- 确定了与深层特征高度相关的放射性特征,作为可靠的成像生物标志物.
结论:
- CMTLNet为多任务质瘤预测提供了一个可解释的解决方案,提高了诊断准确度.
- 已识别的放射性生物标志物为质瘤诊断提供了可靠的指标.
- 这种方法促进了精确的质瘤诊断和个性化治疗策略.
