Glioblastomas, lethal primary brain tumors, are known for their heterogeneity and invasiveness. A growing literature has been developed demonstrating the clinical relevance of a biomathematical model, the Proliferation-Invasion (PI) model, of glioblastoma growth. Of interest here is the development of a treatment response metric, Days Gained (DG). This metric is based on individual tumor kinetics estimated through segmented volumes of hyperintense regions on T1-weighted gadolinium enhanced (T1Gd) and T2-weighted magnetic resonance images (MRIs). This metric was shown to be prognostic of time to progression. Further, it was shown to be more prognostic of outcome than standard response metrics. While promising, the original paper did not account for uncertainty in the calculation of the DG metric leaving the robustness of this cutoff in question. We harness the Bayesian framework to consider the impact of two sources of uncertainty: 1) image acquisition and 2) interobserver error in image segmentation. We first utilize synthetic data to characterize what non-error variants are influencing the final uncertainty in the DG metric. We then consider the original patient cohort to investigate clinical patterns of uncertainty and to determine how robust this metric is for predicting time to progression and overall survival. Our results indicate that the key clinical variants are the time between pre-treatment images and the underlying tumor growth kinetics, matching our observations in the clinical cohort. Finally, we demonstrated that for this cohort there was a continuous range of cutoffs between 94 and 105 for which the prediction of the time to progression and was over 80\% reliable. While further validation must be done, this work represents a key step in ascertaining the clinical utility of this metric.

Seizures are common presenting symptoms of primary brain tumors. Mechanisms of epileptogenesis are still unknown and are believed to be multifactorial. Previous studies have indicated correlation of seizure with tumor location. Recent investigations of our group have shown image-based parameters have sex-specific implications for patient outcome. In this retrospective study, we examined the association of tumor location with the probability and risk of seizure in male and female glioma patients.

Purpose: Patient sex is recognized as a significant determinant of outcome but the relative prognostic importance of molecular, imaging, and other clinical features of GBM has not yet been thoroughly explored for male versus female patients. Combining multi-modal MR images and patient clinical information, this investigation assesses which pretreatment MRI-based and clinical variables impact sex-specific survivorship in glioblastoma patients. Methods: We considered the multi-modal MRI and clinical data of 494 patients newly diagnosed with primary glioblastoma (299 males and 195 females). Patient MR images (T1Gd, T2, and T2-FLAIR) were segmented to quantify imageable tumor volumes for each MR sequence. Cox proportional hazard (CPH) models and Students t-tests were used to assess which variables were significantly associated with survival outcomes. We used machine learning algorithms to develop pruned decision trees to integrate the impact of these variables on patient survival. Results: Among males, tumor (T1Gd) radius was a significant predictor of overall survival (HR=1.027, p=0.044). Among females, higher tumor cell net invasion rate was a significant detriment to overall survival (HR=1.011, p<0.001). Female extreme survivors had significantly smaller tumors (T1Gd) (p=0.010 t-test), but tumor size was not significantly correlated with female overall survival (p=0.955 CPH). Both male and female extreme survivors had significantly lower tumor cell net proliferation rates than patients in other survival groups (M p=0.004, F p=0.001, t-test). Age at diagnosis was a significant predictive factor for overall survival length for both males and females (M HR= 1.030, F HR=1.022). Additional variables like extent of resection, tumor laterality, and IDH1 mutation status were also found to have sex-specific effects on overall survival. Conclusion: The results indicated that some variables, like the tumor cell diffuse invasion rate and tumor size, had sex-specific implications for survival, while other variables, such as age at diagnosis and tumor cell proliferation rate, impacted both sexes in the same way. Despite similar distributions of the MR imaging parameters between males and females, there was a sex-specific difference in how these parameters related to outcomes. The sex differences in the predictive value of these and other variables emphasizes the importance of considering sex as a biological factor when determining patient prognosis and treatment approach.

Although glioblastoma is a fatal primary brain cancer with a short median survival of 15 months, a small number of patients survive more than 5 years after diagnosis; they are known as extreme survivors (ES). Due to their rarity, very little is known about what differentiates these outliers from other glioblastoma patients. For the purpose of identifying unknown drivers of extreme survivorship in glioblastoma, we developed the ENDURES consortium (ENvironmental Dynamics Underlying Responsive Extreme Survivors of glioblastoma). This consortium is a multicenter collaborative network of investigators focused on the integration of multiple types of clinical data and the creation of patient-specific models of tumor growth informed by radiographic and histological parameters. Leveraging our combined resources, the goals of the ENDURES consortium are two-fold: (1) to build a curated, searchable, multilayered repository housing clinical and outcome data on a large cohort of ES patients with glioblastoma and (2) to leverage the ENDURES repository for new insights on tumor behavior and novel targets for prolonging survival for all glioblastoma patients. In this article, we review the available literature and discuss what is already known about ES. We then describe the creation of our consortium and some of our preliminary results.

Temozolomide (TMZ) has been the standard-of-care chemotherapy for glioblastoma (GBM) patients for more than a decade. Despite this long time in use, significant questions remain regarding how best to optimize TMZ therapy for individual patients. Understanding the relationship between TMZ response and factors such as number of adjuvant TMZ cycles, patient age, patient sex, and image-based tumor features, might help predict which GBM patients would benefit most from TMZ, particularly for those whose tumors are not MGMT methylated. Using a cohort of 90 newly-diagnosed GBM patients treated according to the Stupp protocol, we examined the relationships between several patient and tumor characteristics and volumetric and survival outcomes during adjuvant chemotherapy. Volumetric changes in MR imaging abnormalities during adjuvant therapy were used to assess TMZ response. T1Gd volumetric response is associated with younger patient age, increased number of TMZ cycles, longer time to nadir volume, and decreased tumor invasiveness. Moreover, increased adjuvant TMZ cycles corresponded with improved volumetric response only among more nodular tumors, and this volumetric response was associated with improved survival outcomes. Finally, in a subcohort of patients with known MGMT methylation status, MGMT methylated tumors were more diffusely invasive than unmethylated tumors, suggesting that the improved response in nodular tumors is not driven by a preponderance of MGMT methylated tumors. Our finding that less diffusely invasive tumors are associated with greater volumetric response to TMZ suggests that patients with these tumors may benefit from additional cycles of adjuvant TMZ, even for those without MGMT methylation.

Glioblastomas are aggressive primary brain tumors known for their inter- and intratumor heterogeneity. This disease is uniformly fatal, with intratumor heterogeneity the major reason for treatment failure and recurrence. Just like the nature vs nurture debate, heterogeneity can arise from heritable or environmental influences. Whilst it is impossible to clinically separate observed behavior of cells from their environmental context, using a mathematical framework combined with multiscale data gives us insight into the relative roles of variation from inherited and environmental sources.To better understand the implications of intratumor heterogeneity on therapeutic outcomes, we created a hybrid agent-based mathematical model that captures both the overall tumor kinetics and the individual cellular behavior. We track single cells as agents, cell density on a coarser scale, and growth factor diffusion and dynamics on a finer scale over time and space. Our model parameters were fit utilizing serial MRI imaging and cell tracking data from ex vivo tissue slices acquired from a growth-factor driven glioblastoma murine model.When fitting our model to serial imaging only, there was a spectrum of equally-good parameter fits corresponding to a wide range of phenotypic behaviors. This wide spectrum of in silico tumors also had a wide variety of responses to an application of an antiproliferative treatment. Recurrent tumors were generally less proliferative than pre-treatment tumors as measured via the model simulations and validated from human GBM patient histology. When fitting our model using imaging and cell scale data, we determined that heritable heterogeneity is required to capture the observed migration behavior. Further, we found that all tumors increased in size after an anti-migratory treatment, and some tumors were larger after a combination treatment than with an anti-proliferative treatment alone. Together our results emphasize the need to understand the underlying phenotypes and tumor heterogeneity in designing therapeutic regimens.

Background Brain tumor related epilepsy (BTE) is a major co-morbidity related to the management of patients with brain cancer. Despite published practice guidelines recommending against anti-epileptic drug (AED) utilization in patients with gliomas, there is heterogeneity in prescription practices of AEDs in these patients. In an attempt to impact BTE management, we statistically analyzed clinically relevant attributes (sex, age, tumor size, tumor growth kinetics, and tumor location) pertaining to seizure at presentation and used them to build a computational machine learning model to predict the probability of a seizure (at presentation).Methods From our clinical data repository, we identified 223 patients (females, n=86; males, n=137) with pathologically-determined glioma and known seizure status at clinical presentation. Non-parametric and Fisher’s Exact tests were used to identify statistical differences in clinical characteristics. We utilized a random forest machine learning method for generating our predictive models by entire cohort and separated by male and female.Findings Patients were divided into those that presented with seizure (SP, n=96, 43%; F, n= 28; M, n= 68) and those that presented without seizure (nSP, n=127, 57%, F n=58, M n=69). Females presented with seizures significantly less often than males (x2=6·28, p=0·01). SP patients had significantly smaller T1Gd radius compared to nSP (SP 11·30mm, nSP 18.66mm, p<0·0001). Tumor size and patient age were significant negative predictors for SP; patients with larger tumors, older age and less tumor diffusivity (p/D) were at lower risk for SP.Interpretation Despite heterogeneity across our patient cohort, there is strong evidence of a role for patient sex, tumor size, tumor invasion, and patient age in predicting the incidence of seizures at diagnosis. Future studies, with prospectively detailed data collection, may provide clearer insights into the incidence of seizures through a patient’s treatment course.

Abstract Gliomas are brain tumors characterized by highly variable growth patterns. Magnetic resonance imaging (MRI) is the cornerstone of glioma diagnosis and management planning. However, glioma features on MRI do not directly correlate with tumor cell distribution. Additionally, there is evidence that glioma tumor characteristics and prognosis are sex-dependent. Magnetic resonance elastography (MRE) is an imaging technique that allows interrogation of tissue stiffness in-vivo and has found utility in the imaging of several cancers. We investigate the relationship between MRI features, MRE features, and growth parameters derived from an established mathematical model of glioma proliferation and invasion. Results suggest that both the relationship between tumor volume and tumor stiffness as well as the relationship between the parameters derived from the mathematical model and tumor stiffness are sex-dependent. These findings lend evidence to a growing body of knowledge about the clinical importance of sex in the context of cancer diagnosis, prognosis and treatment.