编辑推荐：
乳腺癌诊疗中，多病理指标分析对预后和治疗决策意义重大。研究人员利用多相动态对比增强磁共振成像（DCE-MRI），探索深度多任务学习（MTL）框架 HMT-Net 预测组织学分级和 Ki-67 状态。结果显示 HMT-Net 性能最优，为乳腺癌病理评估提供新途径。
在乳腺癌防治的战场上，医生们渴望更精准地把握病情，为患者制定 “量身定制” 的治疗方案。而这一切的关键，就藏在乳腺癌的多项组织学指标里。其中，增殖标志物（Ki-67）的表达水平，能像 “侦查兵” 一样，早早预测病情走向，还能区分乳腺癌的不同亚型；肿瘤组织学分级则像是病情的 “刻度表”，量化评估肿瘤组织的结构和形态差异，与癌症复发尤其是远处转移紧密相关。然而，传统的检测方法却困难重重。用苏木精 - 伊红（H&E）染色的活检组织标本进行准确分级，不仅切片制备过程耗时又复杂，而且现有的组织学图像分析很大程度上依赖病理学家的主观判断，仅凭局部的 H&E 染色，根本无法获取乳腺肿瘤的全面病理信息。
在这样的困境下，深度学习技术的出现带来了新希望。它能像聪明的 “数据探险家”，自动从大量数据中挖掘出有价值的信息，在医学领域的众多任务中表现出色，比如区分乳腺肿瘤的良恶性、预测新辅助化疗后的病理完全缓解情况等。但单任务学习在面对复杂的乳腺癌组织学指标预测时，就像 “戴着有色眼镜看世界”，只盯着单一临床标签，会受到冗余背景信息的干扰，预测效果大打折扣。
与此同时，磁共振成像（MRI）作为一种非侵入性的检查手段，在乳腺癌早期筛查中占据着重要地位。研究发现，MRI 的一些参数与乳腺癌的预后特征有着千丝万缕的联系，比如表观扩散系数（ADC）和组织学分级呈负相关，利用 MRI 的定量放射组学知识还能预测 Ki-67 状态。既然 Ki-67 和乳腺癌分级关系密切，那么借助深度多任务学习（MTL）框架，利用 MRI 特征联合预测这两个组织学指标，就成了极具潜力的研究方向。
为了攻克这一难题，来自上海交通大学医学院附属新华医院的研究人员挺身而出。他们精心打造了一个创新的深度 MTL 框架 —— 混合多任务架构（HMT-Net），旨在同时完成侵袭性乳腺癌分级和 Ki-67 增殖水平预测这两项关键任务。
研究人员开展的这项研究，最终得出了令人瞩目的结论：HMT-Net 在预测肿瘤分级和 Ki-67 状态方面表现卓越，其受试者工作特征曲线下面积（AUC）分别达到了 0.908 和 0.694 ，超越了其他近期的 MTL 架构和基于单图像序列的深度模型。这一成果意义非凡，它为乳腺癌的病理评估提供了一种非侵入性的新方法，让医生能更准确、高效地了解病情，为后续治疗方案的制定提供坚实可靠的依据，大大提升了乳腺癌诊疗的精准度，为无数患者带来了新的希望。该研究成果发表在《Computer Methods and Programs in Biomedicine》上。
研究人员开展研究时用到了几个主要关键技术方法：首先，构建了 HMT-Net，其特征提取主干网络能提取共代表特征。接着，引入定制预测网络，在两个相关任务间进行软参数共享，将任务通用和特定知识传递到塔层交互。此外，利用硬参数共享分支重新捕获含肿瘤边缘和纹理细节的低级特征图，并融入各子任务塔层。最后，采用决策级融合策略融合多相 DCE-MRI 预测的两个组织学指标概率。样本来自合作医疗机构经伦理审批的 301 例术前 MRI 检查且病理确诊为原发性乳腺癌的患者，排除 11 例低质量图像序列患者 。
不同维度的任务通用专家
研究人员对比了配备不同输出维度任务通用专家的 HMT-Net，使用代表性的对比后 DCE-MRI 序列（TPs 2）。结果发现，当共享专家输出维度比例为 5%、15% 和 40% 时（通过直方图高度描述），协同学习能获得最佳收益，平均 AUC 分别为 0.766、0.771 和 0.763 。这表明合适的任务通用专家输出维度对模型性能有重要影响。
讨论
在本研究中，研究人员精心设计了深度学习框架 HMT-Net，用于协同预测侵袭性乳腺癌组织学分级和 Ki-67 表达水平。这个创新的混合 MTL 网络融合了硬参数和软参数共享分支，借助多个对比后 DCE-MRI 序列，推动了对乳腺病理生物标志物的联合表征建模。同时，基于 F1 分数的损失函数和焦点损失也被应用到研究中。
结论
本研究提出了 HMT-Net 这一创新的混合 MTL 框架，用于协同判别乳腺癌恶性分级和 Ki-67 表达水平。多任务合作方案中同时融入硬共享和软共享分支，利用 DCE-MRI 有效捕捉相似水平组织学任务的同质成像信息。大量实验结果证明了 HMT-Net 卓越的预测性能，这对乳腺癌的精准诊疗具有重要意义，为未来乳腺癌的研究和临床实践开辟了新的道路，有望让更多患者受益于更精准的医疗服务。
