본 논문에서는 뇌종양의 비침습적이고 정확한 특성 분석을 위해, 대규모 신경영상 데이터로 사전 훈련된 BrainSegFounder 모델을 기반으로 하는 새로운 다중 작업 SWIN-UNETR (MTS-UNET) 모델을 제안합니다. MTS-UNET은 뇌종양 분할, 조직학적 등급 분류, 그리고 IDH 돌연변이 및 1p/19q 공동 결실과 같은 분자 아형 분류를 동시에 수행합니다. 다중 스케일 종양 중심 특징 추출을 위한 종양 인식 특징 인코딩(TAFE) 모듈과 IDH 돌연변이와 관련된 미묘한 T2-FLAIR 불일치 신호를 강조하는 교차 모달 차등(CMD) 모듈을 통합하여 7개 공개 데이터셋의 2,249명의 뇌종양 환자를 대상으로 훈련 및 검증하였습니다. 그 결과, 분할에 대해 평균 Dice 점수 84%, IDH 돌연변이에 대해 90.58% AUC, 1p/19q 공동 결실 예측에 대해 69.22% AUC, 등급 분류에 대해 87.54% AUC를 달성하여 기준 모델보다 유의미하게 성능이 향상됨을 보였습니다(p<=0.05). 이는 다양한 MRI 데이터셋에서 강력한 일반화 성능을 보이며 비침습적이고 개인 맞춤화된 뇌종양 관리를 위한 잠재력을 보여줍니다.
