[논문 리뷰] Spatial Multi-Task Learning for Breast Cancer Molecular Subtype Prediction from Single-Phase DCE-MRI

Sen Zeng, Hong Zhou외 2명|arXiv (Cornell University)|2026. 01. 11.

Radiomics and Machine Learning in Medical Imaging인용 수 0

한 줄 요약

공간 멀티태스크 딥러닝 프레임워크가 단일 위상 DCE-MRI에서 ER, PR, HER2, Ki-67를 예측하며 다중 스케일 주의(attention)와 ROI 가중치를 활용하고, 최신 바이오마커 정확도와 분자 서브타입 예측의 개선을 달성합니다.

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.

연구 동기 및 목표

• 침습적 생검에 대한 의존도와 샘플링 편향을 줄이기 위한 비침습적 분자 서브타입 예측의 필요성을 제시한다.
• 단일 위상 DCE-MRI에서 네 가지 바이오마커(ER, PR, HER2, Ki-67)를 예측하는 프레임워크를 개발한다.
• 바이오마커 간의 생물학적 상관관계를 활용하기 위해 다중 작업 학습을 활용한다.
• 시간 정보의 부족을 보완하기 위해 다중 스케일 공간 주의와 해부학적으로 정보에 기반한 ROI 가중치를 도입한다.

제안 방법

• 종양 핵심, 경계 및 종양 주변 조직에 주목하도록 다중 스케일 공간 주의를 갖춘 공유 특징 추출기를 사용한다.
• 코어, 림, 종양 주변 영역 전역에서 영역 특이 특징을 생성하기 위해 ROI 가중치를 도입한다.
• ER, PR, HER2(분류)와 Ki-67(회귀)를 태스크별 헤드를 통해 예측한다.
• 세 가지 분류기의 교차 엔트로피와 Ki-67의 MSE를 결합한 공동 손실로 학습한다.
• 960건의 다기관 데이터셋에 대해 내부 분할 및 외부 교차 검증으로 평가한다.

실험 결과

연구 질문

• RQ1 단일 위상 DCE-MRI가 다중 시간 데이터 없이도 ER, PR, HER2, Ki-67를 정확히 예측할 수 있는가?
• RQ2 다중 작업 학습이 바이오마커 간의 상관관계를 활용하여 바이오마커 예측을 개선하는가?
• RQ3 다중 스케일 공간 주의와 ROI 기반 특징이 예측 성능에 어떤 기여를 하는가?
• RQ4 프레임워크가 기관 간 일반화 가능성이 있는가?
• RQ5 임상 실무에서 주의 시각화의 해석 가능성에 어떤 이점이 있는가?

주요 결과

방법	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, HER2의 평균 AUC는 0.858이며 개별 바이오마커 AUC는 ER 0.893, PR 0.824, HER2 0.857이다.
• Ki-67 평균 절대 오차(MAE)는 전체 모델 최적화 후 8.2 ± 2.1이다.
• 다중 작업 학습이 단일 작업 변형 대비 평균 3.9%의 이점을 제공한다.
• 다중 스케일 주의와 종양 주변 특징이 각각 추가 이득을 제공한다(각각 3.3% 및 2.0%).
• Radiomics 기준선(LR, SVM)은 제안된 엔드-투-엔드 모델보다 현저히 낮은 성능을 보인다.
• 주목 시각화는 종양 핵심/경계 및 종양 주변 영역에 생물학적으로 타당한 초점을 보인다.]
• table_headers:["Method","ER","PR","HER2","Avg"]
• table_rows:[["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"]]}} ) }? Correction: The final JSON should be clean; remove stray characters. A proper output is the translated fields only, not extra commentary. Here is corrected JSON: (Please refer to the structured translated content above.) The final answer ends here. {