乳腺癌的发病率位于女性癌症之首,其死亡率的排名也居高不下。随着其发病率不断增长及患者群体日益年轻化,根据预后指标提供精准的治疗方案越来越受到人们的重视。磁共振成像(Magnetic resonance imaging,MRI)是一种多参数成像,其不同参数成像技术之间信息的互补使得MRI检查更有利于癌症的诊断。其中动态增强磁共振成像(Dynamic contrast enhancement MRI,DCE-MRI)不仅可以提供肿瘤的形态学信息,也能体现与组织血流相关的微观信息;弥散加权成像(Diffusion weighted imaging,DWI)可提供与扩散特性有关的定性和定量信息,为MRI诊治增添了新的维度。乳腺癌的病理组织学分级与其预后有紧密联系,Ki-67是一重要生物标志物,这两种指标均对实现乳腺癌的精准诊治提供了重要指导信息。多任务学习通过考虑不同任务之间的联系同时学习不同的任务,从而提高学习的效果,还未有研究将其应用于乳腺癌诊断中。乳腺癌病理组织学分级的研究是一个较新的探索领域,同类研究很少建立分类模型对其进行预测判断。本研究使用多任务学习方法联合多参数磁共振(DCE-MRI和DWI)图像来对乳腺癌的组织学分级及Ki-67表达进行预测研究。本文研究的内容有以下几点:1)病理信息处理:回顾性分析了符合研究要求的144例经过MRI检查的BI-RADS 3级及3级以上的乳腺癌患者病例,并整理其病理组织学分级情况、Ki-67表达情况、绝经史以及年龄等基本病理信息。之后采用方差分析及卡方检验等对归纳好的信息进行统计学分析,研究Ki-67表达与组织学分级间的相关性,并判断其他信息对Ki-67的表达有无影响。2)多参数影像的病灶区域分割及影像特征获取:对于DCE-MRI影像,我们使用空间模糊C均值以及马尔科夫随机场相结合的算法获取三维病灶。我们根据DWI影像的b值计算得到ADC图,将上述分割得到的一个DCE-MRI序列的三维病灶与对应的ADC影像进行配准,最终在ADC图上获取到与DCE-MRI病灶轮廓一致的病灶区域。随后我们对得到的各个序列的病灶影像进行特征提取。3)组织学分级及Ki-67预测的单任务学习研究:我们分别对两个预后指标预测任务进行了单特征分析、单参数建模分析以及多参数模型融合分析。其中单特征分析使用逻辑回归方法,单参数建模分析分别使用Lasso加逻辑回归、SVM-RFE加SVM两种方法,多参数模型融合分析使用了多分类器融合的方法,并计算了 AUC、ACC、灵敏度、特异度等指标评估预测模型。4)组织学分级及Ki-67预测的多任务学习研究:根据卡方检验的结果我们发现,组织学分级与Ki-67两个指标的相关性显著(P<0.05)。为了改善单一任务的学习性能,我们选用基于特征共享的多任务学习方法(即多任务特征选择)对两个预测任务同时进行学习。在多任务特征选择之后,我们在多任务学习的一个正则化框架下对预测指标建模。我们各自训练基于单参数影像的多任务预测模型。同单任务学习一样,我们采用多分类器融合的方式将不同参数的多任务预测模型融合,以弥补单参数预测模型的不足。最后,我们比较分析了不同学习方法的预测能力。本文基于多参数影像和多任务学习方法对乳腺癌分级及Ki-67表达预测进行了研究。研究结果显示,单任务学习中,两个预测任务的多参数联合应用的最优结果均比单一参数的预测模型高;而多任务学习中,不同参数影像上预测的最优结果均优于单任务学习。多参数影像和多任务学习方法相结合,使分级预测获得0.816±0.072的最优AUC,Ki-67表达预测获得0.821±0.074的最优AUC。结果证明,基于多参数影像和多任务学习方法的研究分析能够显著提高预测模型对乳腺癌组织学分级及Ki-67表达的预测能力,为临床的诊断与预后提供更准确的指导信息。