我院魏炜老师团队联合西安市人民医院（西安市第四医院）印弘教授团队的研究成果“MTAF-Net: Multi-task learning for automated glioma segmentation and IDH genotyping in multi-parametric MRI”发表在中科院二区期刊《Biomedical Signal Processing and Control》（IF=4.9）。该研究围绕脑胶质瘤精准分割与分子分型的临床关键需求，提出了一种高效、可靠的多任务深度学习解决方案。

该研究是我院智能信息处理研究所长期深耕医工交叉的阶段性成果，团队长期面向智能医疗重大应用需求，持续开展医工交叉协同研究。在系统开展计算机视觉理论研究的基础上，结合多中心数据，持续推进算法创新与模型验证，不断提升模型在复杂医学影像场景下的稳定性与泛化能力。该成果充分体现了我院在推动人工智能技术向行业转化的积极探索与实践成效，反映了学院在培养具备算法创新能力和行业应用背景的复合型新工科人才方面取得的扎实进展。学院智能信息处理研究所将持续完善医工融合科研平台建设，助力智能医疗技术的临床转化与应用。

该成果由我院研究生马梦航、西安市人民医院（西安市第四医院）主任医师席一斌、美国范德比尔特大学博士生李让为并列第一作者，魏炜老师为通讯作者。该成果得到了国家自然科学基金面上项目“数字病理引导下的术前MRI精准预测胶质母细胞瘤相关分子标志物的研究”等项目的资助。

成果简介：基于多参数磁共振成像（MRI）的胶质瘤自动分割与异柠檬酸脱氢酶（IDH）基因分型预测在术前诊断、治疗决策与预后评估中具有重要意义。传统方法通常将这两项任务分别建模，难以充分挖掘其内在关联，限制了模型整体性能的提升。针对这一问题，研究团队提出了一种端到端三维多任务学习网络MTAF-Net，在统一框架下协同完成胶质瘤分割与IDH基因分型预测。该方法通过引入多注意力引导机制与多尺度特征融合策略，有效提取高质量共享特征；在编码阶段设计混合空间池化模块以减少下采样带来的空间信息损失；通过加权语义嵌入与注意力引导特征学习模块，增强肿瘤结构表达、缓解边界模糊与类内差异问题；并构建任务注意力模块，实现共享特征向不同任务的精准分配与优化。实验结果表明，该多任务模型在多中心及公开数据集上均取得了优于现有单任务和多任务方法的性能表现，在胶质瘤分割精度及IDH基因分型预测准确性方面均达到先进水平，验证了方法的可靠性与良好泛化能力。研究结果为智能医学影像分析中多任务协同建模提供了新的技术思路，也为胶质瘤精准诊疗提供了有力的技术支撑。

（撰稿：魏炜，审核：张蕾）

图1 所提出的MTAF-Net网络