論文の概要: Spatial Multi-Task Learning for Breast Cancer Molecular Subtype Prediction from Single-Phase DCE-MRI

• arxiv url: http://arxiv.org/abs/2601.07001v1
• Date: Sun, 11 Jan 2026 17:33:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.108304
• Title: Spatial Multi-Task Learning for Breast Cancer Molecular Subtype Prediction from Single-Phase DCE-MRI
• Title（参考訳）: 単一位相DCE-MRIによる乳癌分子種予測のための空間的マルチタスク学習
• Authors: Sen Zeng, Hong Zhou, Zheng Zhu, Yang Liu,
• Abstract要約: 乳癌分子型予測のための空間マルチタスク学習フレームワークを提案する。 このフレームワークは、エストロゲン受容体(ER)、プロゲステロン受容体(PR)、ヒト上皮成長因子受容体2(HER2)、およびKi-67増殖指数を同時に予測する。
• 参考スコア（独自算出の注目度）: 30.331894334353038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• 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.
• Abstract（参考訳）: 正確な分子サブタイプ分類は、パーソナライズされた乳癌治療に不可欠であるが、従来の免疫組織化学的分析は、侵襲的な生検に依存しており、偏見をサンプリングする傾向がある。 ダイナミックコントラスト強調MRI(Dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI)は、非侵襲的な腫瘍の特徴づけを可能にするが、臨床ワークフローは通常、単一の位相後コントラスト画像のみを取得し、スキャン時間と造影剤の投与量を減少させる。 本研究では,乳がん分子サブタイプ予測のための空間的マルチタスク学習フレームワークを提案する。 このフレームワークは、エストロゲン受容体(ER)、プロゲステロン受容体(PR)、ヒト上皮成長因子受容体2(HER2)、および分子サブタイプを集合的に定義するKi-67増殖指標を同時に予測する。 このアーキテクチャは、腫瘍のコア、リム、周囲の組織を強調する領域の重み付けモジュールとともに、マルチスケールの空間的注意と深い特徴抽出ネットワークを統合して、腫瘍内および経時的特徴を捉えている。 マルチタスク学習は、タスク固有の予測分岐との共有表現を通じて、バイオマーカー間の生物学的相関を利用する。 960件のデータセット(トレーニング/バリデーション/テストでは7:1:2,5倍のクロスバリデーションにより評価された74件の外部ケースを分割した886件の内ケース)の実験では,提案手法がそれぞれER,PR,HER2分類では0.893,0.824,0.857のAUCを達成し,Ki-67回帰では平均絶対誤差が8.2\%であり,放射能と単一タスクのディープラーニングベースラインを著しく上回った。 これらの結果は、標準的なイメージングプロトコルを用いた正確な非侵襲的な分子サブタイプ予測の可能性を示している。

関連論文リスト

• FoundBioNet: A Foundation-Based Model for IDH Genotyping of Glioma from Multi-Parametric MRI [1.4249472316161877]
  我々は,多パラメータMRIから非侵襲的にIDH変異を予測できるFoundBioNet(FoundBioNet)を提案する。 1705人のグリオーマ患者を6つの公開データセットから多施設で訓練し, 評価した。 我々のモデルは、EGD、TCGA、Ivy GAP、RHUH、UPennの独立したテストセットに対して90.58%、88.08%、65.41%、および80.31%のAUCを達成した。
  論文  参考訳（メタデータ） (2025-08-09T00:08:10Z)
• Towards a Multimodal MRI-Based Foundation Model for Multi-Level Feature Exploration in Segmentation, Molecular Subtyping, and Grading of Glioma [0.2796197251957244]
  Multi-Task S-UNETR(MTSUNET)モデルはBrainSegFounderモデルに基づいて構築された新しい基盤ベースのフレームワークである。 同時にグリオーマのセグメンテーション、組織学的サブタイプ、神経画像サブタイプを行う。 非侵襲的, パーソナライズされたグリオーマ管理の進展には, 予測精度と解釈可能性を改善することにより有意な可能性を秘めている。
  論文  参考訳（メタデータ） (2025-03-10T01:27:09Z)
• TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
  そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。 本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
  論文  参考訳（メタデータ） (2024-11-05T19:35:10Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Dual-path convolutional neural network using micro-FTIR imaging to predict breast cancer subtypes and biomarkers levels: estrogen receptor, progesterone receptor, HER2 and Ki67 [0.0]
  新しい畳み込みニューラルネットワークであるCaReNet-V2は、乳がんと隣接する組織を分類し、バイオマーカーのレベルを予測するために開発された。 このモデルにより, ER, PR, HER2レベルの予測が可能となった。
  論文  参考訳（メタデータ） (2023-10-23T17:05:53Z)
• One-dimensional convolutional neural network model for breast cancer subtypes classification and biochemical content evaluation using micro-FTIR hyperspectral images [0.0]
  本研究は乳がんの亜型評価と生化学的貢献のための1次元深層学習ツールを開発した。 新しい1D畳み込みニューラルネットワークCaReNet-V1は乳癌(CA)と隣接組織(AT)を分類するために開発された Grad-CAMの1次元適応を応用し, 生体化学的影響について検討した。
  論文  参考訳（メタデータ） (2023-10-23T16:58:34Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。