貴大新聞網(wǎng)訊（計算機科學與技術學院）近日，我校計算機科學與技術學院（貴州保密學院）及貴州省先進醫(yī)學成像與智能計算全省重點實驗室在醫(yī)學影像人工智能領域取得重要研究成果。相關論文“Cooperative multi-task learning and interpretable image biomarkers for glioma grading and molecular subtyping”發(fā)表于國際頂級期刊 Medical Image Analysis（MedIA）。這標志著貴州大學在醫(yī)學影像人工智能領域取得了重要突破。MedlA期刊由國際醫(yī)學圖像計算和計算機輔助干預協(xié)會（MICCAI Society）主辦，創(chuàng)刊于1996年，是醫(yī)學與生物圖像分析領域的權威期刊，屬于中國科學院一區(qū)Top期刊，影響因子10.6。

該論文第一作者為計算機科學與技術學院博士研究生陳祈劍，通訊作者為王麗會教授。該研究獲得國家自然科學基金、貴州省科技計劃項目和貴州省基礎研究項目的資助。

膠質瘤是最常見的原發(fā)性腦腫瘤，其精準診斷和個性化治療對患者預后至關重要。盡管深度學習方法已廣泛應用于膠質瘤磁共振圖像分類預測，但現(xiàn)有方法僅支持單一分類任務、依賴腫瘤分割，且缺乏可解釋的影像標志物。如何同時準確預測膠質瘤的組織學分級和分子亞型，并提供可解釋的影像標志物，仍具有重大挑戰(zhàn)。

為解決上述問題，王麗會教授團隊提出了一種新型多任務協(xié)同學習范式（CMTLNet），用于挖掘不同分類任務間的共性信息。同時，結合正交投影與條件引導策略，提取任務特定的獨有特征。通過融合共性與獨有特征，進一步提升多種膠質瘤分類預測任務的性能。最后，結合SHAP值與影像組學相關性分析，探索不同預測任務中的可解釋影像標志物。

研究團隊在包含1800多個病例的大型多中心數(shù)據(jù)集上驗證了CMTLNet模型的有效性。實驗結果顯示，CMTLNet在膠質瘤的組織學分級與分子亞型預測方面，均顯著優(yōu)于現(xiàn)有方法。同時，研究還發(fā)現(xiàn)了某些與膠質瘤不同分類任務高度相關的影像組學特征，變化趨勢在多個中心數(shù)據(jù)上保持一致，為膠質瘤不同分子亞型診斷提供了新的可靠影像標志物。

該研究成果為膠質瘤的多任務預測提供了一種可解釋的工具，有助于實現(xiàn)膠質瘤的精準診斷與個性化治療，對推動精準醫(yī)療發(fā)展具有重要意義。

編輯：張蟬

責編：李旭鋒

編審：丁龍