基于TransUNet改进的多任务模型在直肠癌新辅助治疗中的应用

摘要

目的 本研究基于深度学习方法对分割模型TransUNet做部分改进，构建既可分割又可预测分类的多任务模型，并应用于直肠癌新辅助治疗患者敏感人群识别的核磁图像中。方法 多任务模型在TransUNet基础上添加分类结构，具体为全连接层(输入为512,输出为256)、ReLU激活函数、全连接层(输入为256,输出为3),实现三分类结局的预测，即疾病稳定(stable disease, SD),部分反应(partial response, PR)和完全反应(complete response, CR)。以2015—2017年哈尔滨医科大学附属肿瘤医院收治的71名直肠癌患者新辅助化疗前的3D核磁图像提取为2D图像作为研究数据，采用Dice系数和豪斯多夫距离评价分割效果，准确率、micro-precision、micro-recall和micro-F1 score评价分类效果。结果 模型训练了100个轮次，分割任务在测试集上的平均Dice系数和平均豪斯多夫距离分别为0.851和10.806,分类任务从切片角度，测试集上的准确率、micro-precision、micro-recall和micro-F1 score均为0.615,从患者角度，四个指标均为0.857。结论 分割任务效果良好，分类任务以切片为单位，效果一般，以患者为单位，考虑到结局为三分类，尚且可以接受。该多任务模型有潜力用于临床进行辅助诊断。

关键词

深度学习 / 多任务学习 / 结直肠癌 / 新辅助治疗

基金资助

国家自然科学基金项目(82073666;82473735); 黑龙江省自然科学基金(LH2022H067)