[論文レビュー] Spatial Multi-Task Learning for Breast Cancer Molecular Subtype Prediction from Single-Phase DCE-MRI

Sen Zeng, Hong Zhou+2 more|arXiv (Cornell University)|Jan 11, 2026

Radiomics and Machine Learning in Medical Imaging被引用数 0

ひとこと要約

単一フェーズDCE-MRIからER、PR、HER2、Ki-67を予測する空間的マルチタスク深層学習フレームワーク。マルチスケールアテンションとROI重み付けを用い、バイオマーカーの精度を最先端へ、分子サブタイプ予測を改善。

ABSTRACT

Accurate molecular subtype classification is essential for personalized breast cancer treatment, yet conventional immunohistochemical analysis relies on invasive biopsies and is prone to sampling bias. Although dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) enables non-invasive tumor characterization, clinical workflows typically acquire only single-phase post-contrast images to reduce scan time and contrast agent dose. In this study, we propose a spatial multi-task learning framework for breast cancer molecular subtype prediction from clinically practical single-phase DCE-MRI. The framework simultaneously predicts estrogen receptor (ER), progesterone receptor (PR), human epidermal growth factor receptor 2 (HER2) status, and the Ki-67 proliferation index -- biomarkers that collectively define molecular subtypes. The architecture integrates a deep feature extraction network with multi-scale spatial attention to capture intratumoral and peritumoral characteristics, together with a region-of-interest weighting module that emphasizes the tumor core, rim, and surrounding tissue. Multi-task learning exploits biological correlations among biomarkers through shared representations with task-specific prediction branches. Experiments on a dataset of 960 cases (886 internal cases split 7:1:2 for training/validation/testing, and 74 external cases evaluated via five-fold cross-validation) demonstrate that the proposed method achieves an AUC of 0.893, 0.824, and 0.857 for ER, PR, and HER2 classification, respectively, and a mean absolute error of 8.2\% for Ki-67 regression, significantly outperforming radiomics and single-task deep learning baselines. These results indicate the feasibility of accurate, non-invasive molecular subtype prediction using standard imaging protocols.

研究の動機と目的

• 侵襲的な生検とサンプリングバイアスの低減を目指した非侵襲的な分子サブタイプ予測の動機づけ。
• 単一フェーズDCE-MRIからER・PR・HER2・Ki-67の4つのバイオマーカーを予測するフレームワークを開発。
• バイオマーカー間の生物学的相関を活用するためのマルチタスク学習を活用。
• 時間情報の欠如を補うよう、マルチスケール空間アテンションと解剖学的に情報を含むROI重み付けを組み込む。

提案手法

• 腫瘍核・リム・腫瘍周囲組織に焦点を当てる多スケール空間アテンションを持つ共有特徴抽出器を使用。
• コア、リム、腫瘍周囲ゾーン全体で領域別特徴を作るROI重み付けを導入。
• ER・PR・HER2を分類、Ki-67を回帰としてタスク固有ヘッドで予測。
• 3つの分類器のクロスエントロピーとKi-67のMSEを組み合わせた共同損失で訓練。
• 960例のマルチセンター内割りと外部クロスバリデーションで評価。

実験結果

リサーチクエスチョン

• RQ1 単一フェーズDCE-MRIでマルチテンポラルデータなしにER・PR・HER2・Ki-67を正確に予測できるか。
• RQ2 バイオマーカー間の相関を活用してマルチタスク学習が予測を改善するか。
• RQ3 マルチスケール空間アテンションとROIベース特徴が予測性能にどの程度寄与するか。
• RQ4 機関間でフレームワークの一般化性能はどれほどか。
• RQ5 臨床実践におけるアテンション可視化の解釈性の利点は何か。

主な発見

Method	ER	PR	HER2	Avg
Full Model	0.893	0.824	0.857	0.858
w/o Multi-scale Attn	0.861	0.789	0.824	0.825
w/o Peritumoral Feat.	0.871	0.801	0.842	0.838
w/o Multi-task Learn.	0.857	0.781	0.819	0.819
w/o Shared Feat. Ext.	0.864	0.792	0.829	0.828
Single-scale Attn	0.859	0.785	0.823	0.822
Tumor Core Only	0.845	0.772	0.811	0.809
Radiomics (LR)	0.782	0.724	0.758	0.755
Radiomics (SVM)	0.771	0.718	0.749	0.746

• ER・PR・HER2の平均AUCは0.858、個別バイオマーカーのAUCはER 0.893、PR 0.824、HER2 0.857。
• Ki-67の平均絶対誤差（MAE）はモデル最適化後8.2±2.1。
• マルチタスク学習は単一タスク変種より平均で3.9%のゲインを生む。
• マルチスケールアテンションと腫瘍周囲特徴は追加の利益をもたらす（それぞれ3.3%、2.0%）。
• Radiomicsベースライン（LR、SVM）は提案されたエンドツーエンドモデルよりも著しく低い性能。
• アテンションの可視化は腫瘍核/リムおよび腫瘍周囲領域に生物学的に妥当な焦点を示す。