貴大新聞網訊（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）及貴州省先進醫學成像與智能計算全省重點實驗室在醫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”發表于國際頂級期刊 Medical Image Analysis（MedIA）。這標志著貴州大學在醫學影像人工智能領域取得了重要突破。MedlA期刊由國際醫學圖像計算和計算機輔助干預協會（MICCAI Society）主辦，創刊于1996年，是醫學與生物圖像分析領域的權威期刊，屬于中國科學院一區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。

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據集上驗證了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，均顯著優于現有方法。同時，研究還發現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據上保持一致，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，有助于實現膠質瘤的精準診斷與個性化治療，對推動精準醫療發展具有重要意義。

編輯：張蟬

責編：李旭鋒

編審：丁龍