Accurate pathological diagnosis is crucial for optimal management of patients with cancer. For the approximately 100 known tumour types of the central nervous system, standardization of the diagnostic process has been shown to be particularly challenging-with substantial inter-observer variability in the histopathological diagnosis of many tumour types. Here we present a comprehensive approach for the DNA methylation-based classification of central nervous system tumours across all entities and age groups, and demonstrate its application in a routine diagnostic setting. We show that the availability of this method may have a substantial impact on diagnostic precision compared to standard methods, resulting in a change of diagnosis in up to 12% of prospective cases. For broader accessibility, we have designed a free online classifier tool, the use of which does not require any additional onsite data processing. Our results provide a blueprint for the generation of machine-learning-based tumour classifiers across other cancer entities, with the potential to fundamentally transform tumour pathology.

Visual inspection of histopathology slides is one of the main methods used by pathologists to assess the stage, type and subtype of lung tumors. Adenocarcinoma (LUAD) and squamous cell carcinoma (LUSC) are the most prevalent subtypes of lung cancer, and their distinction requires visual inspection by an experienced pathologist. In this study, we trained a deep convolutional neural network (inception v3) on whole-slide images obtained from The Cancer Genome Atlas to accurately and automatically classify them into LUAD, LUSC or normal lung tissue. The performance of our method is comparable to that of pathologists, with an average area under the curve (AUC) of 0.97. Our model was validated on independent datasets of frozen tissues, formalin-fixed paraffin-embedded tissues and biopsies. Furthermore, we trained the network to predict the ten most commonly mutated genes in LUAD. We found that six of them—STK11, EGFR, FAT1, SETBP1, KRAS and TP53—can be predicted from pathology images, with AUCs from 0.733 to 0.856 as measured on a held-out population. These findings suggest that deep-learning models can assist pathologists in the detection of cancer subtype or gene mutations. Our approach can be applied to any cancer type, and the code is available at https://github.com/ncoudray/DeepPATH . A convolutional neural network model using feature extraction and machine-learning techniques provides a tool for classification of lung cancer histopathology images and predicting mutational status of driver oncogenes

Primitive neuroectodermal tumors of the central nervous system (CNS-PNETs) are highly aggressive, poorly differentiated embryonal tumors occurring predominantly in young children but also affecting adolescents and adults. Herein, we demonstrate that a significant proportion of institutionally diagnosed CNS-PNETs display molecular profiles indistinguishable from those of various other well-defined CNS tumor entities, facilitating diagnosis and appropriate therapy for patients with these tumors. From the remaining fraction of CNS-PNETs, we identify four new CNS tumor entities, each associated with a recurrent genetic alteration and distinct histopathological and clinical features. These new molecular entities, designated “CNS neuroblastoma with FOXR2 activation (CNS NB-FOXR2),” “CNS Ewing sarcoma family tumor with CIC alteration (CNS EFT-CIC),” “CNS high-grade neuroepithelial tumor with MN1 alteration (CNS HGNET-MN1),” and “CNS high-grade neuroepithelial tumor with BCOR alteration (CNS HGNET-BCOR),” will enable meaningful clinical trials and the development of therapeutic strategies for patients affected by poorly differentiated CNS tumors.

Tumor heterogeneity has been implicated in tumor growth and progression as well as resistance to therapy. We present an example of genetic heterogeneity in human malignant brain tumors in which multiple closely related driver genes are amplified and activated simultaneously in adjacent intermingled cells. We have observed up to three different receptor tyrosine kinases (EGFR, MET, PDGFRA) amplified in single tumors in different cells in a mutually exclusive fashion. Each subpopulation was actively dividing, and the genetic changes resulted in protein production, and coexisting subpopulations shared common early genetic mutations indicating their derivation from a single precursor cell. The stable coexistence of different clones within the same tumor will have important clinical implications for tumor resistance to targeted therapies.

Metastatic cancer cells (seeds) preferentially grow in the secondary sites with a permissive microenvironment (soil). We show that the metastatic cells can bring their own soil--stromal components including activated fibroblasts--from the primary site to the lungs. By analyzing the efferent blood from tumors, we found that viability of circulating metastatic cancer cells is higher if they are incorporated in heterotypic tumor-stroma cell fragments. Moreover, we show that these cotraveling stromal cells provide an early growth advantage to the accompanying metastatic cancer cells in the lungs. Consistent with this hypothesis, we demonstrate that partial depletion of the carcinoma-associated fibroblasts, which spontaneously spread to the lung tissue along with metastatic cancer cells, significantly decreases the number of metastases and extends survival after primary tumor resection. Finally, we show that the brain metastases from lung carcinoma and other carcinomas in patients contain carcinoma-associated fibroblasts, in contrast to primary brain tumors or normal brain tissue. Demonstration of the direct involvement of primary tumor stroma in metastasis has important conceptual and clinical implications for the colonization step in tumor progression.

Intraoperative diagnosis is essential for providing safe and effective care during cancer surgery1. The existing workflow for intraoperative diagnosis based on hematoxylin and eosin staining of processed tissue is time, resource and labor intensive2,3. Moreover, interpretation of intraoperative histologic images is dependent on a contracting, unevenly distributed, pathology workforce4. In the present study, we report a parallel workflow that combines stimulated Raman histology (SRH)5–7, a label-free optical imaging method and deep convolutional neural networks (CNNs) to predict diagnosis at the bedside in near real-time in an automated fashion. Specifically, our CNNs, trained on over 2.5 million SRH images, predict brain tumor diagnosis in the operating room in under 150 s, an order of magnitude faster than conventional techniques (for example, 20–30 min)2. In a multicenter, prospective clinical trial (n = 278), we demonstrated that CNN-based diagnosis of SRH images was noninferior to pathologist-based interpretation of conventional histologic images (overall accuracy, 94.6% versus 93.9%). Our CNNs learned a hierarchy of recognizable histologic feature representations to classify the major histopathologic classes of brain tumors. In addition, we implemented a semantic segmentation method to identify tumor-infiltrated diagnostic regions within SRH images. These results demonstrate how intraoperative cancer diagnosis can be streamlined, creating a complementary pathway for tissue diagnosis that is independent of a traditional pathology laboratory. A prospective, multicenter, case–control clinical trial evaluates the potential of artificial intelligence for providing accurate bedside diagnosis of patients with brain tumors.

Conventional methods for intraoperative histopathologic diagnosis are labour- and time-intensive, and may delay decision-making during brain-tumour surgery. Stimulated Raman scattering (SRS) microscopy, a label-free optical process, has been shown to rapidly detect brain-tumour infiltration in fresh, unprocessed human tissues. Here, we demonstrate the first application of SRS microscopy in the operating room using a portable fibre-laser-based microscope and unprocessed specimens from 101 neurosurgical patients. We also introduce an image-processing method—stimulated Raman histology (SRH)—that leverages SRS images to create virtual haematoxylin-and-eosin-stained slides, revealing essential diagnostic features. In a simulation of intraoperative pathologic consultation in 30 patients, we found a remarkable concordance of SRH and conventional histology for predicting diagnosis (Cohen’s kappa, κ > 0.89), with accuracy exceeding 92%. We also built and validated a multilayer perceptron based on quantified SRH image attributes that predicts brain-tumour subtype with 90% accuracy. Our findings provide insight into how SRH can now be used to improve the surgical care of brain-tumour patients. By taking advantage of stimulated Raman spectroscopy and fibre-laser technology, virtual histology images can be obtained in real time in the operating room, with diagnostic quality comparable with that achieved via conventional histopathology.

Abstract The stress harbored by the solid phase of tumors is known as solid stress. Solid stress can be either applied externally by the surrounding normal tissue or induced by the tumor itself due to its growth. Fluid pressure is the isotropic stress exerted by the fluid phase. We recently showed that growth-induced solid stress is on the order of 1.3 to 13.0 kPa (10–100 mmHg) – high enough to cause compression of fragile blood vessels, resulting in poor perfusion and hypoxia. However, the evolution of growth-induced stress with tumor progression and its effect on cancer cell proliferation in vivo is not understood. To this end, we developed a mathematical model for tumor growth that takes into account all three types of stresses: growth-induced stress, externally applied stress, and fluid pressure. First, we conducted in vivo experiments and found that growth-induced stress is related to tumor volume through a biexponential relationship. Then, we incorporated this information into our mathematical model and showed that due to the evolution of growth-induced stress, total solid stress levels are higher in the tumor interior and lower in the periphery. Elevated compressive solid stress in the interior of the tumor is sufficient to cause the collapse of blood vessels and results in a lower growth rate of cancer cells compared with the periphery, independently from that caused by the lack of nutrients due to vessel collapse. Furthermore, solid stress in the periphery of the tumor causes blood vessels in the surrounding normal tissue to deform to elliptical shapes. We present histologic sections of human cancers that show such vessel deformations. Finally, we found that fluid pressure increases with tumor growth due to increased vascular permeability and lymphatic impairment, and is governed by the microvascular pressure. Crucially, fluid pressure does not cause vessel compression of tumor vessels. Cancer Res; 73(13); 3833–41. ©2013 AACR.

As oxygen is essential for many metabolic pathways, tumour hypoxia may impair cancer cell proliferation1–4. However, the limiting metabolites for proliferation under hypoxia and in tumours are unknown. Here, we assessed proliferation of a collection of cancer cells following inhibition of the mitochondrial electron transport chain (ETC), a major metabolic pathway requiring molecular oxygen5. Sensitivity to ETC inhibition varied across cell lines, and subsequent metabolomic analysis uncovered aspartate availability as a major determinant of sensitivity. Cell lines least sensitive to ETC inhibition maintain aspartate levels by importing it through an aspartate/glutamate transporter, SLC1A3. Genetic or pharmacologic modulation of SLC1A3 activity markedly altered cancer cell sensitivity to ETC inhibitors. Interestingly, aspartate levels also decrease under low oxygen, and increasing aspartate import by SLC1A3 provides a competitive advantage to cancer cells at low oxygen levels and in tumour xenografts. Finally, aspartate levels in primary human tumours negatively correlate with the expression of hypoxia markers, suggesting that tumour hypoxia is sufficient to inhibit ETC and, consequently, aspartate synthesis in vivo. Therefore, aspartate may be a limiting metabolite for tumour growth, and aspartate availability could be targeted for cancer therapy. Garcia-Bermudez et al. and Sullivan et al. show that endogenous aspartate is a limiting metabolite for cancer cell proliferation under hypoxia and in tumours, and that metformin depletes aspartate to limit tumour growth.

The prognosis of patients with glioblastoma (GBM) remains dismal, with a median survival of approximately 15 months. Current preclinical GBM models are limited by the lack of a “normal” human microenvironment and the inability of many tumor cell lines to accurately reproduce GBM biology. To address these limitations, we have established a model system whereby we can retro-engineer patient-specific GBMs using patient-derived glioma stem cells (GSCs) and human embryonic stem cell (hESC)-derived cerebral organoids. Our cerebral organoid glioma (GLICO) model shows that GSCs home toward the human cerebral organoid and deeply invade and proliferate within the host tissue, forming tumors that closely phenocopy patient GBMs. Furthermore, cerebral organoid tumors form rapidly and are supported by an interconnected network of tumor microtubes that aids in the invasion of normal host tissue. Our GLICO model provides a system for modeling primary human GBM ex vivo and for high-throughput drug screening.