Purpose To compare the local recurrence (LR) rate between short-course (SC) and long-course (LC) neoadjuvant radiotherapy for rectal cancer. Patients and Methods Eligible patients had ultrasound- or magnetic resonance imaging–staged T3N0-2M0 rectal adenocarcinoma within 12 cm from anal verge. SC consisted of pelvic radiotherapy 5 × 5 Gy in 1 week, early surgery, and six courses of adjuvant chemotherapy. LC was 50.4 Gy, 1.8 Gy/fraction, in 5.5 weeks, with continuous infusional fluorouracil 225 mg/m 2 per day, surgery in 4 to 6 weeks, and four courses of chemotherapy. Results Three hundred twenty-six patients were randomly assigned; 163 patients to SC and 163 to LC. Median potential follow-up time was 5.9 years (range, 3.0 to 7.8 years). Three-year LR rates (cumulative incidence) were 7.5% for SC and 4.4% for LC (difference, 3.1%; 95% CI, −2.1 to 8.3; P = .24). For distal tumors (< 5 cm), six of 48 SC patients and one of 31 LC patients experienced local recurrence (P = .21). Five-year distant recurrence rates were 27% for SC and 30% for LC (log-rank P = 0.92; hazard ratio [HR] for LC:SC, 1.04; 95% CI, 0.69 to 1.56). Overall survival rates at 5 years were 74% for SC and 70% for LC (log-rank P = 0.62; HR, 1.12; 95% CI, 0.76 to 1.67). Late toxicity rates were not substantially different (Radiation Therapy Oncology Group/European Organisation for Research and Treatment of Cancer G3-4: SC, 5.8%; LC, 8.2%; P = .53). Conclusion Three-year LR rates between SC and LC were not statistically significantly different; the CI for the difference is consistent with either no clinically important difference or differences in favor of LC. LC may be more effective in reducing LR for distal tumors. No differences in rates of distant recurrence, relapse-free survival, overall survival, or late toxicity were detected.

Bio-medical image segmentation models typically attempt to predict one segmentation that resembles a ground-truth structure as closely as possible. However, as medical images are not perfect representations of anatomy, obtaining this ground truth is not possible. A surrogate commonly used is to have multiple expert observers define the same structure for a dataset. When multiple observers define the same structure on the same image there can be significant differences depending on the structure, image quality/modality and the region being defined. It is often desirable to estimate this type of aleatoric uncertainty in a segmentation model to help understand the region in which the true structure is likely to be positioned. Furthermore, obtaining these datasets is resource intensive so training such models using limited data may be required. With a small dataset size, differing patient anatomy is likely not well represented causing epistemic uncertainty which should also be estimated so it can be determined for which cases the model is effective or not. We use a 3D Probabilistic UNet to train a model from which several segmentations can be sampled to estimate the range of uncertainty seen between multiple observers. To ensure that regions where observers disagree most are emphasised in model training, we expand the Generalised Evidence Lower Bound (ELBO) with a Constrained Optimisation (GECO) loss function with an additional contour loss term to give attention to this region. Ensemble and Monte-Carlo Dropout (MCDO) uncertainty quantification methods are used during inference to estimate model confidence on an unseen case. We apply our methodology to two radiotherapy clinical trial datasets, a gastric cancer trial (TOPGEAR, TROG 08.08) and a post-prostatectomy prostate cancer trial (RAVES, TROG 08.03). Each dataset contains only 10 cases each for model development to segment the clinical target volume (CTV) which was defined by multiple observers on each case. An additional 50 cases are available as a hold-out dataset for each trial which had only one observer define the CTV structure on each case. Up to 50 samples were generated using the probabilistic model for each case in the hold-out dataset. To assess performance, each manually defined structure was matched to the closest matching sampled segmentation based on commonly used metrics. The TOPGEAR CTV model achieved a Dice Similarity Coefficient (DSC) and Surface DSC (sDSC) of 0.7 and 0.43 respectively with the RAVES model achieving 0.75 and 0.71 respectively. Segmentation quality across cases in the hold-out datasets was variable however both the ensemble and MCDO uncertainty estimation approaches were able to accurately estimate model confidence with a p-value < 0.001 for both TOPGEAR and RAVES when comparing the DSC using the Pearson correlation coefficient. We demonstrated that training auto-segmentation models which can estimate aleatoric and epistemic uncertainty using limited datasets is possible. Having the model estimate prediction confidence is important to understand for which unseen cases a model is likely to be useful.

In Western countries, the current standard of care for resectable gastric cancer is perioperative chemotherapy. Preoperative chemoradiotherapy has been considered, but data are limited regarding this treatment as compared with perioperative chemotherapy alone.