袁成成范 明許茂盛王世威厲力華?

(1.杭州電子科技大學(xué)生物醫(yī)學(xué)工程與儀器研究所,浙江 杭州310018；2.浙江省中醫(yī)院放射科,浙江 杭州310006)

乳腺癌居于全球女性因癌死因首位[1],在乳腺癌的診斷和治療過程中,乳腺癌病理報(bào)告是其主要依據(jù)[2]。常見的病理信息包括乳腺癌的組織學(xué)分級,分子分型及Ki－67的表達(dá)等。諾丁漢組織學(xué)分級系統(tǒng)將其分成低、中、高3個(gè)組織學(xué)級別[3],組織學(xué)等級越高代表乳腺癌的惡性程度越高,乳腺癌的組織學(xué)等級已被證明能夠產(chǎn)生與乳腺癌臨床行為有關(guān)的重要信息[4]。腫瘤細(xì)胞增殖指數(shù)(Ki－67)是與細(xì)胞增殖相關(guān)的核抗原[5],Ki－67的增殖活性與乳腺癌腫瘤的分化、侵襲和轉(zhuǎn)移程度以及預(yù)后相關(guān)[6]。乳腺癌分子分型主要可分為4種[7],包括管腔上皮A型(Luminal A型)、管腔上皮B型(Luminal B型)、人類表皮生長因子受體2過表達(dá)型(HER－2型)和基底細(xì)胞樣型(Basal－like型)。乳腺癌分子分型對于選擇合適的個(gè)性化治療方法具有重要意義,有助于乳腺癌的精準(zhǔn)診療[8]。

影像檢查是乳腺癌早期診斷的常用方法。磁共振成像(MRI)技術(shù)被認(rèn)為是重要的乳腺檢查方式,對乳腺癌的診斷具有較高的靈敏度和特異性,并且沒有輻射[9]。磁共振成像具有多種參數(shù)成像方式,動(dòng)態(tài)對比增強(qiáng)磁共振成像(DCE-MRI)就是其中的一種,DCE-MRI具有良好的特異性,可以提供腫瘤的形態(tài)、血流特性和血管分布等信息[10]。現(xiàn)有的基于機(jī)器學(xué)習(xí)的傳統(tǒng)特征提取方法配合分類器的算法是目前DCE-MRI影像中乳腺癌病理信息預(yù)測的重要方法之一[2],其人工提取特征的方法具有一定的局限性和主觀性。而深度學(xué)習(xí)可以直接從影像中提取特征,很好的彌補(bǔ)了這一不足。深度學(xué)習(xí)(deep learning)可以直接提取影像特征[11],但深度學(xué)習(xí)通常需要重新設(shè)計(jì)并訓(xùn)練一個(gè)新的深度卷積網(wǎng)絡(luò),這需要耗費(fèi)大量的時(shí)間資源和計(jì)算資源[12]。遷移學(xué)習(xí)(transfer learning)可以認(rèn)為是在最小人工監(jiān)督代價(jià)下進(jìn)行機(jī)器學(xué)習(xí)的一種嶄新策略[13]。遷移學(xué)習(xí)是運(yùn)用大規(guī)模數(shù)據(jù)集中預(yù)訓(xùn)練好的網(wǎng)絡(luò)模型,將該模型嵌入在其他任務(wù)模型中作為特征提取器,可以重用復(fù)雜的結(jié)構(gòu)和優(yōu)化的權(quán)重,大大節(jié)省了時(shí)間資源及計(jì)算資源。而且大規(guī)模圖像數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果證明了預(yù)訓(xùn)練網(wǎng)絡(luò)提取到的特征具有良好的判別性[14]。鑒于此,可以使用遷移學(xué)習(xí)去預(yù)測DCEMRI影像中乳腺癌病理信息。

值得說明的是,在乳腺癌病理信息預(yù)測研究中,以往通常采用單任務(wù)學(xué)習(xí)模型,將乳腺癌病理信息分析看成是單一分類任務(wù)。這種方法的缺陷在于沒有考慮到利用不同任務(wù)間的相似性來提高模型的預(yù)測性能,而多任務(wù)學(xué)習(xí)方法正好彌補(bǔ)了這一缺陷。多任務(wù)學(xué)習(xí)是指在一個(gè)神經(jīng)網(wǎng)絡(luò)中同時(shí)完成2個(gè)相互關(guān)聯(lián)的任務(wù),利用不同任務(wù)之間的相似性來輔助決策,在圖像處理或者語音處理任務(wù)中,多任務(wù)學(xué)習(xí)能夠顯著改進(jìn)實(shí)驗(yàn)結(jié)果[15]。本文嘗試使用多任務(wù)學(xué)習(xí)去聯(lián)合預(yù)測乳腺癌病理信息。盡管多任務(wù)學(xué)習(xí)可以提高模型的預(yù)測性能,但是并非所有的任務(wù)都可以用多任務(wù)學(xué)習(xí)進(jìn)行訓(xùn)練。如果任務(wù)不相關(guān),采用多任務(wù)學(xué)習(xí)不能取得好效果,有時(shí)還會使模型準(zhǔn)確度降低[16]。因此,使用多任務(wù)學(xué)習(xí)的前提是必須保證任務(wù)之間具有相關(guān)性。

本文提出了一種基于DCE-MRI影像的深度多任務(wù)學(xué)習(xí)聯(lián)合預(yù)測乳腺癌病理信息算法。多任務(wù)學(xué)習(xí)是和單任務(wù)學(xué)習(xí)相對的一種方法。一般來說,標(biāo)準(zhǔn)的算法理論是一次學(xué)習(xí)一個(gè)任務(wù),而多任務(wù)學(xué)習(xí)是一種聯(lián)合學(xué)習(xí),多個(gè)任務(wù)之間部分參數(shù)共享以達(dá)到相互學(xué)習(xí)的目的。在實(shí)驗(yàn)過程中,我們分別用單任務(wù)學(xué)習(xí)與多任務(wù)學(xué)習(xí)對乳腺癌病理信息進(jìn)行預(yù)測,實(shí)驗(yàn)結(jié)果表明,利用深度多任務(wù)學(xué)習(xí)方法對于預(yù)測乳腺癌的病理信息,有較好的預(yù)測效果。

1 方法

1.1 患者病理信息數(shù)據(jù)

本研究采集的數(shù)據(jù)來自于浙江省中醫(yī)院,經(jīng)過數(shù)據(jù)篩選,最終采用202例病例作為本次研究的數(shù)據(jù)集。從浙江省中醫(yī)院采集的病理報(bào)告中,可以得到每個(gè)病例的病理信息情況。數(shù)據(jù)集中的患者均為女性,年齡分布在29～83歲之間,平均年齡約為53歲,其中絕經(jīng)前102例,絕經(jīng)后100例。分子分型Luminal A型的病例共計(jì)38例,Luminal B型的病例共計(jì)100例,HER－2型的病例共計(jì)28例,Basal-like型的病例共計(jì)36例,組織學(xué)分級為Ⅰ級和Ⅱ級的病例共計(jì)86例,Ⅲ級的病例共計(jì)116例。Ki－67低表達(dá)的病例共計(jì)50例,Ki－67高表達(dá)的病例共計(jì)152例。

對組織學(xué)分級、Ki－67表達(dá)分別進(jìn)行統(tǒng)計(jì),卡方檢驗(yàn)(Chi-Square Test)和方差分析(ANOVA)用于確定統(tǒng)計(jì)學(xué)顯著性,計(jì)算得到的P值低于0.05時(shí)認(rèn)為具有統(tǒng)計(jì)學(xué)意義。Ki－67對絕經(jīng)情況、年齡和腫瘤最大徑做卡方檢驗(yàn)和方差分析,P值分別為0.1212,0.1043,0.4236,組織學(xué)分級對絕經(jīng)情況、年齡和腫瘤最大徑做卡方檢驗(yàn)和方差分析,P值分別為0.9036,0.1396,0.263,說明Ki－67與組織學(xué)分級對絕經(jīng)情況、年齡、腫瘤最大徑不顯著相關(guān),Ki－67對Luminal A及組織學(xué)分級做卡方檢驗(yàn),P值均小于0.001,組織學(xué)分級對Ki－67及Luminal A做卡方檢驗(yàn),P值也均小于0.001,說明Ki－67、組織學(xué)分級及Luminal A型任意兩個(gè)任務(wù)之間顯著相關(guān)。

1.2 患者影像數(shù)據(jù)采集

本次研究所采用的醫(yī)學(xué)影像來自浙江省中醫(yī)院放射科,使用德國西門子3.0T的MRI掃描設(shè)備,采用專用的8通道雙乳房線圈。所有乳腺M(fèi)RI檢查均采用俯臥位,DCE-MRI包括1例對比增強(qiáng)前序列,即蒙片系列(S0序列)和5例對比增強(qiáng)后序列(S1～S5)的雙側(cè)矢狀面圖像,采用脂肪抑制T1加權(quán)三維序列。DCE-MRI參數(shù)設(shè)置如下:重復(fù)時(shí)間(TR)為4.51 ms,回聲時(shí)間(TE)為1.61 ms,矩陣為448×448,翻轉(zhuǎn)角度(FA)為10°,視野(FOV)為340 mm×340 mm,層厚為1.0 mm,像素分辨率為0.759 mm×0.759 mm,以4 mL/s的速度靜脈注射Gd-DTPA,劑量為注射造影劑60 s后采集第一個(gè)序列,隨后按60 s的時(shí)間間隔獲得5個(gè)連續(xù)的對比增強(qiáng)影像序列。

1.3 患者腺體影像分割

采用乳腺癌DCE-MRI進(jìn)行影像研究,從采集的乳腺癌原始影像中分割出含腫瘤的腺體區(qū)域。對于DCE-MRI原始影像一般有144張切片,選取最大腫瘤切片對其進(jìn)行研究分析。根據(jù)病理報(bào)告和影像,標(biāo)注出含腫瘤的腺體區(qū)域。采用人工方法在原始影像中分割出標(biāo)注區(qū)域,原始影像圖片矩陣為448×448,去除大量黑色區(qū)域部分,在保證其像素分辨率不變的情況下將其變成224×224矩陣。最后用S1,S2,S3,S4,S5分別減去S0序列(蒙片序列),得到其減影序列分別用S0,S1,S2,S3,S4,S5表示。其具體實(shí)驗(yàn)步驟如圖1所示。

圖1 腺體影像分割過程

1.4 腺體影像數(shù)據(jù)擴(kuò)充

影像數(shù)據(jù)擴(kuò)充的目的是將影像特征盡可能的分布在擴(kuò)充的影像中,以增加深度學(xué)習(xí)的運(yùn)算樣本,以便獲得更多影像的內(nèi)在特征。首先將數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練集與測試集,劃分比例約為3∶2。故訓(xùn)練集為122例病例,測試集為80例。在對數(shù)據(jù)集進(jìn)行擴(kuò)充時(shí),僅對訓(xùn)練集數(shù)據(jù)進(jìn)行擴(kuò)充,測試集數(shù)據(jù)保持不變。因?yàn)樵谟?xùn)練集中樣本分布不均勻,所以在對數(shù)據(jù)集進(jìn)行擴(kuò)充時(shí)對樣本多的進(jìn)行欠采樣,對樣本少的進(jìn)行重采樣。擴(kuò)充的影像主要是通過對原始影像進(jìn)行旋轉(zhuǎn)和鏡像得到的。在對原始影像預(yù)測其Ki－67的高低表達(dá)中,訓(xùn)練集中Ki－67高表達(dá)91例,低表達(dá)31例,對Ki－67高表達(dá)擴(kuò)充得到的影像圖片為776張,Ki－67低表達(dá)擴(kuò)充得到的影像圖片為752張；在對原始影像預(yù)測其分子分型是否為Luminal A型中,訓(xùn)練集中Luminal A型陽性23例,陰性99例,對陽性擴(kuò)充得到的影像圖片為736張,陰性擴(kuò)充得到的影像圖片為792張；在對原始影像預(yù)測其組織學(xué)分級是否為Ⅲ級中,訓(xùn)練集中組織學(xué)分級Ⅲ級69例,非Ⅲ級53例,對組織學(xué)分級Ⅲ級擴(kuò)充得到的影像圖片為720張,組織學(xué)分級非Ⅲ級擴(kuò)充得到的影像圖片為808張。

1.5 基于遷移學(xué)習(xí)的特征提取

對上文進(jìn)行預(yù)處理后的影像進(jìn)行特征提取。在乳腺癌病理信息預(yù)測過程中,采用深度卷積神經(jīng)網(wǎng)絡(luò)直接從DCE-MRI中提取特征,由于訓(xùn)練一個(gè)完整的深度卷積神經(jīng)網(wǎng)絡(luò)模型需要消耗大量的時(shí)間資源與計(jì)算資源。本文引入了遷移學(xué)習(xí)的方法,通過遷移在大數(shù)據(jù)集ImageNet上預(yù)訓(xùn)練好的模型權(quán)重參數(shù)[17],并重新設(shè)計(jì)其分類層,從而減少模型收斂擬合時(shí)間,生成性能優(yōu)異的特征提取模型。在進(jìn)行遷移學(xué)習(xí)過程中,保存其分類層前特征提取的網(wǎng)絡(luò)結(jié)構(gòu)與模型參數(shù)遷移到新的神經(jīng)網(wǎng)絡(luò)。假設(shè)遷移結(jié)構(gòu)層數(shù)為n層,凍結(jié)前m層即前m層的模型參數(shù)永遠(yuǎn)保持不變,而后n－m層需要針對新的數(shù)據(jù)集進(jìn)行權(quán)重訓(xùn)練。

首先利用VGG16卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)提取影像特征。VGG卷積神經(jīng)網(wǎng)絡(luò)模型在圖像分類和目標(biāo)檢測任務(wù)中都表現(xiàn)出非常好的結(jié)果[18]。VGG16是VGG卷積神經(jīng)網(wǎng)絡(luò)的一種,我們選擇其全連接前特征提取網(wǎng)絡(luò)結(jié)構(gòu)作為遷移層,其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。VGG16輸入的影像尺寸為224×224×3,前兩個(gè)224表示圖片的長和寬,3表示通道數(shù),輸出的特征尺寸為7×7×512。

圖2 VGG16網(wǎng)絡(luò)框架圖

殘差網(wǎng)絡(luò)與DenseNet因其特有的“短路連接”在圖像分類上被普遍使用,本文用到的遷移網(wǎng)絡(luò)有ResNet50和DenseNet121,ResNet50輸入的圖片尺寸為224×224×3,輸出特征尺寸為7×7×2048。DenseNet121輸入的圖片尺寸為224×224×3,輸出特征尺寸為7×7×1024。

1.6 基于深度學(xué)習(xí)的病理信息預(yù)測模型

對上文提取的特征進(jìn)行病理信息預(yù)測。通過遷移學(xué)習(xí)提取出的特征維度較高,首先我們使用全局平均池化將特征降為一維,然后我們運(yùn)用全連接層逐級降維,為了解決深度神經(jīng)網(wǎng)絡(luò)容易過擬合的問題,我們引入了dropout[19]層。針對于單任務(wù)學(xué)習(xí)及多任務(wù)學(xué)習(xí)我們設(shè)計(jì)了不同的病理信息預(yù)測模型。單任務(wù)學(xué)習(xí)病理預(yù)測模型如圖3所示,多任務(wù)學(xué)習(xí)病理信息模型如圖4所示。多任務(wù)學(xué)習(xí)方法除了共享特征提取層,還在分類層中引入了共享層,即在分類時(shí)有一部分特征是兩個(gè)任務(wù)都擁有的。其中任務(wù)A與任務(wù)B的維數(shù)始終相同,且任務(wù)A、共享層及任務(wù)B的總維數(shù)始終為400,共享層的維數(shù)為超參數(shù)可調(diào)。單任務(wù)學(xué)習(xí)和多任務(wù)學(xué)習(xí)都在FC1后面及FC2后面引入dropout層。

圖3 單任務(wù)學(xué)習(xí)病理信息預(yù)測模型

圖4 多任務(wù)學(xué)習(xí)病理信息預(yù)測模型

2 結(jié)果

2.1 基于單任務(wù)學(xué)習(xí)的單序列影像病理信息預(yù)測

DCE-MRI具有6個(gè)序列,對6個(gè)單序列影像分別進(jìn)行單任務(wù)學(xué)習(xí),并建立病理信息預(yù)測模型。對各個(gè)單序列影像進(jìn)行預(yù)測分析,通過基于VGG16的遷移學(xué)習(xí)預(yù)測乳腺癌的病理信息,實(shí)驗(yàn)結(jié)果如表1所示。通過對表1分析可知,對于預(yù)測Ki－67表達(dá)任務(wù),S0序列表現(xiàn)最優(yōu),預(yù)測Ki－67的AUC值為0.752。對于預(yù)測Luminal A型任務(wù),S0序列表現(xiàn)最優(yōu),預(yù)測Luminal A型的AUC值為0.722。對于預(yù)測組織學(xué)分級任務(wù),S3序列表現(xiàn)最優(yōu),預(yù)測組織學(xué)分級的AUC值為0.695。

2.2 基于單任務(wù)學(xué)習(xí)的多序列影像病理信息預(yù)測

從DCE-MRI影像中選取3個(gè)減影序列組成多序列影像,對多序列影像進(jìn)行單任務(wù)學(xué)習(xí),并建立病理信息預(yù)測模型。首先我們選擇連續(xù)的3個(gè)序列S0,S1,S2作為輸入的多序列影像。為防止偶然性,我們把6個(gè)序列分為高中低3份,分別在3份中隨機(jī)選擇1個(gè)序列,最終選擇了S0,S3,S5作為輸入的多序列影像作為補(bǔ)充。對多序列影像進(jìn)行預(yù)測分析,通過基于VGG16的遷移學(xué)習(xí)預(yù)測乳腺癌的病理信息,實(shí)驗(yàn)結(jié)果如表2所示。

通過對表2分析可知,對于預(yù)測Ki－67,Luminal A型及組織學(xué)分級任務(wù),S0＋S1＋S2多序列影像分別對應(yīng)的AUC值為0.793,0.730,0.715。S0＋S3＋S5多序列影像分別對應(yīng)的AUC值為0.772,0.729,0.712。均優(yōu)于最優(yōu)單序列影像對應(yīng)的AUC值0.752,0.722,0.695。

表1 基于單任務(wù)學(xué)習(xí)單序列影像病理信息預(yù)測

表2 基于單任務(wù)學(xué)習(xí)多序列影像病理信息預(yù)測

2.3 基于CNN的多序列影像病理信息預(yù)測性能比較

對多序列影像采用不同的卷積神經(jīng)網(wǎng)絡(luò)對其進(jìn)行特征提取,對提取的特征進(jìn)行單任務(wù)學(xué)習(xí),分別建立基于不同卷積神經(jīng)網(wǎng)絡(luò)的病理信息預(yù)測模型。殘差網(wǎng)絡(luò)與DenseNet因其特有的“短路連接”在圖像分類上被普遍使用,本文主要選擇了VGG16,Res-Net50和DenseNet121進(jìn)行遷移,因多序列影像效果優(yōu)于單序列影像,故選擇多序列影像作為遷移學(xué)習(xí)的輸入圖像。實(shí)驗(yàn)結(jié)果如表3所示。

表3 基于CNN多序列影像預(yù)測比較(AUC)

通過對表3分析可知,對于預(yù)測組織學(xué)分級任務(wù),ResNet50與DenseNet121稍高于VGG16,對于預(yù)測Luminal A 與 Ki－67任務(wù),ResNet50與DenseNet121低于VGG16,綜合考慮三個(gè)任務(wù),因此本文最終選擇VGG16作為最終的遷移網(wǎng)絡(luò)。

2.4 基于多任務(wù)學(xué)習(xí)的多序列影像病理信息預(yù)測

對多序列影像進(jìn)行多任務(wù)學(xué)習(xí),并建立病理信息預(yù)測模型。通過上文的數(shù)據(jù)分析可知,Ki－67表達(dá)、Luminal A型與組織學(xué)分級之間任意兩個(gè)任務(wù)顯著相關(guān),分別對其進(jìn)行深度多任務(wù)學(xué)習(xí)聯(lián)合預(yù)測,S0＋S1＋S2多序列影像作為輸入影像,其實(shí)驗(yàn)結(jié)果如表4所示。通過對表4分析可知,多任務(wù)學(xué)習(xí)的病理信息預(yù)測結(jié)果優(yōu)于單任務(wù)學(xué)習(xí)。

表4 多序列影像單任務(wù)學(xué)習(xí)與多任務(wù)學(xué)習(xí)比較(AUC)

2.5 單任務(wù)學(xué)習(xí)與多任務(wù)學(xué)習(xí)預(yù)測模型比較

對上文所示單任務(wù)單序列、單任務(wù)多序列以及多任務(wù)多序列的病理信息預(yù)測模型進(jìn)行比較,其預(yù)測Ki－67表達(dá),分子分型和組織學(xué)分級結(jié)果的ROC曲線,如圖5所示。由圖5可知,在單任務(wù)學(xué)習(xí)中,多序列影像相比于單序列影像具有更好的性能。而對比單任務(wù)學(xué)習(xí),多任務(wù)學(xué)習(xí)的ROC曲線相比而言更偏向于左上方,說明多任務(wù)學(xué)習(xí)方法具有更好的分類性能。綜上所述,多任務(wù)學(xué)習(xí)方法相比于單任務(wù)學(xué)習(xí)方法可以提高預(yù)測乳腺癌病理信息的性能。

圖5 病理信息模型預(yù)測比較

3 討論

在本研究中,采用深度多任務(wù)學(xué)習(xí)的方法來預(yù)測DCE-MRI影像中乳腺癌常見的病理信息指標(biāo),包括Ki－67表達(dá),Luminal A型及組織學(xué)分級。對采集的DCE-MRI影像分割出含腫瘤一側(cè)的腺體區(qū)域,得到其6個(gè)減影序列,并對分割后的減影序列進(jìn)行裁剪。首先將數(shù)據(jù)集隨機(jī)分為訓(xùn)練集與測試集,并將訓(xùn)練集的數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)充,測試集數(shù)據(jù)保持不變。其次構(gòu)建基于遷移學(xué)習(xí)的預(yù)測模型分別提取單序列影像以及由隨機(jī)3個(gè)序列組成的多序列影像的高維特征,隨后,采用單任務(wù)學(xué)習(xí)方法以及特征共享的多任務(wù)學(xué)習(xí)方法分別對基于Ki－67表達(dá)與Luminal A型、基于Ki－67表達(dá)與組織學(xué)分級、基于Luminal A型與組織學(xué)分級進(jìn)行預(yù)測,并計(jì)算AUC評估單序列影像預(yù)測模型、多序列影像預(yù)測模型以及多任務(wù)影像預(yù)測模型的性能。結(jié)果表明,采用多序列影像,可以提高單序列影像模型預(yù)測乳腺癌病理信息的性能,采用多任務(wù)學(xué)習(xí),可以提高單任務(wù)學(xué)習(xí)影像模型預(yù)測乳腺癌病理信息的性能。

基于深度多任務(wù)學(xué)習(xí)預(yù)測DCE-MRI影像乳腺癌病理信息的研究是一個(gè)較新的探索領(lǐng)域,Tian等[20]設(shè)計(jì)了交通場景中完成主體識別任務(wù)算法,通過多任務(wù)學(xué)習(xí)提高了主體識別的準(zhǔn)確率和召回率。范正光等[21]使用深度多任務(wù)學(xué)習(xí)方法,建立聲學(xué)模型,能夠高效的完成語音識別任務(wù)。但深度多任務(wù)學(xué)習(xí)很少應(yīng)用在DCE-MRI影像中。本課題組的前期研究顯示,通過深度卷積神經(jīng)網(wǎng)絡(luò)對乳腺癌分子分型預(yù)測的受試者的DCE-MRI影像進(jìn)行分析,有一定的預(yù)測效果[22]。采用機(jī)器學(xué)習(xí),DCE-MRI和DWI通過多任務(wù)學(xué)習(xí)可以提高Ki－67表達(dá)和分級的預(yù)測能力[23－24]。筆者首次嘗試使用深度多任務(wù)學(xué)習(xí)的方法應(yīng)用于DCE-MRI影像乳腺癌Ki－67表達(dá),Luminal A型與組織學(xué)分級預(yù)測的研究中,預(yù)測性能基本達(dá)到預(yù)期效果。

本研究存在一定的局限性:一是數(shù)據(jù)樣本規(guī)模較小,在未來的研究中可以采用大型獨(dú)立的多參數(shù)影像數(shù)據(jù)集,對預(yù)測模型的魯棒性進(jìn)行進(jìn)一步的驗(yàn)證；二是在對Ki－67表達(dá)、Luminal A型以及組織學(xué)分級3個(gè)任務(wù)進(jìn)行預(yù)測時(shí),只進(jìn)行基于2個(gè)任務(wù)的多任務(wù)學(xué)習(xí)研究,后續(xù)會進(jìn)一步進(jìn)行基于3個(gè)任務(wù)的多任務(wù)學(xué)習(xí)研究。

4 結(jié)論

本文提出了基于DCE-MRI影像的深度多任務(wù)學(xué)習(xí)的乳腺癌病理信息預(yù)測算法。實(shí)驗(yàn)結(jié)果表明,使用深度多任務(wù)學(xué)習(xí),可以對乳腺癌的前期診斷和個(gè)性化臨床治療方案的選擇提供有價(jià)值的參考。在后續(xù)研究中,會進(jìn)一步研究基于Ki－67表達(dá),Luminal A型,組織學(xué)分級的多任務(wù)學(xué)習(xí)的研究,并且引入更多顯著性相關(guān)的任務(wù),增加該技術(shù)在臨床上的實(shí)用性。