基于临床引导注意力学习的多模态乳腺癌病理完全缓解预测
计算机视觉与模式识别
2026-05-11 v1
摘要
病理完全缓解（pCR）是乳腺癌患者接受新辅助治疗后关键的预后因素，与长期生存率和治疗个体化密切相关。然而，由于严重的类别不平衡和在多样化临床环境中的可泛化性有限，准确的治疗前pCR预测仍然具有挑战性。本文提出了一种用于乳腺磁共振成像（MRI）的多模态分步临床引导注意力学习框架，以医学依据的空间引导和多模态集成来应对这些限制。该方法的训练策略受医生推理启发：模型首先学习全局判别性成像模式，然后引入注意力机制以约束网络聚焦于肿瘤区域，最后集成临床变量以细化决策。这种指导策略鼓励优先考虑任务相关特征，提高了即使在数据集中表示有限的情况下对缓解者的识别。此外，基于解剖学一致肿瘤区域的注意力，可减少对数据集特定模式的依赖，从而增强跨机构的泛化性。该框架通过异构MRI队列的外部验证进行评估。与非指导单阶段基线相比，所提方法在保持竞争特异性的同时提高了灵敏度，并产生解剖学连贯的注意力图，支持对模型预测的解释。这些发现凸显了临床引导多模态注意力学习在乳腺癌中实现稳健和可泛化pCR预测潜力。
引用
@article{arxiv.2605.07561,
title = {Multimodal Stepwise Clinically-Guided Attention Learning for Pathological Complete Response Prediction in Breast Cancer},
author = {Alice Natalina Caragliano and Valerio Guarrasi and Michela Gravina and Carlo Sansone and Paolo Soda},
journal= {arXiv preprint arXiv:2605.07561},
year = {2026}
}