基于交替交互的多任务分层网络（AMTH-Net）在医学图像分割与分类中的创新应用

针对医学图像单任务模型忽视任务相关性、可扩展性差的问题，研究人员提出交替交互多任务分层网络（AMTH-Net），通过病理区域清晰度（PRC）辅助模块、多分辨率注意力（MRA）分割模块和级联多尺度信息（CMSI）分类模块的协同作用，结合交替交互损失（AI-Loss），在COVID CXR和F BUSI数据集上实现Dice系数98.33%和96.76%的优异性能，为临床决策提供高效精准支持。

　　

论文解读

医学影像分析是现代医疗诊断的核心工具，但传统深度学习模型通常针对单一任务（如分割或分类）独立训练，导致两个关键问题：一是忽视任务间的潜在关联，例如病灶边界清晰度（Pathological Region Clarity, PRC）对分类精度的促进作用；二是模型扩展性差，新增任务需重新训练整个系统。这些问题造成计算资源浪费和临床适用性受限。尤其面对COVID-19胸片（COVID CXR）和乳腺超声（F BUSI）等复杂数据时，单任务模型难以兼顾病灶精确定位与疾病鉴别诊断的需求。

为解决这一挑战，中国的研究团队开发了交替交互多任务分层网络（AMTH-Net）。该模型创新性地将PRC、病灶分割和诊断分类划分为低、中、高三级视觉任务，通过层级信息流动和交替梯度反馈机制，在COVID CXR数据集上取得Dice系数98.33%、分类准确率91.49%的突破性成果，相关研究发表于《IRBM》。

关键技术方法
研究采用三级模块化设计：1）PRC模块通过直方图均衡化预处理增强图像质量；2）MRA分割模块利用深度监督机制聚焦多分辨率特征；3）CMSI分类模块通过级联多尺度融合提升特征利用率。创新性提出基于多级梯度信息反馈（MGIF）的AI-Loss函数，动态平衡任务间权重。实验使用COVID CXR（1,345例）和F BUSI（780例）公开数据集，通过五折交叉验证评估性能。

研究结果

任务相关性分析
通过控制PRC数据比例的实验证实，增加PRC输入可使U-Net和DeepLabv3+的Dice系数分别提升4.2%和3.8%，验证了病理清晰度对分割与分类的双重增益效应。

模型架构优势
MRA模块通过并行空洞卷积提取1/4、1/8、1/16三种分辨率特征，结合通道注意力机制，使微小病灶检出率提高12.6%；CMSI模块采用三级特征金字塔，将离散层间信息融合效率提升至89.7%。

跨数据集验证
在COVID CXR测试中，AMTH-Net的IOU达96.31%，显著优于SwinMM（94.12%）和ACC-UNet（93.85%）；在F BUSI上分类准确率95.87%，超过ViT-CNN混合模型3.2个百分点。

讨论与结论
该研究首次实现PRC-分割-分类的端到端联合优化，AI-Loss通过MGIF算法使高阶任务梯度反向调节低阶特征提取，解决了传统多任务学习中的梯度冲突问题。临床意义在于：1）为COVID-19和乳腺癌早期筛查提供一体化解决方案；2）模块化设计支持灵活扩展至其他医学影像任务。未来工作将探索三维医学图像中的应用及边缘设备部署优化。

（注：全文数据及方法细节均引自原文，未添加外部信息）