Sex differences in the incidence and outcome of human disease are broadly recognized but, in most cases, not sufficiently understood to enable sex-specific approaches to treatment. Glioblastoma (GBM), the most common malignant brain tumor, provides a case in point. Despite well-established differences in incidence and emerging indications of differences in outcome, there are few insights that distinguish male and female GBM at the molecular level or allow specific targeting of these biological differences. Here, using a quantitative imaging-based measure of response, we found that standard therapy is more effective in female compared with male patients with GBM. We then applied a computational algorithm to linked GBM transcriptome and outcome data and identified sex-specific molecular subtypes of GBM in which cell cycle and integrin signaling are the critical determinants of survival for male and female patients, respectively. The clinical relevance of cell cycle and integrin signaling pathway signatures was further established through correlations between gene expression and in vitro chemotherapy sensitivity in a panel of male and female patient-derived GBM cell lines. Together, these results suggest that greater precision in GBM molecular subtyping can be achieved through sex-specific analyses and that improved outcomes for all patients might be accomplished by tailoring treatment to sex differences in molecular mechanisms.

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.

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 Morphological characteristics have been linked to outcomes across a variety of cancers. Lacunarity is a quantitative morphological measure of how shapes fill space while fractal dimension is a morphological measure of the complexity of pixel arrangement. Glioblastoma is the most aggressive primary brain tumor with a short expected survival given the current standard-of-care treatment. Due to the sensitive location of the tumor, there is a heavy reliance on imaging to assess the state of the disease in the clinic. In this project, we computed lacunarity and fractal dimension values for glioblastoma-induced abnormalities on gadolinium-enhanced T1-weighted magnetic resonance imaging (T1Gd MRI) as well as T2-weighted (T2) and fluid-attenuated inversion recovery (FLAIR) MRIs. In our patient cohort (n=402), we aim to connect these morphological metrics calculated on pretreatment MRI with the survival of patients with GBM. We calculated lacunarity and fractal dimension across all MRI slices on necrotic regions (n=390) and abnormalities on T1Gd MRI (n=402), as well as on enhancing abnormalities present on T2/FLAIR MRI (n=257). We also explored the relationship between these metrics and age at diagnosis, as well as abnormality volume. We found statistically significant relationships to outcome across all three imaging subtypes, with the shape of T2/FLAIR abnormalities showing the strongest relationship with overall survival. The link between morphological and survival metrics could be driven by underlying biological phenomena, tumor location or microenvironmental factors that should be further explored.