Abstract Medical imaging represents the primary tool for investigating and monitoring several diseases, including cancer. The advances in quantitative image analysis have developed towards the extraction of biomarkers able to support clinical decisions. To produce robust results, multi-center studies are often set up. However, the imaging information must be denoised from confounding factors – known as batch-effect – like scanner-specific and center-specific influences. Moreover, in non-solid cancers, like lymphomas, effective biomarkers require an imaging-based representation of the disease that accounts for its multi-site spreading over the patient’s body. In this work, we address the dual-factor deconfusion problem and we propose a deconfusion algorithm to harmonize the imaging information of patients affected by Hodgkin Lymphoma in a multi-center setting. We show that the proposed model successfully denoises data from domain-specific variability while it coherently preserves the spatial relationship between imaging descriptions of peer lesions, which is a strong prognostic biomarker for tumor heterogeneity assessment. This harmonization step allows to significantly improve the performance in prognostic models, enabling building exhaustive patient representations and delivering more accurate analyses. This work lays the groundwork for performing large-scale and reproducible analyses on multi-center data that are urgently needed to convey the translation of imaging-based biomarkers into the clinical practice as effective prognostic tools. The code is available on GitHub at this link

Abstract Background Although many well-known factors affect the maximum standardized uptake value (SUVmax), it remains the most requested and used parameter, especially among clinicians, despite other parameters, such as the standardized uptake value corrected for lean body mass and the metabolic tumor volume, being proven to be less sensitive to the same factors, more robust, and eventually more informative. This study intends to provide robust evidence regarding the diagnostic and prognostic value of SUVmax in a large cohort of subjects with suspected malignant lung nodules imaged by [ 18 F]FDG PET/CT. Materials and methods We performed a retrospective analysis of patients with suspected/confirmed primary lung tumours undergoing [18F]FDG PET/CT. The sample size was 567 patients. Demographics, imaging, surgical, histological, and follow-up data were collected. SUVmax was analysed according to histology, stage, scanner, and outcome. The impact on measured values of different reconstruction protocols was assessed. All potential predictors of patients’ outcome were assessed. Results 91% cases were primary lung tumours. Lung benign nodules or metastases accounted for 5% and 4% of cases. Most patients presented with adenocarcinoma (70%) and stage I disease (51%); 144 patients relapsed and 55 died. SUVmax failed to effectively differentiate benign lesions from primary tumours or metastases. Stage I patients presented lower SUVmax. SUVmax significantly correlated with patient weight, injected [ 18 F]FDG activity, and lesion size and differed between reconstructions’ protocols. Survival analyses revealed no independent prognostic significance for SUVmax in progression-free after adjusting for other variables. SUVmax correlated with overall survival, disease stage and tumour histotype. Conclusion Our study confirms that SUVmax, though widely employed, present relevant limitations in discriminating between benign lesion and lung cancer, in classifying cancer histotypes, and in predicting patient outcomes independently. Known influencing factors significantly impact on numerical values, thus SUV values should be regarded with caution in clinical practice.