脑膜瘤是中枢神经系统最常见的原发性癌症，占所有脑肿瘤的30％以上,超过50％的良性颅内肿瘤。据估计，美国每年诊断出超过25,000个脑膜瘤，其中大多数是通过手术，放射或两者兼而有之的。世界卫生组织根据有丝分裂活动和组织病理学特征将脑膜瘤分为三个等级。大多数世界卫生组织I级脑膜瘤可以通过全切除或最终放射治疗来治愈，但II级和III级脑膜瘤易于局部复发，通常需要辅助治疗。有没有有效的全身剂脑膜瘤，因此，患者的高品位或次全切除脑膜瘤发生复发性疾病串行开颅手术，放射治疗和放射，常导致显著的发病率，甚至治疗相关的死亡率。
　　 脑膜瘤的分子遗传学的理解的演变表明，靶向药物可能最终改善患者的脑膜瘤治疗和预后。在此期间，脑膜瘤患者进行分层，主要根据肿瘤分级和切除范围进行辅助治疗。实际上，脑膜瘤患者的大多数临床数据，如人口统计学和放射学特征，在预测结果时基本上被忽略了。这些数据是从临床决策省略，因为前瞻性，多机构的审判还没有确定影响预后脑膜瘤，并没有听话的算法或预测模型已经被开发出来。
　　 机器学习通过识别与感兴趣的临床结果相关的患者数据中的多变量模式，使得能够开发稳健的预测模型。机器学习算法可以在单个模型中合并大量不同数据类型的变量，从而最大限度地提高性能并最大限度地减少与多重比较相关的问题。与统计假设检验不同，机器学习侧重于预测准确性，并提供估计模型在未见和未来数据集上的普遍性的方法，这两者在临床实践中都至关重要。除结果预测外，不同的机器学习算法提供了探索和可视化临床数据模式的互补方式，这可能为疾病病理生理学和治疗提供新的见解。然而，随机森林只是众多易处理机器学习算法中的一种，根据“无免费午餐定理”，没有单个算法可以保证在所有临床场景中表现最佳。在准确性或解释性的术语生物医学数据分析的其它算法可以提供更好的性能，这意味着它们可以提供关于患者的特征和结果之间的关系更准确和精确的信息。在这方面，虽然肿瘤等级是临床结果的替代标志物，但它并未包含脑膜瘤的完整生物学或临床多样性。相反，最好直接预测临床结果并使用等级作为附加功能。为了满足对脑膜瘤患者的综合预测模型的需求，研究人员使用7种机器学习算法根据术前信息，常规预后特征或两者的组合使用来自235名患者的队列数据来预测临床结果有257个脑膜瘤。特别是，研究人员使用标准的临床统计方法和推荐的机器学习算法用于已知输入特征的生物医学数据。研究人员的研究结果表明，机器学习模型可以从脑膜瘤切除术前可获得的信息中估计脑膜瘤复发和患者存活的风险，但是包含所有可用的人口统计学，临床，放射学和病理学数据的综合模型提供了最佳的结果估计。从这些模型中，研究人员开发可用于个体化治疗脑膜瘤患者的决策树和列线图，并为其他中枢神经系统肿瘤提供机器学习分析的框架。
　　 临床研究通常依赖于单一的数据分析算法。在本研究中，研究人员使用了七种算法，这些算法可以更好地估计研究人员的三组模型在预测LF或OS方面的性能，而不是任何单一算法。此外，研究人员通过利用每种算法的优势，从研究人员的数据中提取临床重要信息。在这方面，研究人员使用随机森林来研究变量的重要性，并使用MediBoost来绘制所有特征集和结果的决策树。这些分析中的每一个都由强大的数据库促进，该数据库包含相对大量的患者和具有内部和外部有效性的特征，该特征是为该研究开发的。重要的是，根据目前的诊断标准重新评估本研究中包括的所有脑膜瘤。事实上，当前世界卫生组织标准组织的大型脑膜瘤数据库的缺乏一直是脑膜瘤研究的主要障碍，但研究人员能够通过研究人员机构内的多学科合作克服这一障碍，其中包括对所有研究的组织病理学重新审查。案件包括在这项工作中。
　　 这项研究的一个主要局限是研究人员的数据库是从一个机构接受治疗的患者中回顾性地组装的。因此，研究人员的结果和结论应该以潜在的选择和信息偏差来解释。还应该指出的是，研究人员开发的预测模型的准确性并不完美，并且可以通过增加研究中的患者数量和增加放射学或生物学特征来改善，正如其他研究者已经证实的那样。脑膜瘤等级。事实上，脑膜瘤的磁共振特性具有高灵敏度和特异性脑膜瘤级和组织病理学亚型。至关重要的是，在更大和更多样化的数据集上训练和测试机器学习算法将允许更好的模型估计，更少的制度偏差和更好的模型普遍性估计。应该注意的是，正如临床建模中常见的那样，种族可能是研究人员数据库中不存在的多种人口统计，遗传和环境特征的代理，应该谨慎解释。研究人员的列线图在整个样本上进行了训练以生成单个模型，尽管使用10倍交叉验证进行训练，并且使用100个引导来测试其稳定性，但正确的验证需要外部数据集。上述阻碍不同组织病理学时间的精确脑膜瘤诊断的障碍已经阻止了研究人员迄今为止组装更大数据集的努力。