近日，贵州大学计算机学院（贵州保密学院），贵州省先进医学成像与智能计算全省重点实验室在医学影像人工智能领域顶级期刊《Medical Image Analysis》（MedIA）上发表了题为《Cooperative multi-task learning and interpretable image biomarkers for glioma grading and molecular subtyping》的研究论文，标志着贵州大学在医学影像人工智能领域取得了重要突破。该论文第一作者为我院博士研究生陈祈剑，通讯作者为王丽会教授，该研究获得国家自然科学基金、贵州省科技计划项目和贵州省基础研究项目的资助。MedIA期刊是国际医学图像计算和计算机辅助干预协会（The Medical Image Computing and Computer Assisted Interventions Society, MICCAI Society）的官方期刊，创刊于1996年，是医学和生物图像分析领域最具影响力的期刊之一，属于中国科学院一区Top期刊，影响因子10.6。

胶质瘤是最常见的原发性脑肿瘤，其精准诊断和个性化治疗对患者预后至关重要。尽管深度学习方法已广泛应用于经胶质瘤磁共振图像分类预测，但多数方法仅支持单一分类任务、依赖肿瘤分割，且缺乏可解释的影像标志物。如何同时准确预测胶质瘤的组织学分级和分子亚型，并提供可解释的影像标志物，仍具有重大挑战。为解决上述问题，王丽会教授团队提出了一种新的多任务协同学习范式（CMTLNet），用于挖掘不同分类任务间的共性信息。同时，结合正交投影与条件引导策略，提取任务特定的独有特征。通过融合共性与独有特征，进一步提升多种胶质瘤分类预测任务的性能。最后，结合SHAP值与影像组学相关性分析，探索不同预测任务中的可解释影像标志物。

图1 CMTLNet网络框架

研究团队在包含1800多个病例的大型多中心数据集上验证了CMTLNet模型的有效性。实验结果显示，CMTLNet在胶质瘤的组织学分级与分子亚型预测方面，均显著优于现有方法。同时，研究还发现了某些与胶质瘤不同分类任务高度相关的影像组学特征，变化趋势在多个中心数据上保持一致，为胶质瘤不同分子亚型诊断提供了新的可靠影像标志物。该研究成果为胶质瘤的多任务预测提供了一种可解释的工具，有助于实现胶质瘤的精准诊断与个性化治疗，对推动精准医疗发展具有重要意义。

图2 可解释影像标记挖掘

研究成果链接：

https://doi.org/10.1016/j.media.2024.103435

一审：唐玮欣

二审：何   飞

三审：龙慧云