基于单相DCE-MRI的乳腿癌分子亚型预测的空间多任务学习
计算机视觉与模式识别
2026-01-13 v1
摘要
精确的分子亚型分类对于个体化乳腿癌治疗至关重要，但传统的免疫组化分析依赖于侵入性活检且容易受到样本偏差的影响。虽然动态对比增强MRI(DCE-MRI)可实现非侵入性肿瘤表征，但临床工作流程通常仅获取单相对比后图像以减少扫描时间和造影剂剂量。在本研究中，我们提出了一种基于临床实用的单相DCE-MRI的空间多任务学习框架，用于乳腿癌分子亚型预测。该框架同时预测雌激素受体(ER)、孕激素受体(PR)、人源胰岛素样生长因子受体2(HER2)状态以及Ki-67增殖指数——这些生物标志物共同定义了分子亚型。该架构集成深度特征提取网络与多尺度空间注意力机制，以捕获肿瘤内部和周围组织特征，同时引入区域感兴趣加权模块以强调肿瘤核心、边缘和周围组织。多任务学习通过共享表示与任务特定预测分支利用生物标志物之间的相关性。在 960 例病例(内部 886 例按7:1:2比例分为训练/验证/测试，外部 74 例通过五折交叉验证评估)上的实验表明，所提方法在 ER、PR 和 HER2 分类的AUC分别为0.893、0.824和0.857，Ki-67 回归的平均绝对误差为8.2%，显著优于放射组学和单任务深度学习基线方法。这些结果表明，使用标准成像协议即可实现精确的非侵入性分子亚型预测。
引用
@article{arxiv.2601.07001,
title = {Spatial Multi-Task Learning for Breast Cancer Molecular Subtype Prediction from Single-Phase DCE-MRI},
author = {Sen Zeng and Hong Zhou and Zheng Zhu and Yang Liu},
journal= {arXiv preprint arXiv:2601.07001},
year = {2026}
}