Neuro-Oncology：對腦膠質瘤IDH突變狀態進行分類的一種新型的基於MRI的全自動深度學習演算法

• 2020 年 4 月 1 日
• 筆記

異檸檬酸脫氫酶（Isocitrate dehydrogenase, IDH）突變狀態已成為神經膠質瘤的重要預後標誌。當前，可靠的IDH突變診斷需要侵入性外科手術。該研究的目的是使用T2加權（T2w）MR影像開發高度精確的、基於MRI的、基於體素的深度學習IDH分類網路，並將其性能與基於多模態數據的網路進行比較。研究人員從癌症影像檔案館（The Cancer Imaging Archive，TCIA）和癌症基因組圖譜（The Cancer Genome Atlas，TCGA）中獲得了214位受試者（94位IDH突變，120位IDH野生型）的多參數腦MRI數據和相應的基因組資訊。他們開發了兩個單獨的網路，其中包括一個僅使用T2w影像的網路（T2-net）和一個使用多模態數據（T2w，磁共振成像液體衰減反轉恢復序列（FLAIR）和T1 postcontrast）的網路（TS-net），以執行IDH分類任務和同時進行單標籤腫瘤分割任務。本文使用3D的Dense-UNets的架構。使用三折交叉驗證泛化網路的性能。同時使用Dice係數評估演算法分割腫瘤的精度。T2-net在預測IDH突變狀態任務上表現出97.14％±0.04的平均交叉驗證準確率，靈敏度為0.97±0.03，特異性為0.98±0.01，曲線下面積（AUC）為0.98±0.01。TS-net的平均交叉驗證準確性為97.12％±0.09，靈敏度為0.98±0.02，特異性為0.97±0.001，AUC為0.99±0.01。T2-net的腫瘤分割Dice係數的平均得分為0.85±0.009，TS-net的腫瘤分割Dice係數的平均得分為0.89±0.006。

介紹

異檸檬酸脫氫酶（IDH）突變狀態已成為神經膠質瘤診斷和治療的最重要標誌之一。具有這種突變酶的神經膠質瘤的預後要好於野生型IDH的相同等級的腫瘤。這一發現促使世界衛生組織在2016年修改了其對神經膠質瘤的分類。IDH突變型的腫瘤與野生型的腫瘤相比，也有不同的處理和治療方法。目前，確定IDH突變型膠質瘤的唯一方法是對通過活檢或手術切除獲得的組織標本進行免疫組織化學(IHC)或基因測序。由於IDH突變型和IDH野生型膠質瘤之間的差異可能具有重要的治療意義，因此在手術前嘗試區分這兩種腫瘤類型很有意義。對於可能存在嚴重的術後併發症和具有高風險的損傷而無法進行活檢或切除的腦腫瘤患者而言，這一點變得更加重要。

核磁共振波譜可以用來確定IDH突變狀態。突變的IDH酶催化合成2-羥基戊二酸酯(2-HG)。目前已經開發出MR波譜法用於無創地鑒定腦腫瘤中的2-HG。儘管這些方法在研究環境中似乎效果很好，但在繁忙的臨床環境中，由於存在偽影、患者頭動、勻場不良、體素小、腫瘤位置不理想或存在出血或鈣化等現象，波譜成像數據經常無法很好的解釋。即使在設置高品質波譜的情況下，使用2-HG波譜學的可靠臨床實施方法也得到了進一步證實，這種方法的誤報率也達到了20％以上。

對IDH突變狀態的早期診斷將直接影響治療方案。表現為低級別（low-grade）膠質瘤但實際上是IDH野生型的腫瘤通常採用早期干預而非觀察治療。特異性化療干預對IDH突變型的膠質瘤更有效(如替莫唑胺)。此外，已證明在III–IV級IDH突變型的腫瘤中，非增強腫瘤體積的手術切除（超出了增強腫瘤成分的總切除量）具有生存優勢。然而，IDH突變狀態的測定仍然採用直接組織取樣的方法。獲取富含腫瘤的組織樣本來確定IDH狀態可能是一個挑戰。一份來自癌症基因組圖譜(The Cancer Genome Atlas, TCGA)的報告顯示，只有35%的活檢樣本含有足夠的腫瘤成分，可以進行適當的分子表徵。開發一種可靠的非侵入性方法將有利於這些患者的護理。

在基於MRI的腫瘤遺傳和分子生物的預測任務上，深度學習方法優於傳統的機器學習方法。例如，Zhang等人使用了一種結合基於支援向量機的模型和多模態MRI特徵的放射組學方法來檢測IDH，準確率達到80%。在另一項使用多模態MRI、臨床特徵和隨機森林機器學習演算法的研究中，在預測IDH突變狀態的任務上，Zhang等人得到了86%的準確率。在該研究中，表現最好的預測特徵包括年齡、參數強度、紋理和形狀等特徵。在Chang等人最近的研究中，他們通過使用基於MRI的深度學習演算法，非侵入性地確定IDH突變狀態，在腫瘤影像檔案(TCIA)資料庫上的準確率為94%。遺憾的是，這些方法在臨床上都不可行，要麼需要對腫瘤進行人工預分割，要麼需要大量的預處理步驟，要麼就是為了獲取多模態影像需要長時間的掃描而因此會受到患者頭動的影響。此外，現有的方法是基於2D影像的分類方法，即基於切片（slice-based）的方法。基於切片的方法存在一個問題——即數據泄漏的問題。使用橫斷面成像數據的2D切片模型尤其容易出現數據泄漏，因為它們對所有被試的3D影像進行隨機切片，然後生成訓練、驗證和測試切片數據。因此，來自同一被試的相鄰切片可以在訓練、驗證或測試數據子集中找到。由於相鄰的切片通常共享相當多的資訊，因此這種方法可能通過在測試階段引入偏差來人為地提高準確率。先前報道的研究似乎沒有遵循這一警告，這可能導致人為地提高準確性。

本研究的目的是開發一個僅使用T2加權(T2w)影像的具有較高分類精度的全自動IDH分類3D網路，並將其性能與使用多模態數據的3D網路進行比較。僅使用T2w影像將提供強大的臨床轉換能力。在任何MRI腦腫瘤評估策略中，都會採集T2w影像。這些影像對患者頭動具有魯棒性，可以在2分鐘內獲得。在大多數臨床環境中都可以使用的現代MRI掃描儀上，即使患者頭動劇烈，也可以通過使用常見的運動阻尼採集技術獲得高品質的T2w影像。

數據和方法

數據及預處理

神經膠質瘤患者的多參數腦MRI數據來源於TCIA資料庫。基因組資訊由TCGA資料庫提供。研究篩選了可用的IDH狀態數據以及T2w、T2w-FLAIR和對比度增強的T1w（T1c）影像序列。最後的數據集包括214個被試 (94個IDH突變型，120個IDH野生型)。TCGA被試的IDs、IDH突變狀態、1p/19q共同缺失狀態、組織學、臨床變數(包括年齡、性別、生存時間、Karnofsky表現評分)列在補充表1中。這批數據隊列中患者的平均年齡為52±15歲，其中48%為女性。組織學上，49%的腫瘤為膠質母細胞瘤，22%為少突膠質母細胞瘤，15%為星形細胞瘤，14%為少突星形細胞瘤，其中，IV級腫瘤佔48%，III級腫瘤佔27%，II級腫瘤佔24%。在這個隊列中，有56％的腫瘤是IDH野生型，有42％是IDH1突變型，有1.9％是IDH2突變型。由於絕大多數IDH突變是IDH1，因此IDH1和IDH2突變體都被視為一組。86％的IDH突變病例沒有1p / 19q編碼，而14％的病例有。利用Sanger測序方法和全基因組擴增DNA外顯子組測序，確定TCGA中IDH突變狀態。桑格法（Sanger method）被認為是遺傳分析的金標準。

87名被試的腫瘤分割可通過先前的專家分割獲得。其餘127名被試的腫瘤分割是由內部的神經放射學家手工繪製和驗證的。在訓練步驟中，使用手工分割作為腫瘤分割演算法的ground truth。在ground truth中，IDH突變型腫瘤被標記為1，IDH野生型被標記為2（圖1）。預處理步驟包括：

（1）使用N4矯正演算法用來消除射頻不均勻性；

（2）將多模態數據重配准到T1c像上（僅適用於TS-net）；

（3）將影像強度歸一化為零均值和單位方差。使用Advanced Normalization Tools （ANTs）軟體處理數據，每個數據耗時不到5min。

圖1 腫瘤分割精標準。紅色體素代表IDH突變型(標籤值1)，綠色體素代表IDH野生型(標籤值2)。每個腫瘤中所有體素的ground truth標籤都具有相同的突變狀態。

網路細節

開發了兩個獨立的網路，其中包括一個僅在T2w影像上訓練的T2-net網路（圖2A）和一個在多模態MR數據（包括T2w影像、T2-FLAIR影像和T1c影像）上訓練的TS-net網路。兩種網路都採用了基於3D 32×32×32 patch的訓練和測試方法。研究人員設計並訓練了Dense-Unets來進行在整個腫瘤上的基於體素的兩類分割，其中1代表IDH突變型，2代表IDH野生型。網路架構示意圖如圖2B所示。每個網路由7個dense block組成:3個transition down block，3個transition up block，1個用於初始化的卷積層，在網路的最後再接上1個卷積層和1個函數激活層。每個dense block由5層layer組成。每一層layer都與那個dense block中的每一層layer相連。這種密集連接是通過將來自一層的特徵映射與來自該密集塊的每一層的特徵映射連接起來實現的。Dense block的輸入也連接到該dense block的輸出。在網路的編碼器部分的每個dense block之後是一個transition down block，而在網路的解碼器部分的每個dense block之前是一個transition up block。Bottleneck塊用於減少卷積層中特徵圖的通道數量，以避免出現較大的卷積層。有了這些關聯模式，所有的特徵圖都被重用了，這樣架構中的每一層都收到了直接的監控訊號，具體細節見圖3。

圖2 （A）對IDH突變狀態進行體素級別的分類，分別生成兩個volume（一個volume標記了IDH突變型的體素，另一個volume標記了IDH野生型的體素）。將這兩個Volume使用dual volume method融合起來以消除假陽性並生成腫瘤分割結果。同時在所有體素上使用多數投票（majority voting）的方法來決定整個volume的IDH突變狀態。

圖3 Dense-UNet詳解。

（a）BatchNormalization層先對前一層傳來的特徵層歸一化處理，然後乘以縮放參數並加上偏置參數。BatchNormalization用來解決深層神經網路中常常出現的Internal Covariate Shift問題，用來加速網路收斂並提升網路的泛化性能；

(b)ReLU函數是深度學習中最常用一種激活函數，通常使用非線性的激活函數使神經網路具有非線性用以擬合分布複雜的數據，ReLU(x)=max(0, x)；

（c）Spatial Dropout是Dropout的一種變體，Dropout層在每次訓練過程中隨機丟失部分網路參數，但是在推理階段會保留所有網路參數，這樣相當於隱式地對網路進行了集成，提高了網路的泛化性能；

（d）MaxPooling是一種下取樣技術，在一定窗口大小下的特徵圖取其最大值實現下取樣；

（e）Dense Block是2017年提出的一種網路架構（詳見Huang G, Liu Z, Der Maaten L V, et al. Densely Connected Convolutional Networks[C]. computer vision and pattern recognition, 2017: 2261-2269.），通過連接模組內的所有特徵圖實現特徵的復用，提高特徵使用效率；

（f）Transition down模組用於實現特徵圖的下取樣，實現高級語義特徵的提取；

（g）Transition up模組用於對低解析度的特徵圖進行上取樣，用於恢復影像尺寸，同時對高級語義特徵進行解碼；

（h）Skip Connection用於連接編碼器和解碼器處的多尺度特徵。

網路實現與交叉驗證

為了提高網路的泛化性能，對214名被試數據進行了3折交叉驗證，方法是將數據集隨機打亂，並將其分為3組(每組約70名受試者)。在交叉驗證過程的每個階段，這三組分別在訓練、訓練中驗證和測試中進行。1組72例 (IDH突變型32例，IDH野生型40例)，2組71例 (IDH突變型31例，IDH野生型40例)，3組71例 (IDH突變型31例，IDH野生型40例)。訓練中的驗證集有助於提高訓練期間的網路性能。請注意，交叉驗證過程的每一步都代表了針對這三個組的獨特組合的一個新的訓練階段。然而，網路性能只在每一折的測試組上報告（測試組在這一折的演算法訓練階段中從未見過）。補充表1列出了交叉驗證的每個摺疊的組成員。演算法使用訓練中的驗證數據集來測試每一輪訓練後的性能，並更新模型參數。演算法根據來自訓練中的驗證數據集的每一輪結果調整其性能。一旦演算法完成了所有的訓練，它將在真實的數據集上進行評估，以確定性能。為避免數據泄漏問題，沒有將來自同一被試數據的patch與訓練集、驗證集或測試集混合在一起。數據增加的步驟包括水平翻轉、垂直翻轉、隨機旋轉和平移旋轉（通常會做一些數據擴增提高網路的泛化性能）。數據擴充總共提供了大約150000個訓練patch和150000個驗證patch。使用Keras和Tensorflow實現網路，使用Adam優化器對模型參數進行優化。初始學習速率設置為10−5，批處理大小為4，最大迭代次數為100次。初始參數的選擇是基於之前使用腦成像數據和語義分割（語義分割可以理解為像素級別的分類任務，通過對影像上的每個像素點分類到達影像分割的目的）的Dense-UNet的工作。

每個網路產生2個分割結果。Volume 1是IDH突變型腫瘤的體素級別的預測結果，Volume 2是IDH野生型腫瘤的體素級別的預測結果。研究人員提出了一種簡單的雙volume融合(dual-volume fusion，DVF)的方法來合併兩個分割volume。利用MatLab中的3D連通分量演算法，將這兩個volume進行合併，得到最大的連通分量（由於這個演算法是在體素級別上預測，所有可能存在一些獨立的體素被分出來，而腫瘤一般是一個內部聯通的區域，所以通過使用聯通分量演算法刪除那些較小的聯通分量，而只保留最大的聯通分量來生成腫瘤分割結果）。合併的volume生成了唯一的腫瘤分割結果。通過使用多數投票的方法在體素級別上的IDH類別進行合併，為了每個被試的數據預測單一的IDH分類結果（意思就是哪一類的體素數量更多就分為哪一類）。在Tesla P100、P40和K80 NVIDIA圖形處理單元(GPU)上實現了網路。

統計分析

分別在MatLab和R中對T2-net和TS-net的結果進行統計分析。2個網路的準確率通過多數投票來評估(即體素級別的概率閾值為0.5)。然後，使用該閾值計算交叉驗證過程中每一折的模型的準確率、靈敏度、特異度、陽性預測值(PPV)和陰性預測值(NPV)。在每一折中計算接受者操作特徵（receiver operating characteristic, ROC）曲線。使用Dice係數評估網路分割腫瘤的性能。Dice係數表徵了網路分割結果與手工分割結果之間的空間重疊率。

Dice係數的計算公式為：

其中A和B分別為兩個分割結果，這個式子表示A與B的交集中元素的數量的兩倍和A與B的並集中元素的數量之間的比值。

網路將腫瘤中的體素分為IDH突變型和IDH野生型。通過將預測的IDH突變型體素除以每個腫瘤中預測體素的總數，計算每個被試的網路輸出中IDH突變型體素的百分比。突變型體素的百分比可以看作是腫瘤為IDH突變型的概率。在ROC分析中，對IDH突變型體素的百分比進行排序，並作為單獨的閾值(切割點)來確定在每個新的切割點中整個測試集的被試的IDH突變狀態。在每個閾值下，通過將預測得到的IDH類別屬性與真實值進行比較計算出靈敏度（真陽率）和 1-靈敏度（假陽率）。使用Matlab繪製結果，得到ROC曲線(真陽性率對假陽性率)。對來自T2-net和TS-net三折交叉驗證中分別重複該步驟，共得到6條來自交叉驗證的ROC曲線(T2-net 3條，TS-net 3條)。

結果

T2-Net T2-net在3折交叉驗證中的平均測試精度為97.14%(97.18%、97.14%和97.10%，SD = 0.04)。T2-net交叉驗證的平均靈敏度、特異度、PPV、NPV、AUC分別為0.97±0.03、0.98±0.01、0.98±0.01、0.97±0.01、0.98±0.01。腫瘤分割的三折交叉驗證中平均Dice得分為0.85±0.009。T2-net在每一折中都錯分了兩例（214名被試中共6例）。其中3例被錯分為IDH突變型，3例被錯分為IDH野生型。

多模態TS-Net TS-Net在3折交叉驗證中得到了了97.12%的平均測試精度(97.22%，97.10%，97.05%，SD = 0.09)。TS-net交叉驗證的平均靈敏度、特異度、PPV、NPV、AUC分別為0.98±0.02、0.97±0.001、0.97±0.002、0.97±0.001、0.99±0.01。腫瘤分割的交叉驗證中平均Dice得分為0.89±0.006。TS-net中每組也有2例分類錯誤(214名被試中共有6例)。其中3例被錯分為IDH突變型，3例被錯分為IDH野生型。TS-Net誤分類的被試與T2-net誤分類的被試不一致。T2-net和TS-net的分類精度和Dice得分如表1所示。

表1 T2-net與TS-net的交叉驗證結果

ROC分析 圖4中提供了T2-net和TS-net的每個交叉驗證的ROC曲線。T2-net和TS-net表現出相似的性能曲線，都具有極高的靈敏度和特異性。

圖4 （A）T2-net的ROC分析結果（B）TS-net的ROC分析結果。每個交叉驗證結果都有單獨的曲線和相應的AUC值。

體素級別的分類

由於這些網路是體素分類器，它們將同時進行腫瘤分割。圖5A和B顯示了使用T2-net的IDH野生型和IDH突變型的體素級別的分類結果。DVF程式在消除假陽性以提高準確性方面是有效的。DVF程式分別刪除了大約16%和17%的T2-net和TS-net的分類體素。這個過程將每個網路的Dice係數提高了大約3%。研究人員還計算了每個網路的體素級別的準確率。兩種網路在IDH野生型被試上的表現非常相似，而在IDH突變型上，TS-net的體素級別的準確率更好。T2-net中，IDH野生型的平均體素準確率為84.9%±0.05，IDH突變型的平均體素準確性為76.4%±0.03。TS-net中，IDH野生型和IDH突變型的平均體素準確率率分別為85.7%±0.04和84.7%±0.01。

訓練和分割時間

每個網路大約花了2周的時間來訓練。訓練後的網路大約需要3分鐘來分割整個腫瘤，並預測每個受試者的IDH突變狀態。

圖5 (A) IDH突變腫瘤的體素級別的分割例子。（a）未經過處理的T2w影像（b）手工分割結果 （c）未經過DVF處理的網路輸出 (d)經過DVF處理的網路輸出。(c)中的黃色箭頭表示假陽性。紅色體素對應IDH突變型，綠色體素對應IDH野生型。

(B)一例IDH野生型腫瘤的體素分割。

討論

本文開發了2個僅基於影像特徵的IDH分類的深度學習網路。T2-net和TS-net都優於之前文獻報道的IDH分類演算法。將T2-net與TS-net進行比較，結果表明，僅使用T2w影像也可以獲得相似的性能。僅使用T2w影像的能力使臨床轉換更加簡單，並且更不容易由於影像採集偽影而失敗。用於準備數據的預處理也很少。在K80或P40 NVIDA GPU上，T2-net分割整個腫瘤、實現DVF、預測一個被試的IDH突變狀態所需的時間約為3分鐘。

有幾個因素可以解釋為什麼本文介紹的神經網路取得了比以前發表的結果更高的性能。首先也是最重要的是使用3D網路，與之前報道的2D網路相比。此外，3D網路結構的優勢在於密集的連接將資訊從之前的所有層傳送到下面的層。這些類型的網路更容易訓練，可以減少過度擬合。DVF後處理步驟也有助於有效地消除假陽性，同時通過排除與腫瘤無關的外部體素來提高分割準確率。DVF將每個網路的Dice得分提高了大約3%。3D網路在片與片之間進行插值，以更準確地保持片間資訊。這些網路使用最少的預處理，不需要從影像或組織病理學數據中提取預先設計好的特徵。

此處使用的3D網路是體素級別的分類器，可為影像中的每個體素分類。這意味著可以同時進行腫瘤分割（例如，分類為IDH突變和非突變的體素之和提供了腫瘤標記）。這些網路的交叉驗證使得T2-net和TS-net達到了分別為0.85和0.89的優秀的Dice評分。這些腫瘤分割Dice得分與BraTS2017腫瘤分割挑戰賽的前幾名選手相似。

T2-net和TS-net的分類精度基本相同。這說明僅T2w影像資訊就可以提供較高的分類置信度。對於IDH野生型腫瘤，兩種網路在每一折中都錯誤地將2例患者分類。這6個被試在不同的網路之間是不一樣的。在回顧這些病例時，沒有區別性的影像學特徵。這些病例中大多數為異質強化、T2和FLAIR訊號混雜、周圍水腫。儘管T2-net和TS-net在按被試上的IDH分類上表現出相似的性能，但體素級別的性能上不同網路之間存在差異。TS-net在預測IDH野生型體素方面顯示了類似的準確率(85.7%對84.9%)，而在預測IDH突變型體素方面的準確性略高(84.7%對76.4%)。

由於這些網路是體素分類器，所以每個腫瘤中都有一部分屬於IDH突變區，其他區域屬於IDH野生型。隨著時間的推移，膠質瘤中可能出現異質性基因表達，導致腫瘤生物學的多樣性。在臨床環境中，主要使用免疫組織化學(IHC)評估。IHC使用單克隆抗體檢測最常見的IDH突變(如IDH1-R132H)。不同的閾值被提出使用IHC方法用於確定組織樣本的IDH狀態。雖然一些人主張對超過10%的腫瘤細胞進行染色以獲得IDH陽性，但另一些人則認為「強」染色的腫瘤細胞就足夠了。據報道，IHC染色的異質性高達46％的受試者表現出部分攝取。在2011年，Perusser等人報道IDH1-R132H表達可能僅在一部分腫瘤細胞中發生。樣品的異質性也會影響基因檢測的敏感性。單等位基因表達可以解釋IDH異質性和某些膠質瘤報道的假陰性，其中即使存在兩個等位基因，也僅表達該基因的一個等位基因。根據Horbinski的說法，測序可能並不總是足以鑒定功能上IDH1 / 2突變的腫瘤。儘管在膠質瘤的組織化學和基因組學評估中已經報告了IDH狀態的異質性，但本文並未斷言深度學習網路正在檢測這些腫瘤中IDH突變狀態的異質性。相反，IDH突變狀態的形態表達可能是異質的，並反映在特定腫瘤內IDH突變和IDH野生型的混合分類輸出中。無論如何，使用這種體素級別的方法的準確率都遠遠優於其他方法。

儘管臨床上通常使用IHC方法，但多項外顯子組測序研究表明，高達15％的IDH突變神經膠質瘤仍無法通過傳統IDH1抗體檢測發現。可以使用多種分子方法從組織中確定IDH突變狀態。當前的金標準是全基因組Sanger DNA測序方法。然而，該方法受到執行遺傳分析所需的時間、成本和組織體積的限制。諸如全外顯子組測序之類的下一代測序方法能夠以更低的成本和更小的組織體積更快地確定突變狀態。但是，這些方法的假陰性率高達6％，錯誤率約為全基因組測序的9倍。為了進一步了解被T2-net誤分類的案例，研究人員在TCGA中回顧了這些案例的數據。交叉驗證集中有3個案例因IDH突變而被T2-net誤分類。其中3個案例（TCGA- CS6669，TCGA-020069）證明了在活檢期間獲得的小組織體積，限制了分子表徵。這增加了對這些腫瘤野生型的ground truth測定可能受到組織取樣偏差（例如，缺乏合適的組織樣品，取樣位置）的可能性。

可以解釋本文的網路實現更高性能的另一個因素是，以前的方法需要多模態輸入，這可能由於較長的檢查時間和運動造影劑的需要從而導致的患者運動而受到影響。臨床腦腫瘤診斷評估期間幾乎可以普遍獲取高品質的T2w影像。臨床上，T2w影像通常在檢查開始後的2分鐘內獲取，並且對患者的頭動較為魯棒。在現代MRI掃描儀上，即使存在患者頭動，也可以獲得高品質的T2w影像。因此，僅考慮使用T2w影像的能力就具有了臨床可解釋性，這是一個顯著的優勢。該方法的靈感來自於一種類似於鑒定o6-methylguanine-dna甲基轉移酶甲基化狀態和預測1p/19q染色體臂缺失的方法。此外，本文的預處理步驟保存原始影像資訊，不需要任何感興趣的區域或腫瘤預分割程式。以前的基於MRI的IDH分類的深度學習演算法使用了顯式的腫瘤預分割步驟。這些可以通過手動描繪腫瘤或添加單獨的深度學習腫瘤分割網路來完成。這些預細分步驟的使用為分類過程增加了不必要的複雜性，並且在手動預細分的情況下，使其無法作為強大的自動化臨床工作流程使用。由於體素分割過程的自然結果，本文的網路能夠同時進行腫瘤分割。

局限

深度學習研究通常需要大量數據才能獲得良好的性能。與深度學習通常所需的樣本數量相比，可從TCIA數據集中獲得的數據數量相對較少。儘管如此，這些數據代表了真實世界的臨床經驗，來自多個機構的多參數磁共振影像，代表了最大的公開可用的腦腫瘤資料庫之一。此外，在向TCIA提供數據的成像中心中，採集參數和成像供應商平台各不相同。雖然這裡的結果顯示了快速臨床轉換的希望，但是這裡的演算法性能將需要複製到一個獨立的數據集上。

總結

本研究開發了2個用於神經膠質瘤IDH分類的深度學習網路:(i) 一個T2-net和(ii)一個高精度的多模態網路TS-net。這兩個網路都超過了最先進的演算法。在比較T2-net和TS-net時，也展示了相似的性能。本文的網路僅使用T2w影像，其高準確率將有助於該方法的臨床轉換。