近日，复旦大学附属华山医院放射科、启东复旦医学创新研究院的耿道颖教授团队联合多家中心，在国际权威期刊《Npj Digital Medicine》上发表了题为《Multi-task Deep Learning Assists Detection and Diagnosis of Gliomas and Brain Metastases》的研究论文。该研究针对胶质瘤与脑转移瘤在常规MRI上表现相似、鉴别诊断困难的临床痛点，开发了一种多任务深度学习模型BTSC-Net，并构建了计算机辅助诊断系统BTSC-CAD。该系统能够同时实现肿瘤的精准分割与分类，显著提高了放射科医师（尤其是低年资医师）的诊断准确性与工作效率。研究还揭示了多任务学习与特征共享机制在脑肿瘤影像辅助诊断中的核心价值。

胶质瘤与脑转移瘤是成人最常见的两种恶性颅内肿瘤，其常规增强MRI上均可出现不规则环形强化、中心坏死及瘤周水肿，导致影像学鉴别十分困难，误诊率可达10%～30%。传统深度学习模型多采用“先分割、后分类”的级联架构，易受分割误差传播影响。研究团队提出假设：通过多任务联合学习，让分割与分类任务共享底层特征，有望同时提升两者的性能。

设计并验证多任务深度学习模型BTSC-Net，实现“一网双能”协同分析

研究团队构建了BTSC-Net（Brain Tumor Segmentation and Classification Network），采用CNN-Transformer混合编码器、对称边界注意力模块（SBAM）和特征融合校正模块（FFCM）。该模型可同时处理对比增强T1加权成像（CE-T1WI）和T2-液体衰减反转恢复（T2-FLAIR）两个序列，输出肿瘤的像素级掩膜（检测）和病变类型（诊断：胶质瘤 vs. 脑转移瘤 vs. 健康对照）。

研究纳入七个中心共3,909例参与者，分为训练集（3,133例）、内部测试集（341例）和外部测试集（435例）。在检测任务上，BTSC-Net在内部与外部测试集的Dice系数分别达到0.888和0.872，HD95分别为20.9mm和22.7mm。在诊断任务上，AUC分别为0.941和0.933，准确率分别为0.941和0.933。与现有最先进方法相比，BTSC-Net在检测上较TransBTSV2提升Dice 4.7%～6.1%，在诊断上较T2T-ViT提升AUC 3.8%～5.4%，校准曲线与决策曲线亦显示其更优的临床适用性。

构建临床可用的CAD系统，显著提升低年资医师诊断效能并缩短读片时间

研究团队进一步将BTSC-Net集成为客户端-服务器架构的计算机辅助诊断系统BTSC-CAD，并接入医院PACS环境。在外部测试集上开展了随机交叉对照临床评估：1名高年资医师（20年经验）和4名低年资医师（3～5年经验）先后独立诊断和使用BTSC‑CAD辅助诊断。结果显示：

1.检测任务：低年资医师在BTSC-CAD辅助下，AUC提升0.031～0.059（提升4.8%～6.5%，P<0.05），敏感性提高4.4%～9.2%；读片时间平均减少64.75秒（降幅30.8%）；

2.诊断任务：低年资医师的AUC提升0.131～0.225（提升17.3%～33.9%，P<0.001），其中基线最低者获益最大；

3.与高年资医师比较：BTSC-CAD独立诊断的AUC（检测0.988，诊断0.933）与高年资医师（检测0.991，诊断0.948）无统计学差异（净重分类改善指数NRI分别为0.004和0.029，P均>0.05。

该研究提出了“多任务学习同时优化肿瘤分割与分类”的技术路线，验证了其在胶质瘤与脑转移瘤鉴别诊断中的优越性。BTSC-CAD系统不仅在高年资医师水平上达到等效诊断能力，更显著提升了低年资医师的诊疗水平和效率，为神经肿瘤影像的智能化辅助决策提供了具有临床转化潜力的解决方案。未来团队将进一步在前瞻性自然患病率队列中验证，并拓展至更多颅内病变类型。

复旦大学华山医院刘晓，吕坤是该论文的共同第一作者，复旦大学附属华山医院和启东复旦医学创新研究院的耿道颖教授为论文的通讯作者。本研究得到国家自然科学基金委员会、上海市科学技术委员会、启东复旦医学创新研究院等资助支持。

原文链接：

https://www.nature.com/articles/s41746-026-02759-3