[论文解读] 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 0

一句话总结

一个空间多任务深度学习框架利用多尺度注意力和感兴趣区域（ROI）权重，从单相DCE-MRI预测ER、PR、HER2和Ki-67，达到尖端 biomarker 准确性并提升分子亚型预测。

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.

研究动机与目标

• 推动非侵入性分子亚型预测以降低对侵入性活检和采样偏倚的依赖。
• 开发一个框架，从单相DCE-MRI预测四种生物标志物（ER、PR、HER2、Ki-67）。
• 利用多任务学习，挖掘生物标志物之间的生物学相关性。
• 结合多尺度空间注意力和解剖信息驱动的ROI加权，弥补缺乏时序信息的不足。

提出的方法

• 使用具有多尺度空间注意力的共享特征提取器，聚焦于肿瘤核心、边缘和周围组织。
• 引入ROI加权，在核心、边缘和周围区域创建区域特异特征。
• 通过任务特定头预测ER、PR、HER2（分类）和Ki-67（回归）。
• 用联合损失训练，三分类器使用交叉熵，Ki-67使用均方误差（MSE）。
• 在960例多中心数据集上进行内部分割和外部交叉验证评估。

实验结果

研究问题

• RQ1 单相DCE-MRI在没有多时相数据的情况下是否能准确预测ER、PR、HER2和Ki-67？
• RQ2 多任务学习是否通过利用生物标志物之间的相关性提升预测？
• RQ3 多尺度空间注意力和基于ROI的特征对预测性能的贡献是什么？
• RQ4 该框架在不同机构之间的泛化能力如何？
• RQ5 来自注意力可视化的可解释性是否对临床实践有帮助？

主要发现

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

• 平均AUC覆盖ER、PR和HER2为0.858，单个生物标志物AUC分别为ER 0.893、PR 0.824、HER2 0.857。
• Ki-67平均绝对误差（MAE）为8.2±2.1，在完全模型优化后。
• 多任务学习相对于单任务变体平均提升约3.9%。
• 多尺度注意力和周围特征分别带来额外提升（分别为3.3%和2.0%）。
• Radiomics基线方法（LR、SVM）显著劣于提出的端到端模型。
• 注意力可视化显示对肿瘤核心/边缘及周围区域的生物学上合理聚焦。