2511 Background: The objective of this study was to assess whether a validated CD8 radiomics signature may help to evaluate patient inter-lesion heterogeneity and to predict the clinical outcome of advanced non-small cell lung cancers (NSCLC) patients treated with durvalumab in Study 1108 phase I/II trial (NCT01693562). Methods: Clinical data and imaging data from patients with naïve and pretreated advanced NSCLC who received durvalumab monotherapy were used. Radiomic features were extracted on contrast-enhanced CT scans and a validated CD8 radiomics signature was applied. A progressive lesion was defined by an increase in lesion longest diameter of 20% at 8 weeks. Dispersion metrics of the radiomics signature were estimated to evaluate the impact of inter-lesion heterogeneity on patient’s response. Results: A total of 188 patients were included in this study, accounting for a total of 1137 lesions (median [IQR] = 4 [3 - 9] lesions per patient) evaluated at baseline using a radiomics approach. A low CD8 radiomics score at baseline was associated with a significantly higher risk of progression at the lesion-level (AUC=0.59, P-value<0.0001), and was especially performant for liver lesions (AUC=0.66, P-value=0.0002). At the patient level, the least infiltrated lesion of a patient according to the radiomics score of CD8 T-cells was positively associated with OS (HR=0.70, P-value=0.029) and PFS (HR=0.68, P-value=0.014), the highest values being associated with the best outcomes. 55 patients had liver lesions, with worse prognosis than patients without liver lesion (HR=2 for OS and PFS, P-value = 0.00012 and 0.00022 respectively). In these patients, the CD8 radiomic score enabled the stratification of patients according to hot and cold liver metastasis (HR=0.6, P-value=0.072 and HR=0.54, P-value=0.038 for OS and PFS respectively). A 4-class stratification of the whole cohort based on the least infiltrated (cold/hot) and liver or non-liver lesion was independently associated with clinical outcomes. These radiomics approaches have shown independent prognostic values when adjusting for PD-L1 status in multivariate analyses (Table). Conclusions: These results confirm the predictive value at a lesion level and the patient level of the biologically inspired CD8 radiomics score for advanced NSCLC patients treated with durvalumab. It has shown interesting results in discriminating outcomes of patients with liver lesions by identifying hot and cold lesions. [Table: see text]

Activated guided irradiation by X-ray (AGuIX) nanoparticles are gadolinium-based agents that have the dual benefit of mimicking the effects of a magnetic resonance imaging (MRI) contrast agent used in a clinical routine and enhancing the radiotherapeutic activity of conventional X-rays (for cancer treatment). This "theragnostic" action is explained on the one hand by the paramagnetic properties of gadolinium and on the other hand by the generation of high densities of secondary radiation following the interaction of ionizing radiation and high-Z atoms, which leads to enhanced radiation dose deposits within the tumors where the nanoparticles accumulate. Here, we report the results of a phase I trial that aimed to assess the safety and determine the optimal dose of AGuIX nanoparticles in combination with chemoradiation and brachytherapy in patients with locally advanced cervical cancer. AGuIX nanoparticles were administered intravenously and appropriately accumulated within tumors on a dose-dependent manner, as assessed by T

Dedicated brain imaging for cancer patients is seldom recommended in the absence of symptoms. There is increasing availability of non-enhanced CT (NE-CT) of the brain, mainly owing to a wider utilization of Positron Emission Tomography-CT (PET-CT) in cancer staging. Brain metastases (BM) are often hard to diagnose on NE-CT. This work aims to develop a 3D Convolutional Neural Network (3D-CNN) based on brain NE-CT to distinguish patients with and without BM. We retrospectively included NE-CT scans for 100 patients with single or multiple BM and 100 patients without brain imaging abnormalities. Patients whose largest lesion was < 5 mm were excluded. The largest tumor was manually segmented on a matched contrast-enhanced T1 weighted Magnetic Resonance Imaging (MRI), and shape radiomics were extracted to determine the size and volume of the lesion. The brain was automatically segmented, and masked images were normalized and resampled. The dataset was split into training (70%) and validation (30%) sets. Multiple versions of a 3D-CNN were developed, and the best model was selected based on accuracy (ACC) on the validation set. The median largest tumor Maximum-3D-Diameter was 2.29 cm, and its median volume was 2.81 cc. Solitary BM were found in 27% of the patients, while 49% had > 5 BMs. The best model consisted of 4 convolutional layers with 3D average pooling layers, dropout layers of 50%, and a sigmoid activation function. Mean validation ACC was 0.983 (SD: 0.020) and mean area under receiver-operating characteristic curve was 0.983 (SD: 0.023). Sensitivity was 0.983 (SD: 0.020). We developed an accurate 3D-CNN based on brain NE-CT to differentiate between patients with and without BM. The model merits further external validation.