脑膜瘤是成人中最常见的原发性颅内肿瘤，占所有原发性中枢神经系统肿瘤的36.8％，基于中央脑肿瘤登记处的最新数据。虽然大多数脑膜瘤是良性的，其中约10-20％表现出攻击行为。世界卫生组织定义的这些肿瘤的组织病理学分级很重要，因为它是决定临床结果的关键因素之一。较高的世界卫生组织分级通常意味着更高的复发率和较低的存活率。因此，对脑膜瘤的世界卫生组织分级进行术前评估可以识别潜在的侵袭性脑膜瘤，促进治疗决策并改善患者的预后。
　　 磁共振成像已成为用于可视化和管理颅内脑膜瘤的关键成像技术。许多尝试已经进行了对术前评估等级，以及基于各种磁共振成像序列。扩散加权成像产生的表观弥散系数值被认为是区分低级别和高级别脑膜瘤的几项研究的有效方法，证明了其在某种程度上对脑膜瘤进行分级的潜在价值。然而，不同等级的脑膜瘤并不总是表现出在它们的扩散参数明显的差异,并且弥散系数值不能够分离世界卫生组织II和III脑膜瘤，因此，可能导致不准确的诊断。
　　 在临床实践中，放射科医师通常不仅依赖于弥散系数值,还依赖临床和形态学信息来估计脑膜瘤的恶性程度。在研究人员的研究中，研究人员发现性别，最大直径，边缘，液体成分的存在，肿瘤周围水肿和骨侵入都与世界卫生组织脑膜瘤的分级密切相关。等级越高，男性占优势，大尺寸，不规则形状，内部液体成分，以及肿瘤周围水肿和骨侵入的频率就越高。在根据这些临床，形态特征和弥散系数值构建树分类器后，最高诊断准确率为62.96％，相当于两位经验丰富的神经放射科医师的诊断性能。因此，人类很容易捕捉到的特征，从弥散系数图中提取的纹理特征有望识别可以提高脑膜瘤术前诊断准确性的内在特征。23个选定的纹理特征包括来自直方图的10个，来自共生矩阵的4个,来自游程矩阵的5个，来自自回归模型的2个和来自小波变换的2个。从研究人员的结果来看，纹理特征可能反映了脑膜瘤的微观结构变化。在较高等级的脑膜瘤中，直方图中的几乎所有特征都观察到较高的值，表明在较高等级的脑膜瘤中没有扩散限制的液体成分;偏斜度低，意味着在世界卫生组织II级和III级脑膜瘤中，低强度像素的数量占主导地位。上述各项研究结果与以前的一些作品的排列，但纹理特征的解释应该由有关的病理。
　　 虽然TA和机器学习经常在医疗保健领域进行调查，但大多数研究都是为了构建二元分类器而设计的。与其他研究不同，研究人员的研究旨在解决对临床应用更为实用的多类问题。因此，研究人员选择决策树和决策林作为算法。如在机器学习中使用的方法，决策树是统计学上非参数，其主要优点是其结构简单，这允许解释和可视化。在研究人员的研究中，应用了经典决策树和条件推理树。结果表明，经典决策树在所有特征群中均优于条件推理树。研究人员研究中基于随机森林的决策森林分类器是最成功的集成学习技术之一。决策森林的原则是使用训练引导样本构建子树，当导入测试样本时，他们选择对森林中所有树木投票最多的分类。在研究人员的研究中，决策林在诊断准确性方面的确优于两个单一的决策树。应用于决策林的最佳特征组是23种选定纹理特征和弥散系数值的组合。因此，基于TA的决策森林模型可能在提高多种疾病的诊断性能方面具有潜力。
　　 研究人员的研究还存在一些局限性。首先，从每个图像中选择的纹理特征是二维的;因此，它们无法匹配单一的形态特征。一些研究使用肿瘤的中心层来解决这个问题，但仅使用一层可能会导致错过重要的纹理特征。这个问题可以通过提取三维纹理特征来解决,这需要具有高分辨率的磁共振成像图像。其次，研究人员招募了152个案例，其中421个图像来自一个单一的机构;这是一个小样本，存在选择偏倚的风险。第三，由于这是一项回顾性研究，研究人员没有获得足够的预后信息，如KPS评分和生存情况，这可能使TA成为临床实践中更有用的技术。
　　 世卫组织一级脑膜瘤和世界卫生组织II/III级脑膜瘤的弥散系数值确实不同，但单独的弥散系数值无助于区分不同级别的脑膜瘤。与经验丰富的神经放射学家相比，基于临床，形态学特征和弥散系数值的机器学习模型可以实现相同的诊断性能。具有基于弥散系数图谱的纹理特征的决策森林是一种有前途的模型，可以潜在地识别侵入性脑膜瘤并在手术前带来精确的世界卫生组织脑膜瘤分类，这有助于预测其对神经外科医生的生物学行为并做出最佳治疗决策。