The image biomarker standardisation initiative (IBSI) is an independent international collaboration which works towards standardising the extraction of image biomarkers from acquired imaging for the purpose of high-throughput quantitative image analysis (radiomics). Lack of reproducibility and validation of high-throughput quantitative image analysis studies is considered to be a major challenge for the field. Part of this challenge lies in the scantiness of consensus-based guidelines and definitions for the process of translating acquired imaging into high-throughput image biomarkers. The IBSI therefore seeks to provide image biomarker nomenclature and definitions, benchmark data sets, and benchmark values to verify image processing and image biomarker calculations, as well as reporting guidelines, for high-throughput image analysis.

Abstract Background Accurate characterization of newly diagnosed a solid adnexal lesion is a key step in defining the most appropriate therapeutic approach. Despite guidance from the International Ovarian Tumor Analyzes Panel, the evaluation of these lesions can be challenging. Recent studies have demonstrated how machine learning techniques can be applied to clinical data to solve this diagnostic problem. However, ML models can often consider as black‐boxes due to the difficulty of understanding the decision‐making process used by the algorithm to obtain a specific result. Aims For this purpose, we propose an Explainable Artificial Intelligence model trained on clinical characteristics and qualitative ultrasound indicators to predict solid adnexal masses diagnosis. Materials & Methods Since the diagnostic task was a three‐class problem (benign tumor, invasive cancer, or ovarian metastasis), we proposed a waterfall classification model: a first model was trained and validated to discriminate benign versus malignant, a second model was trained to distinguish nonmetastatic versus metastatic malignant lesion which occurs when a patient is predicted to be malignant by the first model. Firstly, a stepwise feature selection procedure was implemented. The classification performances were validated on Leave One Out scheme. Results The accuracy of the three‐class model reaches an overall accuracy of 86.36%, and the precision per‐class of the benign, nonmetastatic malignant, and metastatic malignant classes were 86.96%, 87.27%, and 77.78%, respectively. Discussion: SHapley Additive exPlanations were performed to visually show how the machine learning model made a specific decision. For each patient, the SHAP values expressed how each characteristic contributed to the classification result. Such information represents an added value for the clinical usability of a diagnostic system. Conclusions This is the first work that attempts to design an explainable machine‐learning tool for the histological diagnosis of solid masses of the ovary.

Purpose Patients diagnosed with High Grade Gliomas (HGG) generally tend to have a relatively negative prognosis with a high risk of early tumor recurrence (TR) after post-operative radio-chemotherapy. The assessment of the pre-operative risk of early versus delayed TR can be crucial to develop a personalized surgical approach. The purpose of this article is to predict TR using MRI radiomic analysis. Methods Data were retrospectively collected from a database. A total of 248 patients were included based on the availability of 6-month TR results: 188 were used to train the model, the others to externally validate it. After manual segmentation of the tumor, Radiomic features were extracted and different machine learning models were implemented considering a combination of T1 and T2 weighted MR sequences. Receiver Operating Characteristic (ROC) curve was calculated with relative model performance metrics (accuracy, sensitivity, specificity, positive predictive value (PPV) and negative predictive value (NPV)) at the best threshold based on the Youden Index. Results Models performance were evaluated based on test set results. The best model resulted to be the XGBoost, with an area under ROC curve of 0.72 (95% CI: 0.56 - 0.87). At the best threshold, the model exhibits 0.75 (95% CI: 0.63 - 0.75) as accuracy, 0.62 (95% CI: 0.38 - 0.83) as sensitivity 0.80 (95% CI: 0.66 - 0.89 as specificity, 0.53 (95% CI: 0.31 - 0.73) as PPV, 0.88 (95% CI: 0.72 - 0.94) as NPV. Conclusion MRI radiomic analysis represents a powerful tool to predict late HGG recurrence, which can be useful to plan personalized surgical treatments and to offer pertinent patient pre-operative counseling.

In a previous preliminary study, radiomic features from the largest and the hottest lesion in baseline 18F-FDG PET/CT (bPET/CT) of classical Hodgkin's Lymphoma (cHL) predicted early response-to-treatment and prognosis. Aim of this large retrospectively-validated study is to evaluate the predictive role of two-lesions radiomics in comparison with other clinical and conventional PET/CT models. cHL patients with bPET/CT between 2010 and 2020 were retrospectively included and randomized into training-validation sets. Target lesions were: Lesion_A, with largest axial diameter (Dmax); Lesion_B, with highest SUVmax. Total-metabolic-tumor-volume (TMTV) was calculated and 212 radiomic features were extracted. PET/CT features were harmonized using ComBat across two scanners. Outcomes were progression-free-survival (PFS) and Deauville Score at interim PET/CT (DS). For each outcome, three predictive models and their combinations were trained and validated: - radiomic model "R"; - conventional PET/CT model "P"; - clinical model "C". 197 patients were included (training = 118; validation = 79): 38/197 (19%) patients had adverse events and 42/193 (22%) had DS ≥ 4. In the training phase, only one radiomic feature was selected for PFS prediction in model "R" (Lesion_B F_cm.corr, C-index 66.9%). Best "C" model combined stage and IPS (C-index 74.8%), while optimal "P" model combined TMTV and Dmax (C-index 63.3%). After internal validation, "C", "C + R", "R + P" and "C + R + P" significantly predicted PFS. The best validated model was "C + R" (C-index 66.3%). No model was validated for DS prediction. In this large retrospectively-validated study, a combination of baseline 18F-FDG PET/CT two-lesions radiomics and other conventional models showed an added prognostic power in patients with cHL. As single models, conventional clinical parameters maintain their prognostic power, while radiomics or conventional PET/CT alone seem to be sub-optimal to predict survival.