肝癌 TACE 多任务论文项目 Plan
最终目标：完成一篇与 /home/dyvm6xra/dyvm6xrauser11/workspace/cz/CT/lung/paper.pdf 架构相似的肝癌方向论文。原肺癌论文的核心不是单一模型，而是一个“cohort-aware + CT-first + support map + selective modality utility + clinical fusion + survival + ablation”的完整论文框架。本项目将其迁移到肝细胞癌 TACE 场景，形成一篇面向治疗反应和预后评估的多队列、多任务 AI 论文。
建议论文主题：
Cohort-aware multiphase CT-first modeling for TACE response characterization
and prognosis in hepatocellular carcinoma
中文定位：
面向肝细胞癌 TACE 治疗反应和预后的多队列、多期增强 CT-first 建模
1. 对标论文结构分析
肺癌论文的主线如下：
| 论文模块 | 肺癌论文做法 | 肝癌论文对应设计 |
|---|---|---|
| 临床问题 | 肺结节/肺病灶良恶性判断和预后 | HCC 患者 TACE 治疗反应、进展风险和生存预后 |
| 数据策略 | 多队列统一，覆盖筛查、诊断、外部验证 | WAW-TACE 主训练，HCC-TACE-Seg 外部验证，MSD/LiTS 分割预训练 |
| 核心输入 | CT 是必需输入，PET/临床/病理按可用性加入 | 多期增强 CT 是核心输入，临床变量和随访结局按可用性加入 |
| Stage A | CT lesion support map 和病灶周围区域 | liver/tumor support map，whole-liver crop 和 tumor-centered context |
| Stage B | CT-first 诊断，PET utility gate 选择性融合 | CT-first TACE 反应预测，phase utility gate 选择关键增强期相 |
| 异质监督 | 病理、随访、专家评分分开建模 | response、technical success、progression、PFS/OS/TTP 分开定义和加权 |
| Stage C | 多病灶聚合到患者级 survival | 多肿瘤 lesion aggregation，患者级 PFS/OS/TTP 生存预测 |
| Stage D | 病理一致性正则，仅训练时使用 | 第一版可用 radiomics/clinical consistency；第二阶段再扩展 TCGA-LIHC 病理/组学 |
| 验证方式 | 内部验证、外部验证、消融实验 | WAW-TACE 内部划分，HCC-TACE-Seg 外部验证，系统消融 |
| 论文图表 | Cohort figure、framework、diagnosis/seg/survival、external validation、ablation | 对应生成肝癌版 Figure 1-6 和 Table 1-2 |
本项目的关键改造点：肺癌论文中的 PET utility 不直接照搬为 PET，而是改造成“多期增强 CT phase utility”。也就是让模型判断 native、arterial、portal venous、delayed 等期相对 TACE 疗效和预后的增益，从而形成肝癌场景更合理的创新点。
2. 论文目标和核心贡献
第一版论文建议围绕三点贡献展开：
多队列 HCC-TACE 数据统一建模
- 将公开 HCC/TACE 影像、mask、临床变量和随访结局整理成统一格式。
- 明确训练集、验证集、外部验证集角色，突出跨队列泛化。
多期增强 CT-first 多任务框架
- 以 CT 为默认输入，完成肝脏/肿瘤分割、TACE 反应预测和生存预后分析。
- 引入 liver/tumor support map，使风险预测有明确解剖区域支撑。
- 引入 phase utility gate，评估不同增强期相是否提供额外价值。
患者级预后和临床可解释输出
- 对多肿瘤病例进行 lesion-level 到 patient-level 聚合。
- 输出 response/progression risk、PFS/OS/TTP 生存风险、期相贡献和不确定性。
- 通过校准、风险分层和消融实验证明模型不是单纯提高 AUC，而是更适合临床决策。
3. 数据集设计
第一阶段使用三个公开数据集：
| 数据集 | 角色 | 用途 |
|---|---|---|
| WAW-TACE | 主训练和内部验证 | 多期 CT 融合、肿瘤/器官 mask、临床变量、疗效和生存结局 |
| HCC-TACE-Seg | 外部验证 | 检验分割、TTP/OS、风险分层和模型泛化 |
| MSD Task03 Liver / LiTS | 分割预训练 | 训练 liver/tumor support map，增强分割和 ROI 定位能力 |
第二阶段可扩展数据：
| 数据集 | 建议用途 |
|---|---|
| TCGA-LIHC | 作为病理/组学一致性正则或外部生物学验证，不放第一版主线 |
| CHAOS / CT-ORG | 可作为肝脏 ROI 分割辅助，不作为主要论文证据 |
数据角色必须在论文中清楚说明：
MSD Task03 Liver / LiTS：只用于分割预训练，不参与 TACE 结局建模。WAW-TACE：主模型开发数据，承担主要结果。HCC-TACE-Seg：外部验证数据，不参与训练。
4. 论文方法框架
建议将方法写成四个 Stage，与对标论文保持同构。
Stage A: Liver/Tumor Support And Context Encoding
目标：从 CT 中获得肝脏和肿瘤区域支撑图，为后续预测提供解剖基础。
核心设计：
- 输入 whole-liver crop 或 tumor-centered crop。
- 输出 liver/tumor support map。
- 使用 support map 提取肿瘤核心、肿瘤周围区域和全肝背景特征。
- 生成简单形态学特征：肿瘤体积、最长径、肿瘤数量、肿瘤负荷等。
论文叙事重点：
- 预测不是黑箱整图分类，而是由肝脏和肿瘤区域引导。
- 支撑图既服务分割指标，也服务 response 和 survival。
Stage B: Multiphase CT-first Response Characterization
目标：以多期增强 CT 为主要输入，预测 TACE response、technical success、progression 或 recurrence risk。
核心设计：
- CT phase 输入：native、arterial、portal venous、delayed。
- 缺失期相用 mask 显式标记。
- 临床变量通过 clinical encoder 融合，并保留 missingness mask。
- 先生成 CT-only / available-phase baseline，再由 phase utility gate 学习不同期相的增益。
推荐第一版任务：
- 主分类任务：TACE response 或 progression risk，取决于 WAW-TACE 标签完整性。
- 辅助分类任务：technical success、recurrence risk 或早期进展风险。
- 校准输出：Brier score、ECE、reliability curve、低/中/高风险分层。
Stage C: Patient-level Aggregation And Survival Modeling
目标：将 lesion-level 表征汇总到 patient-level，预测 PFS、OS、TTP。
核心设计：
- 单肿瘤病例直接使用肿瘤表征。
- 多肿瘤病例使用 attention 或 burden-aware aggregation。
- 生存预测采用 discrete-time hazard head。
- 输出患者级 survival curve、risk score 和风险分层。
论文叙事重点：
- 模型不仅判断短期疗效，也保留与长期预后相关的信息。
- 多肿瘤聚合是 HCC 场景的重要临床特征，应作为消融点。
Stage D: Biological/Clinical Consistency Regularization
第一版不强制加入病理图像，因为公开 TACE 数据不一定具备匹配 WSI。为了保持与对标论文结构相似，可以采用轻量版本：
- 若 WAW-TACE 提供 radiomics：用 radiomics descriptor 与影像表征做一致性约束。
- 若临床风险评分可获得：与 BCLC、Child-Pugh、AFP 等临床变量形成弱监督一致性。
- 若第二阶段接入 TCGA-LIHC：再扩展 pathology/omics consistency regularization。
第一版论文中可以将该模块定位为可选增强模块。如果数据不支持，不应强行作为主结果。
5. 模型设计
第一版坚持一个共享 3D backbone，避免多 backbone 堆叠导致实现和解释复杂化。
Multiphase CT volumes
↓
Shared 3D SegResNet backbone
↓
multi-scale encoder features
↓
┌──────────────────────┬──────────────────────┬──────────────────────┐
│ Segmentation decoder │ ROI pooled features │ Phase utility module │
│ liver/tumor masks │ tumor/context tokens │ phase contribution │
└──────────────────────┴──────────────────────┴──────────────────────┘
↓
clinical fusion
↓
┌─────────────────┬─────────────────┬─────────────────┐
│ response risk │ progression risk │ survival hazard │
│ TACE response │ recurrence/TTP │ PFS / OS / TTP │
└─────────────────┴─────────────────┴─────────────────┘
输入通道：
channel 0: native / non-contrast CT
channel 1: arterial phase
channel 2: portal venous phase
channel 3: delayed phase
缺失期相处理：
- 缺失 phase 用 0 volume 填充。
- 额外输入
phase_availablemask。 - phase utility head 输出各期相贡献，用于 selective phase fusion。
主要 heads：
| 模块 | 输出 |
|---|---|
| Segmentation head | liver/tumor mask |
| Response head | TACE response / progression risk |
| Survival head | PFS、OS、TTP discrete-time hazard |
| Clinical encoder | clinical feature + missingness mask |
| Phase utility head | 不同期相的 utility score |
| Calibration module | 校准概率、风险分层和不确定性 |
6. 数据预处理
统一处理为模型友好的格式：
data/processed/
msd_liver/
images/
labels/
manifest.csv
waw_tace/
images/
masks_liver/
masks_tumor/
clinical.csv
manifest.csv
hcc_tace_seg/
images/
masks_tumor/
clinical.csv
manifest.csv
manifest 至少包含：
patient_id
case_id
ct_native_path
ct_arterial_path
ct_portal_path
ct_delayed_path
liver_mask_path
tumor_mask_path
label_response
label_progression
time_pfs
event_pfs
time_os
event_os
time_ttp
event_ttp
phase_available_native
phase_available_arterial
phase_available_portal
phase_available_delayed
clinical columns...
关键规则：
- DICOM 转 NIfTI/NPZ。
- DICOM SEG 转 mask，并检查 frame-of-reference。
- 多期 CT 按 patient/phase 对齐；第一版可使用统一 resampling 和粗配准，后续再升级 deformable registration。
- HU clipping 建议
[-150, 400]或[-100, 300]，不要沿用肺窗。 - 重采样优先
1.5mmisotropic，显存不足时使用2.0mm。 - ROI 优先使用 liver mask 做 whole-liver crop，再支持 tumor-centered crop。
- 多肿瘤病例保留 lesion-level mask，同时生成 patient-level 聚合标签。
- 临床变量标准化，类别变量 one-hot 或 embedding，并生成 missingness mask。
- 生存时间离散化到固定 bins，例如
6, 12, 18, 24, 36months。
7. 训练策略
阶段 1: 分割预训练
数据：MSD Task03 Liver / LiTS
目标：训练 liver/tumor support map
输出：segmentation checkpoint
阶段 2: WAW-TACE 多任务训练
数据：WAW-TACE
输入：多期 CT + liver/tumor mask + clinical + outcome
任务：segmentation + response/progression classification + PFS/OS/TTP survival
初始化：加载阶段 1 backbone 权重
阶段 3: Phase Utility 训练
比较：single-phase、all-phase、selective-phase
目标：判断哪些期相对 response/survival 有增益
输出：phase utility score 和 selective phase 实验结果
阶段 4: 外部验证
数据：HCC-TACE-Seg
用途：不参与训练，只评估分割、风险预测和生存分析泛化能力
阶段 5: 消融实验和论文图表
消融实验必须围绕论文贡献设计，而不是只做模型参数对比。
8. 损失函数
总损失采用可用监督开关，避免不同数据集标签不完整时强行训练。
L = mseg * λseg * Lseg
+ mcls * λcls * Lcls
+ msurv * λsurv * Lsurv
+ mutil * λutil * Lutil
+ mcal * λcal * Lbrier
+ mcons * λcons * Lconsistency
推荐第一版权重：
λseg = 1.0
λcls = 1.0
λsurv = 0.5
λutil = 0.2
λcal = 0.05
λcons = 0.05
具体损失：
- 分割：Dice + CE。
- 分类：BCE 或 CE，取决于 response 标签定义。
- 生存：discrete-time survival negative log likelihood。
- phase utility：比较 single-phase / all-phase 对验证目标的增益，生成 pseudo-label。
- 校准：Brier loss，验证阶段报告 ECE 和 reliability curve。
- 一致性：第一版仅在 radiomics 或临床风险评分可用时启用。
9. 评估指标
| 任务 | 指标 |
|---|---|
| 分割 | Dice、IoU、ASSD、NSD |
| 分类 | AUC、balanced accuracy、sensitivity、specificity、AP、F1、Brier、ECE |
| 生存 | C-index、time-dependent AUC、IBS |
| phase utility | selected phase ratio、single-phase vs all-phase vs selective-phase gain |
| 校准 | Brier score、ECE、reliability curve、risk strata |
| 外部验证 | HCC-TACE-Seg 上的 segmentation、response/risk、survival 指标 |
10. 论文图表规划
建议按对标论文组织图表：
| 图表 | 内容 |
|---|---|
| Figure 1 | 数据队列和变量统一：WAW-TACE、HCC-TACE-Seg、MSD/LiTS 的角色、样本量、临床变量和结局 |
| Table 1 | 队列特征表：年龄、性别、肿瘤数量、肿瘤大小、BCLC/Child-Pugh/AFP、response、PFS/OS/TTP |
| Figure 2 | 内部验证结果：分割、response/progression 分类、生存分析 |
| Figure 3 | liver/tumor support map 可视化案例 |
| Figure 4 | HCC-TACE-Seg 外部验证结果 |
| Table 2 | 消融实验 |
| Figure 5 | 总体框架图：Stage A-D |
| Figure 6 | 多期 CT-first + phase utility + clinical fusion 细节图 |
11. 消融实验设计
对标论文 Table 2，建议至少包含：
| 编号 | 消融项 | 目的 |
|---|---|---|
| F0 | Full model | 完整模型 |
| A1 | 去掉 support map，改为普通 crop pooling | 验证解剖支撑图价值 |
| A2 | 去掉 peritumoral context，只用 tumor core | 验证肿瘤周围区域价值 |
| B1 | 去掉 clinical variables | 验证临床变量贡献 |
| B2 | 去掉 missingness mask，只做 zero-fill | 验证缺失标记价值 |
| B3 | all-phase 直接融合，无 phase utility | 验证选择性期相融合价值 |
| B4 | single best phase only | 验证多期信息是否必要 |
| B5 | 去掉 calibration | 验证概率校准价值 |
| C1 | 多肿瘤病例使用 mean pooling | 验证 patient-level aggregation |
| C2 | 去掉 survival multitask | 验证生存任务对整体表征的贡献 |
| D1 | 去掉 radiomics/clinical consistency | 验证一致性正则是否有增益 |
| P1 | 不使用 MSD/LiTS 预训练 | 验证分割预训练价值 |
12. 工程结构
建议在 liver/ 下建立独立工程：
liver/
plan.md
README.md
requirements-liver.txt
configs/
msd_liver_seg.yaml
waw_tace_multitask.yaml
hcc_tace_external.yaml
synthetic_smoke.yaml
data/
raw/
processed/
manifests/
scripts/
download_waw_tace.sh
download_hcc_tace_seg.sh
prepare_msd_liver.sh
build_manifests.py
run_synthetic_smoke.sh
src/
datasets/
preprocessing/
models/
losses/
train.py
evaluate.py
metrics.py
experiments/
splits/
results/
figures/
paper/
manuscript.md
tables/
figures/
13. 里程碑
| 阶段 | 时间 | 输出 |
|---|---|---|
| M1 论文复现框架拆解 | 1-2 天 | 肺癌论文模块映射、肝癌论文大纲 |
| M2 数据下载/索引 | 1-3 天 | raw data、download log、manifest 草稿 |
| M3 数据预处理 | 3-6 天 | NIfTI/NPZ、mask、crop、clinical table |
| M4 MSD/LiTS 分割预训练 | 2-4 天 | segmentation checkpoint、Dice/IoU |
| M5 WAW-TACE 多任务 baseline | 4-7 天 | multitask checkpoint、classification/survival metrics |
| M6 phase utility gate | 3-5 天 | selective phase 实验和 ablation |
| M7 HCC-TACE-Seg 外部验证 | 3-5 天 | external metrics |
| M8 消融实验 | 5-8 天 | Table 2 和 supplementary tables |
| M9 图表和论文初稿 | 5-7 天 | Figure 1-6、Table 1-2、manuscript draft |
第一版可运行模型结果预计 3-5 周；若目标是形成完整论文初稿，建议预留 5-7 周。最大变量是多期 CT 对齐、DICOM SEG 转换、clinical/outcome 字段统一，以及外部验证集标签是否足够支撑完整 response/survival 评估。
14. 第一版交付目标
第一版要交付的不只是代码，而是能支撑论文的完整证据链：
- 数据队列整理和 cohort harmonization 表。
- WAW-TACE 内部训练/验证结果。
- HCC-TACE-Seg 外部验证结果。
- liver/tumor support map 分割结果和可视化。
- TACE response/progression 分类结果。
- PFS/OS/TTP 生存分析结果。
- phase utility 对比实验。
- 消融实验 Table 2。
- 论文 Figure 1-6 和 Table 1-2 草稿。
paper/manuscript.md初稿。
15. 论文叙事建议
文章应避免写成“我们做了一个多任务模型”，而要写成：
TACE 后疗效和预后评估面临多期增强 CT、临床变量缺失、随访标签异质、
多肿瘤病例和外部泛化等问题。我们提出一个 cohort-aware、multiphase
CT-first 框架，以 CT 作为默认输入，通过肝脏/肿瘤支撑图建立解剖基础，
通过 phase utility 判断不同增强期相的增益，并在患者级别输出治疗反应、
进展风险和生存预后。模型在主训练队列和外部验证队列上完成分类、分割、
生存和校准评估，消融实验证明各模块具有非冗余贡献。
这条叙事与肺癌论文高度一致，同时又符合肝癌 TACE 的真实临床特点。