Abstract Background As a large number of digital histopathological images have been accumulated, there is a growing demand of content-based image retrieval (CBIR) in pathology for educational, diagnostic, or research purposes. However, no CBIR systems in digital pathology are publicly available. Results We developed a web application, the Luigi system, which retrieves similar histopathological images from various cancer cases. Using deep texture representations computed with a pre-trained convolutional neural network as an image feature in conjunction with an approximate nearest neighbor search method, the Luigi system provides fast and accurate results for any type of tissue or cell without the need for further training. In addition, users can easily submit query images of an appropriate scale into the Luigi system and view the retrieved results using our smartphone application. The cases stored in the Luigi database are obtained from The Cancer Genome Atlas with rich clinical, pathological, and molecular information. We tested the Luigi system by querying typical cancerous regions from four cancer types, and confirmed successful retrieval of relevant images. Conclusions The Luigi system will help students, pathologists, and researchers easily retrieve histopathological images of various cancers similar to those of the query image.

Summary Cancer histological images contain rich biological and clinical information, but quantitative representation can be problematic and has prevented direct comparison and accumulation of large-scale datasets. Here we show that deep texture representations (DTRs) produced by a bilinear Convolutional Neural Network, express cancer morphology well in an unsupervised manner, and work as a universal encoder for cancer histology. DTRs are useful for content-based image retrieval, enabling quick retrieval of histologically similar images from optimally area selected datasets of 7,175 cases from The Cancer Genome Atlas. Via comprehensive comparison with driver and clinically actionable gene mutations, we have successfully predicted 309 combinations of genomic features and cancer types from hematoxylin and eosin-stained images at high accuracy (AUC > 0.70 and q < 0.02). With its mounting capabilities on accessible devices such as smartphones, DTR-based encoding for cancer histology has a potentially strong impact on global equalization for cancer diagnosis and targeted therapies.

ABSTRACT Termite caste differentiation and social behavior are appropriately regulated by the chemical signals among individuals in each colony. Signal transduction is well known to be triggered by the reception of odorant molecules by some binding proteins in the antennae, after which, a signal is transmitted to chemosensory receptors. However, there is insufficient information on the role of chemosensory genes involved in signal transduction in termites. Here, we identified the genes involved in chemosensory reception in the rhinotermitid termite Reticulitermes speratus , and performed a genome-wide comparative transcriptome analysis of worker and soldier antennae. First, we identified 31 odorant-binding proteins (OBPs), and three chemosensory protein A (CheA) from the available genome sequence data. Thereafter, we performed RNA sequencing to compare the expression levels of OBPs, CheAs, and previously identified chemosensory receptor genes between workers and soldiers antennae. Of note, there were no receptor genes with significant differences in expression between castes. However, the expression levels of three non-receptor genes ( OBP, CheA , and Sensory neuron membrane protein ) were significantly different between castes. Quantiative polymerase chain reaction (qPCR) analysis using antennae and other head parts confirmed that these genes were highly expressed in soldier antennae. Finally, independent qPCR analysis showed that the expression patterns of these genes were altered in soldiers from different social contexts. The present results suggest that some non-receptor protein genes are involved in the social behaviors of termites.