Pathological lymph node delineation is crucial in cancer diagnosis, progression assessment, and treatment planning. The MICCAI 2023 Lymph Node Quantification Challenge published the first public dataset for pathological lymph node segmentation in the mediastinum. As lymph node annotations are expensive, the challenge was formed as a weakly supervised learning task, where only a subset of all lymph nodes in the training set have been annotated. For the challenge submission, multiple methods for training on these weakly supervised data were explored, including noisy label training, loss masking of unlabeled data, and an approach that integrated the TotalSegmentator toolbox as a form of pseudo labeling in order to reduce the number of unknown voxels. Furthermore, multiple public TCIA datasets were incorporated into the training to improve the performance of the deep learning model. Our submitted model achieved a Dice score of 0.628 and an average symmetric surface distance of 5.8~mm on the challenge test set. With our submitted model, we accomplished third rank in the MICCAI2023 LNQ challenge. A finding of our analysis was that the integration of all visible, including non-pathological, lymph nodes improved the overall segmentation performance on pathological lymph nodes of the test set. Furthermore, segmentation models trained only on clinically enlarged lymph nodes, as given in the challenge scenario, could not generalize to smaller pathological lymph nodes. The code and model for the challenge submission are available at \url{https://gitlab.lrz.de/compai/MediastinalLymphNodeSegmentation}.

Abstract Purpose Despite growing evidence for bilateral pelvic radiotherapy (whole pelvis RT, WPRT) there is almost no data on unilateral RT (hemi pelvis RT, HPRT) in patients with nodal recurrent prostate cancer after prostatectomy. Nevertheless, in clinical practice HPRT is sometimes used with the intention to reduce side effects compared to WPRT. Prostate-specific membrane antigen positron emission tomography / computed tomography (PSMA-PET/CT) is currently the best imaging modality in this clinical situation. This analysis compares PSMA-PET/CT based WPRT and HPRT. Methods A propensity score matching was performed in a multi-institutional retrospective dataset of 273 patients treated with pelvic RT due to nodal recurrence (214 WPRT, 59 HPRT). In total, 102 patients (51 in each group) were included in the final analysis. Biochemical recurrence-free survival (BRFS) defined as prostate specific antigen (PSA) < post-RT nadir + 0.2ng/ml, metastasis-free survival (MFS) and nodal recurrence-free survival (NRFS) were calculated using the Kaplan-Meier method and compared using the log rank test. Results Median follow-up was 29 months. After propensity matching, both groups were mostly well balanced. However, in the WPRT group there were still significantly more patients with additional local recurrences and biochemical persistence after prostatectomy. There were no significant differences between both groups in BRFS ( p = .97), MFS ( p = .43) and NRFS ( p = .43). After two years, BRFS, MFS and NRFS were 61%, 86% and 88% in the WPRT group and 57%, 90% and 82% in the HPRT group, respectively. Application of a boost to lymph node metastases, a higher RT dose to the lymphatic pathways (> 50 Gy EQD2 α/β=1.5 Gy ) and concomitant androgen deprivation therapy (ADT) were significantly associated with longer BRFS in uni- and multivariate analysis. Conclusions Overall, this analysis presents the outcome of HPRT in nodal recurrent prostate cancer patients and shows that it can result in a similar oncologic outcome compared to WPRT. Nevertheless, patients in the WPRT may have been at a higher risk for progression due to some persistent imbalances between the groups. Therefore, further research should prospectively evaluate which subgroups of patients are suitable for HPRT and if HPRT leads to a clinically significant reduction in toxicity.

Meningiomas are the most common primary brain tumors. While most are benign (WHO grade 1) and have a favorable prognosis, up to one-fourth are classified as higher-grade, falling into WHO grade 2 or 3 categories. Recently, an integrated risk score (IRS) pertaining to tumor biology was developed and its prognostic relevance was validated in a large, multicenter study. We hypothesized imaging data to be reflective of the IRS. Thus, we assessed the potential of a machine learning classifier for its noninvasive prediction using preoperative magnetic resonance imaging (MRI).

Abstract Background Surgical resection is the standard of care for patients with large or symptomatic brain metastases (BMs). Despite improved local control after adjuvant stereotactic radiotherapy, the risk of local failure (LF) persists. Therefore, we aimed to develop and externally validate a pre-therapeutic radiomics-based prediction tool to identify patients at high LF risk. Methods Data were collected from A Multicenter Analysis of Stereotactic Radiotherapy to the Resection Cavity of BMs (AURORA) retrospective study (training cohort: 253 patients from 2 centers; external test cohort: 99 patients from 5 centers). Radiomic features were extracted from the contrast-enhancing BM (T1-CE MRI sequence) and the surrounding edema (T2-FLAIR sequence). Different combinations of radiomic and clinical features were compared. The final models were trained on the entire training cohort with the best parameter set previously determined by internal 5-fold cross-validation and tested on the external test set. Results The best performance in the external test was achieved by an elastic net regression model trained with a combination of radiomic and clinical features with a concordance index (CI) of 0.77, outperforming any clinical model (best CI: 0.70). The model effectively stratified patients by LF risk in a Kaplan–Meier analysis (P &lt; .001) and demonstrated an incremental net clinical benefit. At 24 months, we found LF in 9% and 74% of the low and high-risk groups, respectively. Conclusions A combination of clinical and radiomic features predicted freedom from LF better than any clinical feature set alone. Patients at high risk for LF may benefit from stricter follow-up routines or intensified therapy.

Despite recent advances in the targeted therapy of AML, the disease continues to have a poor prognosis. Allogeneic hematopoietic stem cell transplantation (alloSCT) remains to be the curative therapy option for fit patients with high-risk disease. Especially patients with relapsed or refractory (r/r) AML continue to have poor outcomes. Myeloablative total body irradiation (TBI) based conditioning can be used in AML patients refractory to multiple lines of standard therapy, but the optimal conditioning regimen remains unclear for patients considered to be chemotherapy- refractory. Feasibility of C-X-C-motif chemokine receptor 4 (CXCR4)-directed endoradiotherapy (ERT) has previously been demonstrated in AML patients with CXCR4 expression on leukemic blasts.

Abstract Background Post-Therapy-Pneumonitis (PTP) is a critical side effect of both, thoracic radio(chemo)therapy (R(C)T) and immune checkpoint inhibition (ICI). However, disease characteristics and patient-specific risk factors of PTP after combined R(C)T + ICI are less understood. Given that RT-triggered PTP is strongly dependent on the volume and dose of RT [1], driven by inflammatory mechanisms, we hypothesize that combination therapy of R(C)T with ICI influences the dose-volume-effect correlation for PTP. This study focuses on the development of a method for evaluation of alterations of dosimetric parameters for PTP after R(C)T with and without ICI. Methods and materials PTP volumes were delineated on the follow-up diagnostic Computed Tomography (CT) and deformably matched to the planning CT for patients with PTP after thoracic R(C)T + ICI or R(C)T. Dose data was converted to 2-Gy equivalent doses (EQD2) and dosimetrically analyzed. Dosimetric and volumetric parameters of the segmented PTP volumes were analyzed. The method was exemplarily tested on an internal patient cohort including 90 patients having received thoracic R(C)T + ICI (39) and R(C)T (51). Thirtytwo patients with PTP were identified for further analysis. Additional data on previous chemotherapy, RT, smoking status and pulmonary co-morbidity were conducted. A matched pair analysis with regard to planning target volumes (PTV) was conducted for curative intended (definitive) and palliative patient cohorts individually. Results The presented method was able to quantify and compare the dosimetric parameters of PTP for the different therapies. For our study group, no significant differences between R(C)T + ICI and R(C)T only was observed. However, the dosimetric analysis revealed large volumetric fractions (55%) of the PTP volumes to be located outside of high dose (EQD2 < 40 Gy) regions for R(C)T + ICI. There was a non-significant trend towards increased area under the curve of the dose volume histogram (AUC) values for R(C)T + ICI compared to R(C)T only (3743.6 Gy∙% vs. 2848.8 Gy∙%; p -value = 0.171). In contrast to the data for the palliative intended treatment group, for definitive R(C)T + ICI, data tended towards increased volumes with higher doses. Conclusions The proposed method was capable to quantify dosimetric differences in the dose-volume-effect relationship of PTP for patients with R(C)T + ICI and patients with R(C)T only. In this exploratory analysis, no significant dosimetric differences within PTP volumes for the different groups could be observed. However, our observations suggest, that for safe application of thoracic R(C)T + ICI, further careful investigation of dosimetric prescription and analysis concepts with larger and conformer study groups is recommendable.