目前，胶质瘤已进入分子诊断时代，在低级别胶质瘤（low-grade gliomas，LGG）中，染色体1p/19q共缺失与疗效和预后相关。因此，预测1p/19q状态对于LGG的治疗计划至关重要。美国明尼苏达梅奥诊所神经外科的Ian F. Parney等采用脑回神经网络（convolutional neural networks，CNN）从MRI-T1增强和T2加权成像数据中，预测LGG的1p/19q状态；结果发表于2017年8月的《J Digit Imaging》上。

该研究从梅奥诊所的脑肿瘤数据库中选取159例低级别胶质瘤患者。其中，102例1p/19q未缺失，57例1p/19q共缺失。LGG的病理类型，包括97例少突星形细胞瘤、45例少突胶质细胞瘤和17例星形细胞瘤。研究者将数据分成培训、验证和测试集，并对培训数据进行扩充，增加样本量。输入MRI-T1增强和T2加权图像数据进行分类计算，包括多模态图像配准、肿瘤分割、数据规范化和数据扩充。对数据进行预处理后，采用分割后的图像培训多维度CNN，预测1p/19q状态（图1、2）。

图1. 图a、b为1p/19q未缺失的MRI-T2和增强T1成像。图c、d为1p/19q共缺失的MRI-T2和增强T1成像。

图2. 多维度CNN的流程图。蓝色框是输入图像；黄色盒子是脑回层；绿色盒子是矫正线性单位（RELU）。红色框是最大采样层。紫色盒子是完全连接层加上二进制分类器。青色圆圈显示输出结果。

构建多维CNN深度学习系统需要有输入层、脑回层、激活层、采样层和全连接层。大多数执行过程都有许多各种类型的层参与，因此称为深度学习。通过多次调整k{10,20,30}的数据扩充来培训最优配置，并调整数据扩充的k超参数。为评估不同的优化器对学习的影响，作者使用四种不同的优化器：①随机梯度下降（SGD），②均方根传播（RMSprop），③改良自适应梯度算法（AdaDelta）和④自适应矩阵估计（Adam）来比较CNN架构的性能。

多维度CNN对初始数据可以进行高度拟合。但在不使用数据扩充培训时，培训与验证组之间的差距较大。培训组经过50次优化后准确率接近100%，损失接近于零。但是培训后的CNN在不扩充数据的情况下，验证组的准确率仍低于80%。与没有扩充的数据培训相比，数据扩充后的精度和损失波动较大，数据扩充带来的变化较嘈杂（表1、2、3；图3、4）。

表1. 测试集统计。

表中显示用于测试集的多尺度CNN的每种配置的敏感性、特异性和准确性。1.只使用增强T1，不扩充（NA）；2.只使用T2和NA；3.使用T1增强、T2结合和NA；4使用T1、T2和30倍扩充（AG），并进一步训练。

图3. 精度(左)和损失(右)图用于培训扩充数据上的最佳性能配置4。

图4. 验证损失显示在使用数据扩充的最佳执行配置4的验证集。.

表2. 优化统计数据。

在测试数据集中展示使用四种不同优化器的最佳CNN配置的性能。

表3. 最佳CNN测试集上1p19q状态分类混淆矩阵（配置4）。

研究结果表明，采用MRI-T1增强和T2加权成像的多维度CNN深度方法无创地预测1p/19q共缺失状态，是替代手术活检和病理学分析的分子诊断方法。