We investigate the problem of lung nodule malignancy suspiciousness (the likelihood of nodule malignancy) classification using thoracic Computed Tomography (CT) images. Unlike traditional studies primarily relying on cautious nodule segmentation and time-consuming feature extraction, we tackle a more challenging task on directly modeling raw nodule patches and building an end-to-end machine-learning architecture for classifying lung nodule malignancy suspiciousness. We present a Multi-crop Convolutional Neural Network (MC-CNN) to automatically extract nodule salient information by employing a novel multi-crop pooling strategy which crops different regions from convolutional feature maps and then applies max-pooling different times. Extensive experimental results show that the proposed method not only achieves state-of-the-art nodule suspiciousness classification performance, but also effectively characterizes nodule semantic attributes (subtlety and margin) and nodule diameter which are potentially helpful in modeling nodule malignancy.

Abstract Purpose: To identify MRI-based radiomics as prognostic factors in patients with advanced nasopharyngeal carcinoma (NPC). Experimental Design: One-hundred and eighteen patients (training cohort: n = 88; validation cohort: n = 30) with advanced NPC were enrolled. A total of 970 radiomics features were extracted from T2-weighted (T2-w) and contrast-enhanced T1-weighted (CET1-w) MRI. Least absolute shrinkage and selection operator (LASSO) regression was applied to select features for progression-free survival (PFS) nomograms. Nomogram discrimination and calibration were evaluated. Associations between radiomics features and clinical data were investigated using heatmaps. Results: The radiomics signatures were significantly associated with PFS. A radiomics signature derived from joint CET1-w and T2-w images showed better prognostic performance than signatures derived from CET1-w or T2-w images alone. One radiomics nomogram combined a radiomics signature from joint CET1-w and T2-w images with the TNM staging system. This nomogram showed a significant improvement over the TNM staging system in terms of evaluating PFS in the training cohort (C-index, 0.761 vs. 0.514; P < 2.68 × 10−9). Another radiomics nomogram integrated the radiomics signature with all clinical data, and thereby outperformed a nomogram based on clinical data alone (C-index, 0.776 vs. 0.649; P < 1.60 × 10−7). Calibration curves showed good agreement. Findings were confirmed in the validation cohort. Heatmaps revealed associations between radiomics features and tumor stages. Conclusions: Multiparametric MRI-based radiomics nomograms provided improved prognostic ability in advanced NPC. These results provide an illustrative example of precision medicine and may affect treatment strategies. Clin Cancer Res; 23(15); 4259–69. ©2017 AACR.

Accurate lung nodule segmentation from computed tomography (CT) images is of great importance for image-driven lung cancer analysis. However, the heterogeneity of lung nodules and the presence of similar visual characteristics between nodules and their surroundings make it difficult for robust nodule segmentation. In this study, we propose a data-driven model, termed the Central Focused Convolutional Neural Networks (CF-CNN), to segment lung nodules from heterogeneous CT images. Our approach combines two key insights: 1) the proposed model captures a diverse set of nodule-sensitive features from both 3-D and 2-D CT images simultaneously; 2) when classifying an image voxel, the effects of its neighbor voxels can vary according to their spatial locations. We describe this phenomenon by proposing a novel central pooling layer retaining much information on voxel patch center, followed by a multi-scale patch learning strategy. Moreover, we design a weighted sampling to facilitate the model training, where training samples are selected according to their degree of segmentation difficulty. The proposed method has been extensively evaluated on the public LIDC dataset including 893 nodules and an independent dataset with 74 nodules from Guangdong General Hospital (GDGH). We showed that CF-CNN achieved superior segmentation performance with average dice scores of 82.15% and 80.02% for the two datasets respectively. Moreover, we compared our results with the inter-radiologists consistency on LIDC dataset, showing a difference in average dice score of only 1.98%.

Epidermal growth factor receptor (EGFR) genotyping is critical for treatment guidelines such as the use of tyrosine kinase inhibitors in lung adenocarcinoma. Conventional identification of EGFR genotype requires biopsy and sequence testing which is invasive and may suffer from the difficulty of accessing tissue samples. Here, we propose a deep learning model to predict EGFR mutation status in lung adenocarcinoma using non-invasive computed tomography (CT). We retrospectively collected data from 844 lung adenocarcinoma patients with pre-operative CT images, EGFR mutation and clinical information from two hospitals. An end-to-end deep learning model was proposed to predict the EGFR mutation status by CT scanning. By training in 14 926 CT images, the deep learning model achieved encouraging predictive performance in both the primary cohort (n=603; AUC 0.85, 95% CI 0.83–0.88) and the independent validation cohort (n=241; AUC 0.81, 95% CI 0.79–0.83), which showed significant improvement over previous studies using hand-crafted CT features or clinical characteristics (p<0.001). The deep learning score demonstrated significant differences in EGFR-mutant and EGFR-wild type tumours (p<0.001). Since CT is routinely used in lung cancer diagnosis, the deep learning model provides a non-invasive and easy-to-use method for EGFR mutation status prediction.

BackgroundOccult peritoneal metastasis (PM) in advanced gastric cancer (AGC) patients is highly possible to be missed on computed tomography (CT) images. Patients with occult PMs are subject to late detection or even improper surgical treatment. We therefore aimed to develop a radiomic nomogram to preoperatively identify occult PMs in AGC patients.Patients and methodsA total of 554 AGC patients from 4 centers were divided into 1 training, 1 internal validation, and 2 external validation cohorts. All patients’ PM status was firstly diagnosed as negative by CT, but later confirmed by laparoscopy (PM-positive n = 122, PM-negative n = 432). Radiomic signatures reflecting phenotypes of the primary tumor (RS1) and peritoneum region (RS2) were built as predictors of PM from 266 quantitative image features. Individualized nomograms of PM status incorporating RS1, RS2, or clinical factors were developed and evaluated regarding prediction ability.ResultsRS1, RS2, and Lauren type were significant predictors of occult PM (all P < 0.05). A nomogram of these three factors demonstrated better diagnostic accuracy than the model with RS1, RS2, or clinical factors alone (all net reclassification improvement P < 0.05). The area under curve yielded was 0.958 [95% confidence interval (CI) 0.923–0.993], 0.941 (95% CI 0.904–0.977), 0.928 (95% CI 0.886–0.971), and 0.920 (95% CI 0.862–0.978) for the training, internal, and two external validation cohorts, respectively. Stratification analysis showed that this nomogram had potential generalization ability.ConclusionCT phenotypes of both primary tumor and nearby peritoneum are significantly associated with occult PM status. A nomogram of these CT phenotypes and Lauren type has an excellent prediction ability of occult PM, and may have significant clinical implications on early detection of occult PM for AGC.

•Evaluation of the lymph node metastasis (LNM) is the basis of individual treatment of locally advanced gastric cancer (LAGC).•Deep leaning radiomic nomogram (DLRN) based on CT images can preoperatively determine the number of LNM in LAGC.•DLRN is significantly superior to the routinely used clinical N stages, tumor size, and clinical model.•DLRN is significantly associated with the overall survival of LAGC. BackgroundPreoperative evaluation of the number of lymph node metastasis (LNM) is the basis of individual treatment of locally advanced gastric cancer (LAGC). However, the routinely used preoperative determination method is not accurate enough.Patients and methodsWe enrolled 730 LAGC patients from five centers in China and one center in Italy, and divided them into one primary cohort, three external validation cohorts, and one international validation cohort. A deep learning radiomic nomogram (DLRN) was built based on the images from multiphase computed tomography (CT) for preoperatively determining the number of LNM in LAGC. We comprehensively tested the DLRN and compared it with three state-of-the-art methods. Moreover, we investigated the value of the DLRN in survival analysis.ResultsThe DLRN showed good discrimination of the number of LNM on all cohorts [overall C-indexes (95% confidence interval): 0.821 (0.785–0.858) in the primary cohort, 0.797 (0.771–0.823) in the external validation cohorts, and 0.822 (0.756–0.887) in the international validation cohort]. The nomogram performed significantly better than the routinely used clinical N stages, tumor size, and clinical model (P < 0.05). Besides, DLRN was significantly associated with the overall survival of LAGC patients (n = 271).ConclusionA deep learning-based radiomic nomogram had good predictive value for LNM in LAGC. In staging-oriented treatment of gastric cancer, this preoperative nomogram could provide baseline information for individual treatment of LAGC. Preoperative evaluation of the number of lymph node metastasis (LNM) is the basis of individual treatment of locally advanced gastric cancer (LAGC). However, the routinely used preoperative determination method is not accurate enough. We enrolled 730 LAGC patients from five centers in China and one center in Italy, and divided them into one primary cohort, three external validation cohorts, and one international validation cohort. A deep learning radiomic nomogram (DLRN) was built based on the images from multiphase computed tomography (CT) for preoperatively determining the number of LNM in LAGC. We comprehensively tested the DLRN and compared it with three state-of-the-art methods. Moreover, we investigated the value of the DLRN in survival analysis. The DLRN showed good discrimination of the number of LNM on all cohorts [overall C-indexes (95% confidence interval): 0.821 (0.785–0.858) in the primary cohort, 0.797 (0.771–0.823) in the external validation cohorts, and 0.822 (0.756–0.887) in the international validation cohort]. The nomogram performed significantly better than the routinely used clinical N stages, tumor size, and clinical model (P < 0.05). Besides, DLRN was significantly associated with the overall survival of LAGC patients (n = 271). A deep learning-based radiomic nomogram had good predictive value for LNM in LAGC. In staging-oriented treatment of gastric cancer, this preoperative nomogram could provide baseline information for individual treatment of LAGC.

We aimed to evaluate the value of deep learning on positron emission tomography with computed tomography (PET/CT)-based radiomics for individual induction chemotherapy (IC) in advanced nasopharyngeal carcinoma (NPC).

Both concurrent chemoradiotherapy (CCRT) and induction chemotherapy (ICT) followed by CCRT are standard care of advanced nasopharyngeal carcinoma (NPC). However, tailoring personalized treatment is lacking. Herein, we established a radiogenomic clinical decision support system to classify patients into three subgroups according to their predicted disease-free survival (DFS) with CCRT and ICT response. The CCRT-preferred group was suitable for CCRT since they achieved good survival with CCRT, which could not be improved by ICT. The ICT-preferred group was suitable for ICT plus CCRT since they had poor survival with CCRT; additional ICT could afford an improved DFS. The clinical trial–preferred group was suitable for clinical trials since they exhibited poor survival regardless of receiving CCRT or ICT plus CCRT. These findings suggest that our radiogenomic clinical decision support system could identify optimal candidates for CCRT, ICT plus CCRT, and clinical trials, and may thus aid in personalized management of advanced NPC.