面向临床对齐的多任务甲状腺超声评估的表征级对抗正则化
计算机视觉与模式识别
2026-03-24 v1 人工智能
摘要
甲状腺超声是评估甲状腺结节并确定是否需要活检的首选检查。常规报告中，放射科医生会产生两个相互关联的输出：用于测量的结节轮廓和基于声像标准的TI-RADS风险分类。然而，轮廓绘制方式和风险分级在不同读者之间存在差异，导致监督不一致，可能降低标准学习管道的性能。本文提出了一种临床导向的多任务框架，在单个模型中联合预测结节掩模和TI-RADS分类。为将风险预测 grounded 在临床有意义的证据上，我们在训练期间引导分类嵌入使用紧凑的TI-RADS对齐放射组学目标，同时保留用于判别性能的互补深层特征。然而，在标注者变异性下，朴素的多任务优化往往会失败，这并非因为任务之间不相关，而是因为它们的梯度在共享表征中发生竞争。为使这种竞争显式且可控，我们引入了RLAR（representation-level adversarial gradient regularizer），即表示层对抗梯度正则化器。RLAR不进行参数级的梯度手术，而是使用每个任务归一化后的对抗方向作为潜在空间中的几何探针来衡量任务灵敏度，并惩罚任务特定对抗方向之间的过度角度对齐。在公开的TI-RADS数据集上，我们的临床导向多任务模型配合RLAR在保持分割质量的同时，持续改善了风险分层，优于单任务训练和常规多任务基线。代码和预训练模型将公开释放。
引用
@article{arxiv.2603.21095,
title = {Representation-Level Adversarial Regularization for Clinically Aligned Multitask Thyroid Ultrasound Assessment},
author = {Dina Salama and Mohamed Mahmoud and Nourhan Bayasi and David Liu and Ilker Hacihaliloglu},
journal= {arXiv preprint arXiv:2603.21095},
year = {2026}
}