Abstract

 The Response Evaluation Criteria in Solid Tumours (RECIST) were developed and published in 2000, based on the original World Health Organisation guidelines first published in 1981. In 2009, revisions were made (RECIST 1.1) incorporating major changes, including a reduction in the number of lesions to be assessed, a new measurement method to classify lymph nodes as pathologic or normal, the clarification of the requirement to confirm a complete response or partial response and new methodologies for more appropriate measurement of disease progression. The purpose of this paper was to summarise the questions posed and the clarifications provided as an update to the 2009 publication.

Purpose To investigate relationships between computer-extracted breast magnetic resonance (MR) imaging phenotypes with multigene assays of MammaPrint, Oncotype DX, and PAM50 to assess the role of radiomics in evaluating the risk of breast cancer recurrence. Materials and Methods Analysis was conducted on an institutional review board-approved retrospective data set of 84 deidentified, multi-institutional breast MR examinations from the National Cancer Institute Cancer Imaging Archive, along with clinical, histopathologic, and genomic data from The Cancer Genome Atlas. The data set of biopsy-proven invasive breast cancers included 74 (88%) ductal, eight (10%) lobular, and two (2%) mixed cancers. Of these, 73 (87%) were estrogen receptor positive, 67 (80%) were progesterone receptor positive, and 19 (23%) were human epidermal growth factor receptor 2 positive. For each case, computerized radiomics of the MR images yielded computer-extracted tumor phenotypes of size, shape, margin morphology, enhancement texture, and kinetic assessment. Regression and receiver operating characteristic analysis were conducted to assess the predictive ability of the MR radiomics features relative to the multigene assay classifications. Results Multiple linear regression analyses demonstrated significant associations (R2 = 0.25-0.32, r = 0.5-0.56, P < .0001) between radiomics signatures and multigene assay recurrence scores. Important radiomics features included tumor size and enhancement texture, which indicated tumor heterogeneity. Use of radiomics in the task of distinguishing between good and poor prognosis yielded area under the receiver operating characteristic curve values of 0.88 (standard error, 0.05), 0.76 (standard error, 0.06), 0.68 (standard error, 0.08), and 0.55 (standard error, 0.09) for MammaPrint, Oncotype DX, PAM50 risk of relapse based on subtype, and PAM50 risk of relapse based on subtype and proliferation, respectively, with all but the latter showing statistical difference from chance. Conclusion Quantitative breast MR imaging radiomics shows promise for image-based phenotyping in assessing the risk of breast cancer recurrence. © RSNA, 2016 Online supplemental material is available for this article.

Although investigators in the imaging community have been active in developing and evaluating quantitative imaging biomarkers (QIBs), the development and implementation of QIBs have been hampered by the inconsistent or incorrect use of terminology or methods for technical performance and statistical concepts. Technical performance is an assessment of how a test performs in reference objects or subjects under controlled conditions. In this article, some of the relevant statistical concepts are reviewed, methods that can be used for evaluating and comparing QIBs are described, and some of the technical performance issues related to imaging biomarkers are discussed. More consistent and correct use of terminology and study design principles will improve clinical research, advance regulatory science, and foster better care for patients who undergo imaging studies. © RSNA, 2015

Using quantitative radiomics, we demonstrate that computer-extracted magnetic resonance (MR) image-based tumor phenotypes can be predictive of the molecular classification of invasive breast cancers. Radiomics analysis was performed on 91 MRIs of biopsy-proven invasive breast cancers from National Cancer Institute's multi-institutional TCGA/TCIA. Immunohistochemistry molecular classification was performed including estrogen receptor, progesterone receptor, human epidermal growth factor receptor 2, and for 84 cases, the molecular subtype (normal-like, luminal A, luminal B, HER2-enriched, and basal-like). Computerized quantitative image analysis included: three-dimensional lesion segmentation, phenotype extraction, and leave-one-case-out cross validation involving stepwise feature selection and linear discriminant analysis. The performance of the classifier model for molecular subtyping was evaluated using receiver operating characteristic analysis. The computer-extracted tumor phenotypes were able to distinguish between molecular prognostic indicators; area under the ROC curve values of 0.89, 0.69, 0.65, and 0.67 in the tasks of distinguishing between ER+ versus ER-, PR+ versus PR-, HER2+ versus HER2-, and triple-negative versus others, respectively. Statistically significant associations between tumor phenotypes and receptor status were observed. More aggressive cancers are likely to be larger in size with more heterogeneity in their contrast enhancement. Even after controlling for tumor size, a statistically significant trend was observed within each size group (P = 0.04 for lesions ≤ 2 cm; P = 0.02 for lesions >2 to ≤5 cm) as with the entire data set (P-value = 0.006) for the relationship between enhancement texture (entropy) and molecular subtypes (normal-like, luminal A, luminal B, HER2-enriched, basal-like). In conclusion, computer-extracted image phenotypes show promise for high-throughput discrimination of breast cancer subtypes and may yield a quantitative predictive signature for advancing precision medicine.

Abstract The National Institutes of Health–US Food and Drug Administration Joint Leadership Council Next-Generation Sequencing and Radiomics Working Group was formed by the National Institutes of Health–Food and Drug Administration Joint Leadership Council to promote the development and validation of innovative next-generation sequencing tests, radiomic tools, and associated data analysis and interpretation enhanced by artificial intelligence and machine learning technologies. A 2-day workshop was held on September 29-30, 2021, to convene members of the scientific community to discuss how to overcome the “ground truth” gap that has frequently been acknowledged as 1 of the limiting factors impeding high-quality research, development, validation, and regulatory science in these fields. This report provides a summary of the resource gaps identified by the working group and attendees, highlights existing resources and the ways they can potentially be employed to accelerate growth in these fields, and presents opportunities to support next-generation sequencing and radiomic tool development and validation using technologies such as artificial intelligence and machine learning.

Background:High grade serous ovarian carcinoma shows marked intra-tumoral heterogeneity which is associated with decreased survival and resistance to platinum-based chemotherapy. Pre-treatment quantification of spatial tumor heterogeneity by multiple tissue sampling is not clinically feasible. Using standard-of-care CT imaging to non-invasively quantify heterogeneity could have high clinical utility and would be highly cost-effective. Texture analysis measures local variations in computed tomography (CT) image intensity. Haralick texture methods are typically used to capture the heterogeneity of entire lesions; however, this neglects the possible presence of texture habitats within the lesion, and the differences between metastatic sites. The primary aim of this study was to develop texture analysis of intra-site and inter-site spatial heterogeneity from standard-of-care CT images and to correlate these measures with clinical and genomic features in patients with HGSOC. Methods and Findings: We analyzed the data from a retrospective cohort of 84 patients with HGSOC consisting of 46 patients from Memorial Sloan Kettering Cancer Center (MSKCC) and 38 non-MSKCC cases selected from The Cancer Imaging Archive (TCIA). Inclusion criteria consisted of FIGO stage II--IV HGSOC, attempted primary cytoreductive surgery, intravenous contrast-enhanced CT of abdomen and pelvis performed prior to surgery and availability of molecular tumor data analysed as per the Cancer Genome Atlas (TCGA) Research Network ovarian cancer project. Manual segmentation and image analysis was performed on 463 metastatic tumor sites from 84 patients. In the MSKCC cohort the median number of tumor sites was 7 (interquartile range 5--9) and 4 (interquartile range 3--4) in the TCIA patients. Sub-regions were produced within each tumor site by grouping voxels with similar Haralick texture using the Kernel K-means method. We derived statistical measures of intra- and inter-site tumor heterogeneity (IISTH) including cluster sites entropy (cSE), cluster sites standard deviation (cluDev) and cluster sites dissimilarity (cluDiss) from sub-regions identified within and between individual tumor sites. Unsupervised clustering was used to group patient IISTH measures into low, medium, high, and ultra-high heterogeneity clusters from each cohort. The IISTH measure cluDiss was an independent predictor of progression-free survival (PFS) in multivariable analysis in both datasets (MSKCC hazard ratio [HR] 1.04, 95% CI 1.01--1.06, P = 0.002; TCIA HR 1.05, 95% CI 1.00--1.10, P = 0.049). Low and medium IISTH clusters were associated with longer PFS in multivariable analysis (MSKCC HR 2.94, 90% CI 1.29--6.70, P = 0.009, TCIA HR 5.94, 95% CI 1.05--33.6, P = 0.044). IISTH measures were robust to differences in the CT imaging systems. Average Haralick textures contrast (TCIA HR 1.08, 95% CI 1.01--1.10, P = 0.019) and homogeneity (TCIA HR 1.09, 95% CI 1.02--1.16, P = 0.008) were associated with PFS in mutivariate analysis only in the TCIA dataset. All other average Haralick textures and total tumor volume were not associated with PFS in either dataset. Conclusions: Texture measures of intra- and inter-site tumor heterogeneity from standard of care CT images are correlated with shorter PFS in HGSOC patients. These quantitative methods are independent of the CT imaging system and can thus be applied in clinical practice. The methodology proposed here enables the non-invasive quantification of intra-tumoral heterogeneity and disease stratification for future experimental medicine studies and clinical trials, particularly in cases where total tumour volume and averaged textures have low predictive power.

Objectives To develop and validate a Prostate Imaging‐Reporting and Data System (PI‐RADS) version 2.1 (v2.1)‐based predictive model for diagnosis of clinically significant prostate cancer (csPCa), integrating clinical and multiparametric magnetic resonance imaging (mpMRI) data, and compare its performance with existing models. Patients and Methods We retrospectively analysed data from patients who underwent prospective mpMRI assessment using the PI‐RADS v2.1 scoring system and biopsy at our institution between April 2019 and December 2023. A ‘Clinical Baseline’ model using patient demographics and laboratory results and an ‘MRI Added’ model additionally incorporating PI‐RADS v2.1 scores and prostate volumes were created and validated on internal and external patients. Both models were compared against two previously published MRI‐based algorithms for csPCa using area under the receiver operating characteristic curve (AUC) and decision curve analysis. Results A total of 1319 patients across internal and external cohorts were included. Our ‘MRI Added’ model demonstrated significantly improved discriminative ability (AUC internal 0.88, AUC external 0.79) compared to our ‘Clinical Baseline’ model (AUC internal 0.75, AUC external 0.68) ( P < 0.001). The ‘MRI Added’ model also showed higher net benefits across various clinical threshold probabilities and compared to a ‘biopsy all’ approach, it reduced unnecessary biopsies (defined as biopsies without Gleason Grade Group ≥2 csPCa) by 27% in the internal cohort and 10% in the external cohort at a risk threshold of 25%. However, there was no significant difference in predictive ability and reduction in unnecessary biopsies between our model and comparative ones developed for PI‐RADS v2 and v1. Conclusion Our PI‐RADS v2.1‐based mpMRI model significantly enhances csPCa prediction, outperforming the traditional clinical model in accuracy and reduction of unnecessary biopsies. It proves promising across diverse patient populations, establishing an updated, integrated approach for detection and management of prostate cancer.