Abstract BACKGROUND Hypoxia is a prognostic biological feature of glioblastoma. 18F-fluoromisonidazole (FMISO) PET quantifies tumor hypoxia. Efficacy of checkpoint immunotherapy is being investigated, but specific response assessment criteria remain unknown. We hypothesized that tumor hypoxia is a defining feature of immunotherapy failure in patients with glioblastoma. METHODS A prospective case control study was undertaken in patients with newly diagnosed IDH wildtype glioblastoma (NCT03649880). Cases were concurrently enrolled in a phase II study (NCT03347617) of pembrolizumab immunotherapy (200 mg IV every 3 weeks) combined with Stupp protocol temozolomide-based chemoradiotherapy following maximal safe resection. Controls did not receive pembrolizumab. FMISO PET/MRI (3.7 MBq/kg, 90 min uptake) was performed at time of mRANO presumed progression. Hypoxic volume (HV) was defined by pixels with FMISO uptake ≥1.2x that of mean cerebellar uptake. MRI-Gd enhancing volume was segmented using a semi-automated approach. Hypoxic fraction (HF) was defined as the HV-to-MRI enhancing volume ratio. Disease progression or pseudoprogression (Psp) was confirmed through surgery or follow-up MRI. T-test and receiver operator characteristic (ROC) analysis assessed differences and diagnostic performance. RESULTS 18 patients (14 cases [11 progression and 3 Psp] and 4 controls [3 progression and 1 Psp]) provided evaluable disease. For all patients, HF was significantly elevated with progression (1.44 ± 0.8; N=14) compared to Psp (0.31 ± 0.3; N= 4; P=0.01). HV was not different (P=0.10). No difference in HV or HF was observed between Cases and Controls (P> 0.42). Use of HF yielded an AUROC of 0.96 with an optimal cut off of 0.74, to differentiate progression from Psp. CONCLUSION At mRANO presumed progression HF with FMISO PET/MRI accurately distinguishes tumor progression from neuroinflammatory Psp, irrespective of prior pembrolizumab immunotherapy. The incorporation of FMISO PET/MRI in larger prospective therapeutic clinical trials in patients with glioblastoma is underway and likely to improve response assessment criteria.

Abstract Gadolinium (Gd) enhanced MRI is nonspecific for identifying aggressive glioblastoma biology. Glioblastoma-associated macrophages (GAMs) are pivotal in regrowth. Segregation and Extravascular Localization of Ferumoxytol Imaging (SELFI) is a quantitative immune specific MRI technique. SELFI+ values quantify M2 GAMs by phagocytized Ferumoxytol (Fe), while SELFI- values delineate intravascular Fe, cerebral blood volume. The relationship between SELFI and biology driving therapeutic resistance remains unknown. We aimed to determine if SELFI identified immunosuppressive GAMs and biology contributing to poor outcomes, a capability not yet achievable in clinical practice. This prospective study included four patients with glioblastoma. All underwent preoperative Gd and Fe (7 mg/kg up to 510 mg) enhanced MRI allowing for image guided biopsy based on Gd enhancement and FLAIR hyperintensity. RNA was analyzed on GeneChip Clariom Arrays. Intraoperative biopsy location was referenced to MRI for placement of volumes of interest (VOIs). VOIs quantified MRI phenotype and SELFI values. Gene Set Enrichment Analysis (GSEA) assessed differential expression between MRI features. T-test assessed differences in SELFI (p <0.05) and GSEA significance was assessed by normalized enrichment score (NES) and false discovery rate (FDR) q-value. Four patients provided 36 image guided tissue samples with sufficient quality to assess the causal relationships between MRI features and transcriptomics. Stratification by patient MGMT methylation status (N= 3 unmethylated) demonstrated Gd+ regions had significantly elevated SELFI+ values (Mean±SD, Gd+ = 0.24±0.17, Gd- = 0.08±0.09, P<0.01). GSEA demonstrated that tissues with elevated SELFI+ and lowered SELFI- values were comprised of significantly upregulated hypoxia and transforming growth factor-beta (TGFβ) signaling; among others (NES>1.5, FDR q-value<0.05). SELFI MRI uniquely quantifies glioblastoma by localizing sites of biological aggressiveness known to contribute to therapeutic resistance and disease recurrence. Patient enrollment continues to further define the causal relationships between SELFI, GAMs, and glioblastoma biology.

Abstract BACKGROUND Glioblastoma (GBM), the most common and aggressive primary brain tumor in adults, presents significant clinical challenges due to its invasive nature and high recurrence rates. Understanding the clinical demographic factors associated with IDH wild-type (IDH-wt) versus mutant grade 4 astrocytoma (IDH-Mut) is critical for prognosis and treatment strategies. This study aimed to utilize a novel machine learning method to identify key clinical and demographic factors linked to IDH status. METHODS The Cancer Imaging Archive dataset included 617 patients but required preprocessing and cleaning. The cleaning process ensured data completeness and consistency by removing non-relevant variables like date and time, resulting in 20 potential predictors and 317 observations. A random forest model using Gini impurity score was built to classify patient IDH status. The dataset was split into a training set (two-thirds) and a test set (one-third). A variable importance plot identified significant variables based on the mean decrease in the Gini index. RESULTS Our machine learning model achieved 98% accuracy on the test set, outperforming the previously published model of 80% accuracy. A variable importance plot identified age at diagnosis, gender, ethnicity, and race as key predictors of IDH status, with age being the most important. Age was the most important predictor, but race (Caucasian) and ethnicity (not Hispanic or Latino) were also significant. CONCLUSIONS We present a highly accurate machine learning model for differentiating glioma IDH molecular status based only on patient clinical and demographic factors; improving upon prior published models. Future work will use a generalized logistic model to explore variable interactions and predict IDH-wt versus IDH-Mut status. These steps are vital for enhancing predictive accuracy and supporting personalized treatment strategies. Furthermore, we will define associations and interactions between these variables with other biological and therapeutic variables in predicting clinical outcome.