多任务学习用于联合预测动态对比增强磁共振成像中的乳腺癌组织学指标

科学领域:

• 放射学和医学成像学 医学成像学
• 在瘤学瘤学.
• 人工智能在医学中的应用

背景情况:

• 准确的乳腺癌预后和治疗决策依赖于分析多种病理指标.
• 多相动态对比增强磁共振成像 (DCE-MRI) 为病理评估提供了丰富的数据.

研究的目的:

• 开发一个深度多任务学习 (MTL) 框架,用于协作预测乳腺癌中的组织学等级和Ki-67状态.
• 为了提高诊断准确性,利用多相DCE-MRI数据.

主要方法:

• 设计了一种混合多任务架构 (HMT-Net),具有特征提取骨干,用于共同代表性特征蒸.
• 实现了一个定制的预测网络,软参数共享和任务通用和任务特定知识之间的信息互动.
• 通过硬参数共享重新获取低级特征地图,并将其纳入用于改进子任务预测,随后进行决策级合并.

主要成果:

• 与现有的MTL架构和单个系列深度模型相比,HMT-Net表现出优异的区分性能.
• 实现了0.908的接收器操作特征曲线下的面积,用于瘤等级预测.
• 实现了 Ki-67 状态预测的接收器运行特征曲线下的面积为 0.694.

结论:

• HMT-Net框架表现出协作乳腺生物标志物预测的稳定性和灵活性.
• 多相DCE-MRI为非侵入性乳腺癌病理评估提供了有价值的动态信息.