Background & AimsMicrosatellite instability (MSI) and mismatch-repair deficiency (dMMR) in colorectal tumors are used to select treatment for patients. Deep learning can detect MSI and dMMR in tumor samples on routine histology slides faster and less expensively than molecular assays. However, clinical application of this technology requires high performance and multisite validation, which have not yet been performed.MethodsWe collected H&E-stained slides and findings from molecular analyses for MSI and dMMR from 8836 colorectal tumors (of all stages) included in the MSIDETECT consortium study, from Germany, the Netherlands, the United Kingdom, and the United States. Specimens with dMMR were identified by immunohistochemistry analyses of tissue microarrays for loss of MLH1, MSH2, MSH6, and/or PMS2. Specimens with MSI were identified by genetic analyses. We trained a deep-learning detector to identify samples with MSI from these slides; performance was assessed by cross-validation (N = 6406 specimens) and validated in an external cohort (n = 771 specimens). Prespecified endpoints were area under the receiver operating characteristic (AUROC) curve and area under the precision-recall curve (AUPRC).ResultsThe deep-learning detector identified specimens with dMMR or MSI with a mean AUROC curve of 0.92 (lower bound, 0.91; upper bound, 0.93) and an AUPRC of 0.63 (range, 0.59–0.65), or 67% specificity and 95% sensitivity, in the cross-validation development cohort. In the validation cohort, the classifier identified samples with dMMR with an AUROC of 0.95 (range, 0.92–0.96) without image preprocessing and an AUROC of 0.96 (range, 0.93–0.98) after color normalization.ConclusionsWe developed a deep-learning system that detects colorectal cancer specimens with dMMR or MSI using H&E-stained slides; it detected tissues with dMMR with an AUROC of 0.96 in a large, international validation cohort. This system might be used for high-throughput, low-cost evaluation of colorectal tissue specimens. Microsatellite instability (MSI) and mismatch-repair deficiency (dMMR) in colorectal tumors are used to select treatment for patients. Deep learning can detect MSI and dMMR in tumor samples on routine histology slides faster and less expensively than molecular assays. However, clinical application of this technology requires high performance and multisite validation, which have not yet been performed. We collected H&E-stained slides and findings from molecular analyses for MSI and dMMR from 8836 colorectal tumors (of all stages) included in the MSIDETECT consortium study, from Germany, the Netherlands, the United Kingdom, and the United States. Specimens with dMMR were identified by immunohistochemistry analyses of tissue microarrays for loss of MLH1, MSH2, MSH6, and/or PMS2. Specimens with MSI were identified by genetic analyses. We trained a deep-learning detector to identify samples with MSI from these slides; performance was assessed by cross-validation (N = 6406 specimens) and validated in an external cohort (n = 771 specimens). Prespecified endpoints were area under the receiver operating characteristic (AUROC) curve and area under the precision-recall curve (AUPRC). The deep-learning detector identified specimens with dMMR or MSI with a mean AUROC curve of 0.92 (lower bound, 0.91; upper bound, 0.93) and an AUPRC of 0.63 (range, 0.59–0.65), or 67% specificity and 95% sensitivity, in the cross-validation development cohort. In the validation cohort, the classifier identified samples with dMMR with an AUROC of 0.95 (range, 0.92–0.96) without image preprocessing and an AUROC of 0.96 (range, 0.93–0.98) after color normalization. We developed a deep-learning system that detects colorectal cancer specimens with dMMR or MSI using H&E-stained slides; it detected tissues with dMMR with an AUROC of 0.96 in a large, international validation cohort. This system might be used for high-throughput, low-cost evaluation of colorectal tissue specimens.

Abstract Background Checkpoint blockade in cholangiocarcinoma (CCA) is promising; however, little is known about the response to treatment in CCA subtypes. In this study, we investigated the spatial immune environment in combination with checkpoint expression in perihilar CCA (pCCA). Materials & Methods The levels of checkpoint molecules (PD-1, PD-L1, PD-L2, LAG-3, ICOS, TIGIT, TIM-3, and CTLA-4), macrophages (CD68), and T cells (CD4 and CD8) were assessed by multiplex immunofluorescence (mIF) in 50 patients. We investigated the transcriptomic profile using the NanoString Cancer Progression Panel, and validation was performed by mIF on tissue sections from 24 patients. Results The expression of checkpoint molecules TIGIT, CTLA-4, and LAG-3 alone and in combination with other checkpoint molecules was more abundant in the Central Tumor (CT) and Invasive Margin (IM) than in peritumoral tissue (PT) (CD4 and CD8 TIGIT p<0.0001 for both CD4 and CD8 CTLA-4, p<0.0001 and p < 0.001, respectively, and CD8 LAG-3 p < 0.05). MMP2 and MMP14 were differentially expressed in patients with high TIGIT expression. Conclusion The immune environment in pCCA is characterized by the expression of multiple checkpoints, demonstrating the complexity of ICI treatment. High TIGIT expression drives an immunosuppressive environment by modulating the extracellular matrix. Future clinical trials in pCCA could consider TIGIT as a therapeutically relevant target for (combination) treatment.

Abstract Background and aims Cholangiocarcinoma (CCA) is a deadly disease, and this cancer entity is characterized by an abundant stroma. The tumor microenvironment (TME) plays an important role in aggressive behavior and poor response to therapeutics; however, underlying pathways are unknown. Methods To fill this gap, we used multiplexed immunohistochemistry, high-dimensional phenotyping, and transcriptomics to analyze human CCA samples and identify cell cluster crosstalk in patients with a poor prognosis. Results Our findings confirmed the presence of Tregs and the lack of effector memory cells in the tumor. New findings are the spatiality of the effector memory cells being more present in the peripheral tissue, for some reason these immune cells fail to reach the tumor niche. We revealed cancer crosstalk with macrophages and stromal cells and identified responsible genes in the poor prognosis group. Amongst the responsible ligand pairs are GAS6-AXL belonging to the TAM family. We then identified VCAN-TLR2 to be present and influencing the ECM in a way to supports immune exhaustion. Last, EGFR-TGF-β is expressed in macrophages and this finding is important in Tregs induction and blocking cytotoxic T cell function. Conclusions The multiple mechanisms leading to the exclusion of relevant immune cells needed for an anti-cancer response and mechanisms leading to active immune suppression are part of complex cell-cell crosstalk. This study provides a deeper insight into the immune exhausted phenotype in CCA.

Abstract Background & Aims Perihilar cholangiocarcinoma (pCCA) is a rare hepatobiliary malignancy. Nerve fiber invasion (NFI) shows cancer invading the nerve and is considered an aggressive feature. Nerve fiber density (NFD) consists of small nerve fibers without cancer invasion and is divided into high NFD (high numbers of small nerve fibers) or low NFD (low numbers of small nerve fibers). We aim to explore differences in immune cell populations and survival. Methods We applied multiplex immunofluorescence (mIF) on 47 pCCA surgically resected patients and investigated the immune cell composition in the tumor microenvironment (TME) of different nerve fiber phenotypes (NFI, high and low NFD). Extensive group comparison was carried out and the association with overall survival (OS) was assessed. Results The NFI ROI was measured with highest CD68+ macrophage levels among 3 ROIs (NFI compared to tumor free p= 0.016 and to tumor p=0.034). Further, for NFI patients the density of co-inhibitory markers CD8+PD1+ and CD68+PD1+ were more abundant in the tumor rather than NFI ROI (p= 0.004 and p= 0.0029 respectively). Comparison between patients with NFD and NFI groups, the signals of co-expression of CD8+PD1+ as well as CD68+PD1+ were significantly higher in the high NFD group (p= 0.027 and p= 0.044, respectively). The OS for high NFD patients was 92 months median OS (95% CI:41-142), for low NFD patients 20 months ((95% CI: 4-36) and for NFI group of patients 19 months (95% CI 7-33). The OS for high NFD patients was significantly better compared to low NFD (p= 0.046) and NFI (p= 0.032). Conclusions PD1+ T-cells correlate with high NFD as a prognostic biomarker, the biological pathway behind this needs to be investigated. Lay summary Nerve fibers play a dual role in the tumor microenvironment in pCCA. In our previous study, we showed that the presence of high numbers of small nerve fibers is associated with a better overall survival. In addition, we found that in high NFD patients PD1+ T-cells are significantly overexpressed. Therefore, we present high NFD as a promising prognostic biomarker. Graphical abstract

ABSTRACT Background B cells and tertiary lymphoid structures (TLS) are reported to be important in the improvement of survival of cancer patients. These secondary lymphoid organs have been associated with the generation of an anti-tumor response. Pancreatic ductal adenocarcinoma (PDAC) is one of the most lethal cancer types and the stromal architecture shapes the intratumoral heterogeneity. The stroma of PDAC is a complex system in which crosstalk takes place between cancer-associated fibroblasts, immune cells, endothelial cells and the cancer cells. Besides immune cells and fibroblasts, there is some limited data about the influence of nerve fibers on cancer progression. Patients and methods Nerve Fiber Density (NFD) was analysed in our cohort of 188 patients with Pancreatic Ductal Adenocarcinoma who underwent pancreatic surgery. We used immunohistochemistry and multiplex imaging to phenotype the immune cell infiltrate. The cell detection classifier measured distance from immune cell to cancer gland and with a heat map we could count TLS. By using Machine learning we were able to define the spatial distribution and counting Tertiary Lymphoid Structures. Results High NFD is significantly associated with prolonged overall survival (HR 1.676 (95%CI 1.126,2.495) for low vs. high NFD, p-value 0.0109). The immune cells surrounding the nerve fibers were phenotyped in B cells, T cells and dendritic follicular cells, matching a TLS. Here we show that small nerve fibers are located at the TLS in Pancreatic Cancer and a high Nerve Fiber Density combined with more than 5 TLS is associated with a better survival (HR 0.388 (95%CI 0.218, 0.689). Conclusion The co-localization of small nerve fibers with TLS is a new finding which has not been described before. However the precise roles of these TLS and nerve fibers remains unknown. These findings unravel future pathways and has the potential to reach new directions into already existing targeted therapy.