Purpose To evaluate ability of radiomic (computer-extracted imaging) features to distinguish non-small cell lung cancer adenocarcinomas from granulomas at noncontrast CT. Materials and Methods For this retrospective study, screening or standard diagnostic noncontrast CT images were collected for 290 patients (mean age, 68 years; range, 18–92 years; 125 men [mean age, 67 years; range, 18–90 years] and 165 women [mean age, 68 years; range, 33–92 years]) from two institutions between 2007 and 2013. Histopathologic analysis was available for one nodule per patient. Corresponding nodule of interest was identified on axial CT images by a radiologist with manual annotation. Nodule shape, wavelet (Gabor), and texture-based (Haralick and Laws energy) features were extracted from intra- and perinodular regions. Features were pruned to train machine learning classifiers with 145 patients. In a test set of 145 patients, classifier results were compared against a convolutional neural network (CNN) and diagnostic readings of two radiologists. Results Support vector machine classifier with intranodular radiomic features achieved an area under the receiver operating characteristic curve (AUC) of 0.75 on the test set. Combining radiomics of intranodular with perinodular regions improved the AUC to 0.80. On the same test set, CNN resulted in an AUC of 0.76. Radiologist readers achieved AUCs of 0.61 and 0.60, respectively. Conclusion Radiomic features from intranodular and perinodular regions of nodules can distinguish non-small cell lung cancer adenocarcinomas from benign granulomas at noncontrast CT. © RSNA, 2018 Online supplemental material is available for this article. See also the editorial by Nishino in this issue.

No predictive biomarkers can robustly identify patients with non-small cell lung cancer (NSCLC) who will benefit from immune checkpoint inhibitor (ICI) therapies. Here, in a machine learning setting, we compared changes ("delta") in the radiomic texture (DelRADx) of CT patterns both within and outside tumor nodules before and after two to three cycles of ICI therapy. We found that DelRADx patterns could predict response to ICI therapy and overall survival (OS) for patients with NSCLC. We retrospectively analyzed data acquired from 139 patients with NSCLC at two institutions, who were divided into a discovery set (D1 = 50) and two independent validation sets (D2 = 62, D3 = 27). Intranodular and perinodular texture descriptors were extracted, and the relative differences were computed. A linear discriminant analysis (LDA) classifier was trained with 8 DelRADx features to predict RECIST-derived response. Association of delta-radiomic risk score (DRS) with OS was determined. The association of DelRADx features with tumor-infiltrating lymphocyte (TIL) density on the diagnostic biopsies (n = 36) was also evaluated. The LDA classifier yielded an AUC of 0.88 ± 0.08 in distinguishing responders from nonresponders in D1, and 0.85 and 0.81 in D2 and D3 DRS was associated with OS [HR: 1.64; 95% confidence interval (CI), 1.22-2.21; P = 0.0011; C-index = 0.72). Peritumoral Gabor features were associated with the density of TILs on diagnostic biopsy samples. Our results show that DelRADx could be used to identify early functional responses in patients with NSCLC.

8600 Background: Immunotherapy (IO) has shown a durable response with minimal toxicity in the treatment of metastatic NSCLC. However, only 30-50% of these patients (pts) actually respond. Despite initial optimism surrounding PD-L1 expression as a potential biomarker, IO provides benefit across PD-L1 low (<25%) and high (≥25%) status. This highlights a critical need for more effective biomarkers to guide treatment decisions. Here, we present blinded validation results of a CT-based biomarker of change in quantitative vessel tortuosity (1) (Δ-QVT) and texture radiomics (2) (Δ-Rad) between baseline (B) and 6 weeks post-treatment (TP1) for predicting response, overall survival (OS) and progression free survival (PFS) in CP1108 (NCT01693562). Methods: CT scans at B and TP1 were retrospectively analyzed from two studies (a) a multi-center training set (S tr , N=110) of metastatic NSCLC pts treated with first line IO and (b) a blinded NSCLC cohort of N = 151 pts treated with Durvalumab in CP1108 study (S v ). In S v , N=75 pts were PD-L1 high (S v + ) whereas N=65 pts were PD-L1 low (S v - ). An in-house MATLAB based algorithm was used to extract intra-tumoral, peri-tumoral texture and QVT features from up to two largest measurable tumors in each CT. A classifier (M Combo ) was trained on S tr to predict best overall response defined as per the RECIST v1.1 criteria using combination of Δ-QVT and Δ-Rad features. Area under the receiver operating characteristic (AUC) was used to evaluate M Combo against RECIST response whereas univariable and multivariable Cox regression models with log-rank test, hazard ratio (HR) with confidence interval (CI) and concordance index (C-index) were used to study the association of M Combo with OS and PFS in S v , S v + , and S v - . Results: M Combo predicted objective response with an AUC of 0.78 in S v and was statistically significantly associated with PFS (Table) in S v , S v + , and S v - . M Combo was associated with OS in S v , S v + , but not in S v - . Multivariable analysis with PD-L1 status, histological subtype, ECOG status, liver metastasis, line of therapy and sex showed independent association of M Combo across OS and PFS. Conclusions: Our results indicate that combination of radiomics and vessel tortuosity biomarker from CT is independently prognostic of response and PFS across PD-L1 levels. Prospective validation of this biomarker is needed. 1. Alilou et al. Sci Adv 2022. 2. Khorrami et al. Cancer Immunol Res 2020. [Table: see text]

8610 Background: CM227 (NCT02477826) is a large multi-center phase 3 trial that evaluated the benefit of immunotherapy (IO) over chemotherapy (Ch) as first line therapy in stage IV NSCLC. While PD-L1 and tumor mutational burden (TMB) initially emerged as promising biomarkers, CM227 showed benefit of IO over Ch regardless of PD-L1 or TMB status. There is an unmet clinical need for predictive biomarkers to identify patients (pts) who will respond to IO. In this study, we report initial blinded validation results of a CT-derived biomarker combining change in textural radiomics (Δ-Rad) and quantitative vessel tortuosity (Δ-QVT) between baseline and 6-week post-treatment for predicting response and survival outcome of IO and Ch alone in a subset of patients enrolled in CM227. Methods: This retrospective study included baseline (B) and 6-week post-treatment (TP1) CT scans from (a) a multi-center training set (D tr , N=110) of first line IO-treated mNSCLC pts and (b) a validation set consisting of a subset of mNSCLC from CM227 (D v , N=224), of which 178 pts were treated with IO (D v IO ) and 36 pts (D v Ch ) with Ch. Intra-tumoral, peri-tumoral texture radiomic (Khorrami et al., Cancer Immunol Res 2020) and QVT (Alilou et al., Sci Adv 2022) features were extracted from up to the two largest measurable lung lesions on each CT using an in-house MATLAB pipeline. Δ-Rad and Δ-QVT features were computed as the feature difference between B and TP1. A best objective IO response classifier, M Combo was trained on D tr using a combination of Δ-Rad and Δ-QVT features. Kaplan-Meier analyses with log rank p-values, hazard ratio (HR) and its confidence interval (CI) were computed to assess the predictive benefit of M Combo with overall survival (OS) and progression free survival (PFS) in D v , D v IO and D v Ch . We also report area under the receiver operating characteristic (AUC) of IO response predictions compared against best overall response in D v , D v IO and D v Ch . Results: M Combo predicted best overall response with an AUC of 0.67, 0.68, 0.74 in D v , D v IO , and D v Ch , respectively. M Combo was statistically significantly associated with OS and PFS in D v and D v IO but not in D v Ch (Table). Conclusions: Our preliminary findings reveal that combination of CT-based textural and vessel tortuosity features are predictive of IO response over chemotherapy in a subset of CM227 pts. Validation on the entire CM277 cohort is warranted. [Table: see text]