胶质瘤是由神经胶质细胞引起的原发性脑肿瘤。据世界卫生组织标准,基于组织学确定了胶质瘤等级。最近，引入了修订标准，考虑遗传因素，如异柠檬酸脱氢酶突变编码。胶质瘤的分级是与预后和生存相关的关键信息。将分级胶质瘤二分为高级别胶质瘤和低级别胶质瘤的方案已被广泛采用。将高级别胶质瘤与低级别胶质瘤区分开以评估肿瘤进展和治疗计划非常重要。有经验的观察者可以基于肿瘤增强很好地区分两个等级，但是计算机算法可能与人类专家的性能相匹配并且速度增加。更重要的是，计算机算法可能有助于开发高通量计算机辅助诊断系统。最近出现了一种称为放射组学的算法，作为以非侵入方式量化肿瘤特征的有效方法。许多研究表明，许多器官中不同的肿瘤类型可以通过放射组学分析来量化，放射组学的结果可以用作支持临床决策的成像生物标志物。放射学还可以揭示脑肿瘤的新特征，正如最近的一项研究。其他研究使用功能成像获得的特征预测了预后。最近，放射免疫学与基因组学相结合，利用两种不同类型的信息来更好地研究各种肿瘤类型。新方法被称为放射基因组学，并且有可能揭示结合基因和成像信息的两个不同高维信息的新发现。许多与放射学相关的现有脑肿瘤研究主要集中在胶质母细胞瘤上，胶质母细胞瘤是最具侵袭性的胶质瘤，并被认为是有限数量的成像方式。多模态数据本质上是高维的，因此正确处理它们需要精心选择的机器学习方法。然而，使用多模态数据和各种机器学习方法的放射医学的现有文献相对稀少。
　　在本文中，研究员将放射组学方法与各种机器学习方法相结合应用于胶质瘤患者的多模态成像，以研究是否可以非侵入性地确定胶质瘤的等级。本研究的目的是用放射组学方法量化胶质瘤，并使用该结果将胶质瘤分类为高级别胶质瘤或低级别胶质瘤。使用相关性和冗余标准选择了重要特征。研究员的目的是使用三种机器学习分类器证明这些特征对每种神经胶质瘤组织病理学分级的分类的有效性。放射组学方法可以从体内成像模态计算高维特征，而这在本研究中又用于区分高级别胶质瘤和低级别胶质瘤。研究员还测试了使用多数表决的三个分类器的整体是否比单个分类器更好。分类器明显优于其他分类器，因此整体过程不会改善整体性能。研究员的主要贡献是充分利用可用的多模态成像和各种机器学习方法来区分低级别胶质瘤和高级别胶质瘤。其他人也试图将高级别胶质瘤与低级别胶质瘤区分开来。使用来自质子磁共振波谱的相对脑血容量测量和代谢物比率，该研究的留一交叉验证部分可能导致过度拟合，而研究员的研究可以通过五重交叉验证来减少过度拟合问题。研究员发现肿瘤的非增强和增强部分的形状对于确定神经胶质瘤等级是重要的。肿瘤预后的另一个重要预测因素是肿瘤内异质性。他们使用主成分分析从高维特征开发放射性模型特征。但其结果难以解释。采用聚类有效地证明了影像学特征与恶性程度之间的关联，但结果仍难以解释。一项研究使用多模态成像开发了基于机器学习的图像预后成像生物标记，类似于研究员的研究。他们采用范数正则化方法来选择显着的成像特征并预测总体生存率。总之，研究员的研究旨在产生与现有分析相比稳定和可解释的放射学分析结果。
　　 最近，称为深度学习的机器学习算法已成为大幅提高现有机器学习技术性能的首选方法。诊断和预后预测中显示出前景。研究员的研究有一些局限性。研究员使用最初指定用于分段挑战的开源数据，因此研究员无法控制低级别胶质瘤和高级别胶质瘤组之间的所有因素。这可能包括患者选择的偏差。缺少使用来自其他临床站点的数据的独立验证。这可能会妨碍研究员对新数据的处理方法的适用性。两个班级之间存在阶级不平衡。研究员认为每个班级都有足够的样本进行统计建模。少数类过采样技术可能会减轻阶级不平衡问题。投资回报率由数据库提供，投资回报率的可重复性未经核实。世界卫生组织最近宣布了一种新的中枢神经系统肿瘤分类系统。它不仅考虑组织学信息，还考虑异柠檬酸脱氢酶突变和编码，将神经胶质瘤分为五个等级。研究员无法获得更新的胶质瘤分级，因此研究员使用了传统分级系统的信息。未来的研究应该考虑对新的评分系统进行评分。