Purpose To evaluate ability of radiomic (computer-extracted imaging) features to distinguish non-small cell lung cancer adenocarcinomas from granulomas at noncontrast CT. Materials and Methods For this retrospective study, screening or standard diagnostic noncontrast CT images were collected for 290 patients (mean age, 68 years; range, 18–92 years; 125 men [mean age, 67 years; range, 18–90 years] and 165 women [mean age, 68 years; range, 33–92 years]) from two institutions between 2007 and 2013. Histopathologic analysis was available for one nodule per patient. Corresponding nodule of interest was identified on axial CT images by a radiologist with manual annotation. Nodule shape, wavelet (Gabor), and texture-based (Haralick and Laws energy) features were extracted from intra- and perinodular regions. Features were pruned to train machine learning classifiers with 145 patients. In a test set of 145 patients, classifier results were compared against a convolutional neural network (CNN) and diagnostic readings of two radiologists. Results Support vector machine classifier with intranodular radiomic features achieved an area under the receiver operating characteristic curve (AUC) of 0.75 on the test set. Combining radiomics of intranodular with perinodular regions improved the AUC to 0.80. On the same test set, CNN resulted in an AUC of 0.76. Radiologist readers achieved AUCs of 0.61 and 0.60, respectively. Conclusion Radiomic features from intranodular and perinodular regions of nodules can distinguish non-small cell lung cancer adenocarcinomas from benign granulomas at noncontrast CT. © RSNA, 2018 Online supplemental material is available for this article. See also the editorial by Nishino in this issue.

No predictive biomarkers can robustly identify patients with non-small cell lung cancer (NSCLC) who will benefit from immune checkpoint inhibitor (ICI) therapies. Here, in a machine learning setting, we compared changes ("delta") in the radiomic texture (DelRADx) of CT patterns both within and outside tumor nodules before and after two to three cycles of ICI therapy. We found that DelRADx patterns could predict response to ICI therapy and overall survival (OS) for patients with NSCLC. We retrospectively analyzed data acquired from 139 patients with NSCLC at two institutions, who were divided into a discovery set (D1 = 50) and two independent validation sets (D2 = 62, D3 = 27). Intranodular and perinodular texture descriptors were extracted, and the relative differences were computed. A linear discriminant analysis (LDA) classifier was trained with 8 DelRADx features to predict RECIST-derived response. Association of delta-radiomic risk score (DRS) with OS was determined. The association of DelRADx features with tumor-infiltrating lymphocyte (TIL) density on the diagnostic biopsies (n = 36) was also evaluated. The LDA classifier yielded an AUC of 0.88 ± 0.08 in distinguishing responders from nonresponders in D1, and 0.85 and 0.81 in D2 and D3 DRS was associated with OS [HR: 1.64; 95% confidence interval (CI), 1.22-2.21; P = 0.0011; C-index = 0.72). Peritumoral Gabor features were associated with the density of TILs on diagnostic biopsy samples. Our results show that DelRADx could be used to identify early functional responses in patients with NSCLC.

The grammar in this abstract is generally correct, but there's a minor issue with sentence structure in one part. Here's a slightly revised version with improved grammar and flow: ROS1 tyrosine kinase inhibitors (TKIs) are highly effective in ROS1-positive non-small cell lung cancer, but resistance remains a challenge. We investigated the activity of various TKIs against wildtype and mutant ROS1, focusing on the emerging L2086F resistance mutation. Using Ba/F3 and NIH3T3 cell models, CRISPR/Cas9-edited isogenic wildtype and mutant patient-derived cell lines, and in vivo tumor growth studies, we compared type I TKIs (crizotinib, entrectinib, taletrectinib, lorlatinib, and repotrectinib) to type II TKIs (cabozantinib and merestinib) and the type I FLT3 inhibitor gilteritinib. The ROS1 L2086F mutant kinase showed resistance to type I TKIs, while type II TKIs retained activity. Gilteritinib inhibited both wildtype and L2086F mutant ROS1 but was ineffective against the G2032R mutation. Structural analyses revealed distinct binding poses for cabozantinib and gilteritinib, explaining their efficacy against L2086F. Clinical cases demonstrated cabozantinib's effectiveness in patients with TKI-resistant, ROS1 L2086F mutant NSCLCs. This study provides the first comprehensive report of ROS1 L2086F in the context of later-generation TKIs, including macrocyclic inhibitors. While cabozantinib effectively inhibits ROS1 L2086F, its multi-kinase inhibitor nature highlights the need for more selective and better-tolerated TKIs to overcome kinase-intrinsic resistance. Gilteritinib may offer an alternative for targeting ROS1 L2086F with distinct off-target toxicities, but further studies are required to fully evaluate its potential in this setting.

Despite the robust efficacy of ROS1 tyrosine kinase inhibitors (TKIs) in ROS1-positive non-small cell lung cancer, TKI resistance continues to hamper durability of the therapeutic response. The resistance liabilities of next-generation ROS1 TKI are sparsely characterized.

e13705 Background: Shorter time to lung cancer diagnosis and treatment are associated with improved outcomes. Here, we assessed factors contributing to delays in each phase of care to identify targets for improving the timeliness of suspicious lung nodule care in a diverse patient population. Methods: We conducted a retrospective study of patients evaluated for suspicious lung nodules at an academic medical center from 2020 to 2022. Patients with presumed or proven stage I/II lung cancer were included. Patients with stage III/IV and non-primary lung cancers were excluded. Multivariable Cox regressions were performed. Results: Of 157 patients, mean age was 70±8.6 years, 59% were female, and 53% were Black. Most lung nodules were biopsied bronchoscopically (61%) or surgically (26%). Most (83%) nodules were stage I/II non-small cell lung cancer, 10.2% were benign and 4.4% were other. Treatment was surgery in 48% and stereotactic body radiotherapy (SBRT) in 41%. Median intervals were 4 (IQR 0-18) days from nodule identification to referral, 7 (IQR 3-14) days from referral to consultation, 20 (IQR 12-34) days from consultation to biopsy, 4 (IQR 2-6) days from biopsy to diagnosis, and 28 (IQR 8-43) days from diagnosis to treatment initiation. Multivariable Cox regression showed that longer time from referral to diagnosis (TTD) was associated with Black race, widowed status, and referral > 1 year from the start of the COVID-19 pandemic. Longer time from referral to treatment (TTT) was associated with female gender, widowed status, 4th Area Deprivation Index (ADI) quartile, frailty, BMI > 18.5, ECOG performance status < 2, bronchoscopic biopsy, and initial treatment with SBRT. Longer time from consultation to biopsy was associated with female gender, widowed status, frailty, no cardiovascular disease, and living >12.5 miles from the hospital. Longer time from diagnosis to treatment was associated with Medicaid, referral > 1 year from the start of the pandemic, cardiovascular disease, and SBRT. Conclusions: The longest delays in lung nodule care are associated with time from consultation to biopsy and from diagnosis to treatment. Efforts to address disparities and modifiable factors could improve the timeliness of care for patients with suspicious lung nodules. [Table: see text]

Abstract Background Many FDA-approved cancer therapies, whether as a multiagent combination or as a single agent, have demonstrated only modest clinical benefit. To investigate the drug development landscape, this analysis focuses on whether newly approved drugs are added to existing standards as combination therapy or replace a former drug as monotherapy. Methods A retrospective analysis of package inserts and corresponding trials for the treatment of nonhematology solid tumor malignancies from January 2011 to December 2023 was conducted to categorize an approval as monotherapy or combination therapy. Drug characteristics, treatment indications, study design, approval history, and efficacy results were compared between the 2 cohorts. Results Among the 292 approval entries and 110 drugs, 193 (66.1%) were monotherapies and 99 (33.9%) were combinations. Combinations, when compared with monotherapies, were more frequently approved as regular than accelerated approval (85 [85.9%] vs 132 [68.4%], P &lt;.01), in the first-line setting (66 [66.7%] vs 69 [35.8%], P &lt;.01), and with overall survival as the criteria (49 [49.5%] vs 40 [20.7%], P &lt;.01). Monotherapies were more likely to be novel drugs compared with combinations (80 [41.5%] vs 14 [14.1%] P &lt;.01). Monotherapies were more likely to be small molecule targeted agents, while combinations were more likely to be immunotherapies (P &lt;.02). There was no difference comparing the time-to-event endpoints and validated clinical benefit scale, but the median response rate of combinations (46%) was higher than monotherapies (34%, P &lt;.01). Discussion Given that clinical benefit appears limited in combination therapy compared with monotherapy, drug development could focus on simplifying cancer therapies toward patient-centered paradigms.