Motivation: Genetic biomarkers and WHO grading of gliomas are critical for the classification of glioma subtypes, treatment planning and survival prognosis. Goal(s): The aim of this study is to apply DL network for non-invasive prediction of multiple genes and classification of subtypes. Approach: A decision tree diagnostic scheme based on multi-label DL network was constructed to classify adult-type diffuse gliomas into 5 subtypes based on the 2021 WHO classification of tumor of the CNS, combining the WHO grading and 3 genetic biomarkers status. Results: The model we developed can reclassify adult-type diffuse glioma with a diagnostic accuracy of 94.4%. Impact: Based on the 2021 WHO CNS tumor classification, this study applies multi-label deep learning to reclassify adult-type diffuse gliomas, which can be helpful for patients to obtain preoperative diagnosis and precise treatment.

Motivation: Deep learning networks offers an opportunity for diffuse gliomas classification, which may be help for therapeutic decision making and selection of patient groups suitable for targeted genetic analysis. Goal(s): The purpose of this study is to develop an artificial intelligence method to reclassify adult-type diffuse gliomas based on the new WHO CNS tumor classification. Approach: An artificial intelligence decision tree diagnostic platform(DTDP) based on MRI and deep learning networks was developed by combined 6 individualized CNNs models in series and parallel Results: The DTDP performed well with accuracy of 86.67%. Impact: The DTDP achieved automatic classification and comprehensive diagnosis of adult‑type diffuse gliomas by combining genetic biomarkers and histological grading, and effectively helped neuroradiologists to reclassify adult-type diffuse gliomas.