基于多任务学习的肺结节生长预测与随访影像合成框架MT-NoGNet研究

《Frontiers in Oncology》：Multi-task learning for predicting pulmonary nodule growth and follow-up volume

本综述提出了一种创新的多任务学习框架MT-NoGNet，通过联合建模肺结节分割与视觉随访影像合成，实现了肺结节生长的精准预测。该模型将结节生长解耦为形态变形与内部纹理演化两个子任务，利用共享编码器与双解码器架构，结合交叉任务注意力机制，显著提升了预测准确性（PSNR达44.30，SSIM达0.7776）与临床适用性。研究首次实现了肺结节生长预测与分割的端到端同步处理，为优化临床随访方案提供了可视化决策支持工具。

　　

1 引言

肺结节是早期肺癌的常见征象，但其恶性转化风险异质性高，临床管理需依据风险分级制定差异化策略。计算机断层扫描（CT）凭借亚毫米级分辨率和低剂量协议成为肺结节筛查与随访的主要手段。然而，结节形态多样性和复杂性为小病灶的良恶性鉴别带来挑战。当前临床评估主要依赖放射科医生视觉判读不同时间点CT影像中结节的直径变化，但三维评估需对结节进行精确分割，手动勾画耗时且易受主观因素影响。尽管计算机辅助诊断（CAD）系统在结节检测、分割和良恶性判别方面取得进展，但针对随访期结节生长的研究仍因标注数据匮乏而受限。现有方法多聚焦单一维度（如仅预测直径变化）或采用级联框架分离处理形变与纹理，难以模拟临床医师综合形态与密度变化的整体评估模式，且依赖人工标注掩膜，阻碍临床转化。

2 材料与方法

研究收集上海胸科医院246例患者的539组随访CT数据，结节直径3-30毫米，随访时间8-1392天。数据经重采样至1毫米³体素，裁剪为48×48×48像素的兴趣区域（VOI），并进行窗宽窗位调整（CT值范围[-1024,400]）和归一化处理。

提出的MT-NoGNet网络基于3D U-Net骨架构建，包含共享编码器、形变预测解码器（输出位移场u）和纹理预测解码器（生成残差图像）。通过时空编码模块（TEM）将随访时间间隔t_itv映射为高频特征向量，使模型支持任意时间点的生长预测。形变分支通过空间变换函数φ=id+u将基线图像x_i映射为形变图像x_warp，纹理分支在形变掩膜s_warp约束下预测密度演化，最终输出由公式?=x_warp×(1-s_warp)+x_texture×s_warp合成。损失函数设计兼顾多任务协同：形变任务采用结合相似性损失L_sim、Tversky损失L_mask（参数α=0.2, β=0.8）和平滑正则项L_smooth的复合损失；纹理任务使用L1损失与正则项约束；分割任务采用Dice损失优化掩膜精度。

3 结果与讨论

在5折交叉验证中，MT-NoGNet在结节区域预测的PSNR达44.30，SSIM为0.7776，DSC为0.7823，显著优于U-Net基线模型和级联方法NoFoNet。消融实验表明，引入深度监督策略使结节区域SSIM提升0.0129，Tversky损失有效平衡形变预测的假阳性/假阴性，L1损失进一步优化纹理细节还原。可视化分析显示，模型能准确预测结节密度增加（如Nodule 1）、体积扩张（如Nodule 2）等关键生长特征，且在胸膜旁或伴纤维化等复杂解剖环境中仍保持合理结构一致性。错误分析指出模型性能边界主要受结节周围解剖复杂性影响，而非结节本身密度类型或大小。

4 结论

MT-NoGNet通过多任务协同学习实现了肺结节生长的高精度预测与可视化，为临床提供了一种端到端的随访影像合成工具。模型将形变与纹理演化解耦的策略契合放射科医生的综合评估逻辑，其输出的生长预测影像可直接辅助恶性风险分层。未来工作需通过多中心前瞻性研究验证模型临床效用，并探索非线性的生长动力学建模以进一步提升预测可靠性。