Abstract Image-based analysis as a rapid method for mutation detection can be advantageous in research or clinical settings when tumor tissue is limited or unavailable for direct testing. Here, we applied a deep convolutional neural network (CNN) to whole slide images of melanomas from 256 patients and developed a fully automated model that first selects for tumor-rich areas (Area Under the Curve AUC=0.96) then predicts for the presence of mutated BRAF in our test set (AUC=0.72) Model performance was cross-validated on melanoma images from The Cancer Genome Atlas (AUC=0.75). We confirm that the mutated BRAF genotype is linked to phenotypic alterations at the level of the nucleus through saliency mapping and pathomics analysis, which reveal that cells with mutated BRAF exhibit larger and rounder nuclei. Not only do these findings provide additional insights on how BRAF mutations affects tumor structural characteristics, deep learning-based analysis of histopathology images have the potential to be integrated into higher order models for understanding tumor biology, developing biomarkers, and predicting clinical outcomes.

Abstract Diagnosis of most diseases relies on expert histopathological evaluation of tissue sections by an experienced pathologist. By using standardized staining techniques and an expanding repertoire of markers, a trained eye is able to recognize disease-specific patterns with high accuracy and determine a diagnosis. As efforts to study mechanisms of metastasis and novel therapeutic approaches multiply, researchers need accurate, high-throughput methods to evaluate effects on tumor burden resulting from specific interventions. However, current methods of quantifying tumor burden are low in either resolution or throughput. Artificial neural networks, which can perform in-depth image analyses of tissue sections, provide an opportunity for automated recognition of consistent histopathological patterns. In order to increase the outflow of data collection from preclinical studies, we trained a deep neural network for quantitative analysis of melanoma tumor content on histopathological sections of murine models. This AI-based algorithm, made freely available to academic labs through a web-interface called MetFinder, promises to become an asset for researchers and pathologists interested in accurate, quantitative assessment of metastasis burden.

Abstract CIC‐rearranged sarcomas comprise a group of exceptionally aggressive round‐cell sarcomas. These tumors most commonly demonstrate CIC :: DUX4 fusion and show similar histopathology to Ewing sarcomas, though lesions mimicking vascular neoplasms have recently been described. Here, we describe a case of a patient with CIC :: DUX4 fusion sarcoma identified using RNA‐based molecular testing who was initially diagnosed with an endothelial neoplasm. The tumor showed extensive vasoformative growth, complete WT1 negativity, and global positive staining for ERG, CD31, and DUX4 by immunohistochemistry. Methylation testing of the tumor clustered more closely with angiosarcomas than with CIC‐rearranged sarcomas. Our findings suggest that CIC :: DUX4 fused neoplasms may demonstrate a more diverse phenotypic range than previously appreciated and offer evidence that both molecular and immunohistochemical studies are needed for accurate diagnosis.

Abstract Purpose: Necrosis quantification in the neoadjuvant setting using pathology slide review is the most important validated prognostic marker in conventional osteosarcoma. Herein, we explored three deep learning strategies on histology samples to predict outcome for OSA in the neoadjuvant setting. Experimental Design: Our study relies on a training cohort from New York University (New York, NY) and an external cohort from Charles university (Prague, Czechia). We trained and validated the performance of a supervised approach that integrates neural network predictions of necrosis/tumor content, and compared predicted overall survival (OS) using Kaplan-Meier curves. Furthermore, we explored morphology-based supervised and self-supervised approaches to determine whether intrinsic histomorphological features could serve as a potential marker for OS in the setting of neoadjuvant. Results: Excellent correlation between the trained network and the pathologists was obtained for the quantification of necrosis content (R2=0.899, r=0.949, p < 0.0001). OS prediction cutoffs were consistent between pathologists and the neural network (22% and 30% of necrosis, respectively). Morphology-based supervised approach predicted OS with p-value=0.0028, HR=2.43 [1.10-5.38]. The self-supervised approach corroborated the findings with clusters enriched in necrosis, fibroblastic stroma, and osteoblastic morphology associating with better OS (lg2HR; -2.366; -1.164; -1.175; 95% CI=[-2.996; -0.514]). Viable/partially viable tumor and fat necrosis were associated with worse OS (lg2HR;1.287;0.822;0.828; 95% CI=[0.38-1.974]). Conclusions: Neural networks can be used to automatically estimate the necrosis to tumor ratio, a quantitative metric predictive of survival. Furthermore, we identified alternate histomorphological biomarkers specific to the necrotic and tumor regions themselves which can be used as predictors.

ABSTRACT Background Digital papillary adenocarcinoma (DPAC) is a rare but aggressive cutaneous malignant sweat gland neoplasm that occurs on acral sites. Despite its clinical significance, the cellular and genetic characteristics of DPAC remain incompletely understood. Methods We conducted a comprehensive genomic and transcriptomic analysis of DPAC ( n = 14) using targeted next‐generation DNA and RNA sequencing, along with gene expression profiling employing the Nanostring Technologies nCounter IO 360 Panel. Gene expression in DPAC was compared to that in hidradenoma ( n = 10). Immunohistochemistry was employed to validate gene expression. Results Two out of eight DPACs showed fusion gene rearrangements ( CRTC3 :: MAML2 and TRPS1 :: PLAG1 ). No uniform mutational signature was detected in DPAC. Comparative gene expression analysis revealed an enrichment of genes related to matrix remodeling, metabolism, and DNA damage repair. Hallmark pathway analysis demonstrated significant upregulation of E2F target genes in DPAC compared to hidradenoma ( p = 0.00710). Human papillomavirus‐42 was found to be positive in all of our tested DPAC cases. Immunohistochemistry confirmed increased protein expression of CD56, CDC20, and SOX10 in DPAC. Notably, most DPAC tumors also exhibited B‐cell infiltration, as indicated by CD20 staining. Conclusions Our findings reveal novel fusions and validate altered replication pathways related to HPV42 in DPAC.