Federated learning (FL) is a method used for training artificial intelligence models with data from multiple sources while maintaining data anonymity, thus removing many barriers to data sharing. Here we used data from 20 institutes across the globe to train a FL model, called EXAM (electronic medical record (EMR) chest X-ray AI model), that predicts the future oxygen requirements of symptomatic patients with COVID-19 using inputs of vital signs, laboratory data and chest X-rays. EXAM achieved an average area under the curve (AUC) >0.92 for predicting outcomes at 24 and 72 h from the time of initial presentation to the emergency room, and it provided 16% improvement in average AUC measured across all participating sites and an average increase in generalizability of 38% when compared with models trained at a single site using that site's data. For prediction of mechanical ventilation treatment or death at 24 h at the largest independent test site, EXAM achieved a sensitivity of 0.950 and specificity of 0.882. In this study, FL facilitated rapid data science collaboration without data exchange and generated a model that generalized across heterogeneous, unharmonized datasets for prediction of clinical outcomes in patients with COVID-19, setting the stage for the broader use of FL in healthcare. Federated learning, a method for training artificial intelligence algorithms that protects data privacy, was used to predict future oxygen requirements of symptomatic patients with COVID-19 using data from 20 different institutes across the globe.

Clinical imaging tools to probe aggressiveness of renal masses are lacking, and T2-weighted imaging as an integral part of magnetic resonance imaging protocol only provides qualitative information. We developed high-resolution and accelerated T2 mapping methods based on echo merging and using k-t undersampling and reduced flip angles (TEMPURA) and tested their potential to quantify differences between renal tumour subtypes and grades.

Abstract Objective. A model-based alternating reconstruction coupling fitting, termed Model-based Alternating Reconstruction COupling fitting (MARCO), is proposed for accurate and fast magnetic resonance parameter mapping. Approach. MARCO utilizes the signal model as a regularization by minimizing the bias between the image series and the signal produced by the suitable signal model based on iteratively updated parameter maps when reconstructing. The technique can incorporate prior knowledge of both image series and parameters by adding sparsity constraints. The optimization problem is decomposed into three subproblems and solved through three alternating steps involving reconstruction and nonlinear least-square fitting, which can produce both contrast-weighted images and parameter maps simultaneously. Main results. The algorithm is applied to T 2 mapping with extended phase graph algorithm integrated and validated on undersampled multi-echo spin-echo data from both phantom and in vivo sources. Compared with traditional compressed sensing and model-based methods, the proposed approach yields more accurate T 2 maps with more details at high acceleration factors. Significance. The proposed method provides a basic framework for quantitative MR relaxometry, theoretically applicable to all quantitative MR relaxometry. It has the potential to improve the diagnostic utility of quantitative imaging techniques.

Stand-alone deep learning algorithms achieved noninferior performance as individual readers and, when combined with human readers, matched double-reading accuracy in mammographic screening.

Motivation: The need for better biomarkers to assess progression of Chronic Kidney Disease (CKD). Goal(s): To determine if multiparametric MRI can detect changes in structure and function in CKD. Approach: In the Application of Functional Renal MRI (AFiRM) study, multiparametric MRI is to be collected on 400 CKD participants at baseline and Year 2. The MRI protocol comprises T2- and T1-weighted scans, B0 and B1 mapping, T1, T2 and T2* relaxometry, DWI, MTR, PC-MRI and ASL perfusion. Results: To date, 387 have been scanned, with preliminary MRI analyses on 300 datasets for B0 and B1, T1, T2*, MTR, and Total Kidney Volume (TKV). Impact: Application of the UKRIN-MAPS multiparametric renal MRI protocol to study changes in renal structure and function in CKD progression. This will provide definitive evidence on the question of whether MRI is better at tracking disease progression than conventional biomarkers.

Motivation: To investigate the effect of a deep learning reconstruction algorithm on radiomic image features. Goal(s): To assess the effect of AIRTM Recon Deep Learning (ARDL), a commercial AI reconstruction algorithm, on radiomic features in a set of phantoms. Approach: A set of radiomic phantoms were constructed and used to acquire images with different numbers of signal averages and ARDL levels. Effects were evaluated through intraclass correlation coefficient (ICC) measures. Results: Radiomic features maintain excellent ICC values (>0.9) at a constant SNR with ARDL Low, but ICC values decrease with higher ARDL levelsImpact: This research highlights how deep learning image reconstruction can alter radiomic features and could help define a subset of stable features. The level of deep learning reconstruction applied is shown to have significant impact, even at constant SNR.

Motivation: It is critical that MRI data acquired in multi-site, multi-vendor studies conforms to a standardised acquisition protocol. Goal(s): To develop XNAT tools to highlight scans that do not conform to a specified protocol or are of insufficient quality, enabling rapid correction of errors before future scans. Approach: Multi-site DICOM data is uploaded to XNAT after acquisition, by integrating software tools with this database, investigators are informed if data does not conform. Results: DICOM-QC, a tool to automatically compare DICOM metadata to predefined values, and ImageSNR-QC to calculate image SNR, applied here to a multi-site kidney study. Impact: This work outlines two tools that integrate with XNAT, DICOM-QC and ImageSNR-QC, which can be used by any investigators running large studies to ensure uploaded data conforms to the study protocol, ensuring consistency over sites, vendors, and repeated longitudinal scans.

PURPOSE Spatial heterogeneity of tumours is a major challenge in precision oncology. The relationship between molecular and imaging heterogeneity is still poorly understood, as it relies on the accurate co-registration of medical images and tissue biopsies. tumour moulds can guide the localization of biopsies, but their creation is time consuming, technologically challenging, and difficult to interface with routine clinical practice. These hurdles have so far hindered the progress in the area of multiscale integration of tumour heterogeneity data.METHODS We have developed an open source computational framework to automatically produce patient-specific 3D-printed moulds that can be used in the clinical setting. Our approach achieves accurate co-registration of sampling location between tissue and imaging, and integrates seamlessly with clinical, imaging and pathology workflows.RESULTS We applied our framework to patients with renal cancer undergoing radical nephrectomy. We created personalised moulds for five patients, obtaining Dice similarity coefficients between imaging and tissue sections ranging from 0.86 to 0.93 for tumour regions, and between 0.70 and 0.76 for healthy kidney. The framework required minimal manual intervention, producing the final mould design in just minutes, while automatically taking into account clinical considerations such as a preference for specific cutting planes.CONCLUSION Our work provides a robust and automated interface between imaging and tissue samples, enabling the development of clinical studies to probe tumour heterogeneity on multiple spatial scales.