基于多任务学习与可靠性评估的胶质瘤分割及IDH基因分型协同优化研究

　　本文提出一种基于多任务学习（MLNet）的联合优化框架，通过CNN-Transformer混合架构实现胶质瘤分割与IDH基因分型的协同训练，并引入可靠性评估机制提升预测可信度，为脑肿瘤精准诊断提供新范式。

　　

Highlight

IDH基因分型

IDH基因型在胶质瘤分型和治疗规划中具有关键作用。通过影像学特征无创预测IDH状态已成为重要研究方向。早期研究（如Qi等[8]）通过统计分析探究影像特征与IDH状态的关联，但需手动提取特征，耗时较长。为突破这一局限，深度学习方法被引入。例如Liang等[9]提出自动化——

MLNet的整体架构

图1展示了所提出的MLNet的整体架构。该框架包含两大核心组件：分割网络和基因分型网络。通过联合损失函数，模型在共享参数下实现胶质瘤分割与IDH基因分型的多任务学习。分割网络的输入包含四种MRI模态：T1、T2、T1增强（T1-ce）和Flair。

胶质瘤分割网络

图2展示了分割网络的详细架构。首先，4通道——

数据集

所提出算法的有效性通过BraTs2020数据集[22]进行验证。BraTs2020训练集包含369个病例。与BraTs2020数据集对应的IDH基因信息来自癌症基因组图谱（TCGA）数据库。根据现有信息，筛选出148个具有完整IDH基因状态的样本，而221个样本缺乏IDH基因数据。

实验设置

实验使用PyTorch进行模型训练，并采用NVIDIA RTX 4090 GPU——

消融实验

（1）损失函数的消融研究

考虑到分割模型训练的精细化，我们引入L_SK以优化分割处理。表2展示了L_SK的消融实验结果。可以观察到，来自L_SK的约束在细化分割中发挥了显著作用。

（2）单任务与多任务模型的消融实验

表3展示了单任务与多任务学习的结果。结果表明，多任务学习框架——

结论

本研究提出了一种多任务学习框架（MLNet），可从多模态MRI数据中联合执行胶质瘤分割和IDH基因分型。我们利用CNN-Transformer混合架构学习共享特征，并结合多任务损失函数增强分割与分型间的协同优化。此外，我们引入了可靠性评估机制以估计基因分型的置信度。通过——