Epidermal growth factor receptor (EGFR) genotyping is critical for treatment guidelines such as the use of tyrosine kinase inhibitors in lung adenocarcinoma. Conventional identification of EGFR genotype requires biopsy and sequence testing which is invasive and may suffer from the difficulty of accessing tissue samples. Here, we propose a deep learning model to predict EGFR mutation status in lung adenocarcinoma using non-invasive computed tomography (CT). We retrospectively collected data from 844 lung adenocarcinoma patients with pre-operative CT images, EGFR mutation and clinical information from two hospitals. An end-to-end deep learning model was proposed to predict the EGFR mutation status by CT scanning. By training in 14 926 CT images, the deep learning model achieved encouraging predictive performance in both the primary cohort (n=603; AUC 0.85, 95% CI 0.83–0.88) and the independent validation cohort (n=241; AUC 0.81, 95% CI 0.79–0.83), which showed significant improvement over previous studies using hand-crafted CT features or clinical characteristics (p<0.001). The deep learning score demonstrated significant differences in EGFR-mutant and EGFR-wild type tumours (p<0.001). Since CT is routinely used in lung cancer diagnosis, the deep learning model provides a non-invasive and easy-to-use method for EGFR mutation status prediction.

Tumors are characterized by somatic mutations that drive biological processes ultimately reflected in tumor phenotype. With regard to radiographic phenotypes, generally unconnected through present understanding to the presence of specific mutations, artificial intelligence methods can automatically quantify phenotypic characters by using predefined, engineered algorithms or automatic deep-learning methods, a process also known as radiomics. Here we demonstrate how imaging phenotypes can be connected to somatic mutations through an integrated analysis of independent datasets of 763 lung adenocarcinoma patients with somatic mutation testing and engineered CT image analytics. We developed radiomic signatures capable of distinguishing between tumor genotypes in a discovery cohort (n = 353) and verified them in an independent validation cohort (n = 352). All radiomic signatures significantly outperformed conventional radiographic predictors (tumor volume and maximum diameter). We found a radiomic signature related to radiographic heterogeneity that successfully discriminated between EGFR+ and EGFR- cases (AUC = 0.69). Combining this signature with a clinical model of EGFR status (AUC = 0.70) significantly improved prediction accuracy (AUC = 0.75). The highest performing signature was capable of distinguishing between EGFR+ and KRAS+ tumors (AUC = 0.80) and, when combined with a clinical model (AUC = 0.81), substantially improved its performance (AUC = 0.86). A KRAS+/KRAS- radiomic signature also showed significant albeit lower performance (AUC = 0.63) and did not improve the accuracy of a clinical predictor of KRAS status. Our results argue that somatic mutations drive distinct radiographic phenotypes that can be predicted by radiomics. This work has implications for the use of imaging-based biomarkers in the clinic, as applied noninvasively, repeatedly, and at low cost. Cancer Res; 77(14); 3922-30. ©2017 AACR.

In this study we retrospectively evaluated the capability of computed tomography (CT)-based radiomic features to predict epidermal growth factor receptor (EGFR) mutation status in surgically-resected peripheral lung adenocarcinomas in an Asian cohort of patients.Two hundred ninety-eight patients with surgically resected peripheral lung adenocarcinomas were investigated in this institutional review board-approved retrospective study with requirement waived to obtain informed consent. Two hundred nineteen quantitative 3-D features were extracted from segmented volumes of each tumor, and 59 of these, which were considered independent features, were included in the analysis. Clinical and pathological information was obtained from the institutional database.Mutant EGFR was significantly associated with female sex (P = .0005); never smoker status (P < .0001), lepidic predominant adenocarcinomas (P = .017), and low or intermediate pathologic grade (P = .0002). Statistically significant differences were found in 11 radiomic features between EGFR mutant and wild type groups in univariate analysis. Mutant EGFR status could be predicted by a set of 5 radiomic features that fell into 3 broad groups: CT attenuation energy, tumor main direction, and texture defined according to wavelets and Laws (area under the curve [AUC], 0.647). A multiple logistic regression model showed that adding radiomic features to a clinical model resulted in a significant improvement of predicting power, because the AUC increased from 0.667 to 0.709 (P < .0001).Computed tomography-based radiomic features of peripheral lung adenocarcinomas can capture useful information regarding tumor phenotype, and the model we built can be useful to predict the presence of EGFR mutations in peripheral lung adenocarcinoma in Asian patients when mutational profiling is not available or possible.

Purpose To retrospectively identify the relationship between epidermal growth factor receptor (EGFR) mutation status, predominant histologic subtype, and computed tomographic (CT) characteristics in surgically resected lung adenocarcinomas in a cohort of Asian patients. materials and Methods This study was approved by the institutional review board, with waiver of informed consent. Preoperative chest CT findings were retrospectively evaluated in 385 surgically resected lung adenocarcinomas. A total of 30 CT descriptors were assessed. EGFR mutations at exons 18–21 were determined by using the amplification refractory mutation system. Multiple logistic regression analyses were performed to identify independent factors of harboring EGFR mutation status. The final model was selected by using the backward elimination method, and two areas under the receiver operating characteristic curve (ROC) were compared with the nonparametric approach of DeLong, DeLong, and Clarke-Pearson. Results EGFR mutations were found in 168 (43.6%) of 385 patients. Mutations were found more frequently in (a) female patients (P < .001); (b)those who had never smoked (P < .001); (c)those with lepidic predominant adenocarcinomas (P = .001) or intermediate pathologic grade (P < .001); (e) smaller tumors (P < .001); (f)tumors with spiculation (P = .019), ground-glass opacity (GGO) or mixed GGO (P < .001), air bronchogram (P = .006), bubblelike lucency (P < .001), vascular convergence (P = .024), thickened adjacent bronchovascular bundles (P = .027), or pleural retraction (P < .001); and (g) tumors without pleural attachment (P = .004), a well-defined margin (P = .010), marked heterogeneous enhancement (P = .001), severe peripheral emphysema (P = .002), severe peripheral fibrosis (P = .013), or lymphadenopathy (P = .028). The most important and significantly independent prognostic factors of harboring EGFR-activating mutation for the model with both clinical variables and CT features were those who had never smoked and those with smaller tumors, bubblelike lucency, homogeneous enhancement, or pleural retraction when adjusting for histologic subtype, pathologic grade, or thickened adjacent bronchovascular bundles. ROC curve analysis showed that use of clinical variables combined with CT features (area under the ROC curve = 0.778) was superior to use of clinical variables alone (area under the ROC curve = 0.690). Conclusion CT imaging features of lung adenocarcinomas in combination with clinical variables can be used to prognosticate EGFR mutation status better than use of clinical variables alone. © RSNA, 2016 Online supplemental material is available for this article.

Genome-wide association studies of brain imaging phenotypes are mainly performed in European populations, but other populations are severely under-represented. Here, we conducted Chinese-alone and cross-ancestry genome-wide association studies of 3,414 brain imaging phenotypes in 7,058 Chinese Han and 33,224 white British participants. We identified 38 new associations in Chinese-alone analyses and 486 additional new associations in cross-ancestry meta-analyses at P < 1.46 × 10

Background: Breast-conserving surgery (BCS) stands as the favored modality for treating early-stage breast cancer. Accurately forecasting the feasibility of BCS preoperatively can aid in surgical planning and reduce the rate of switching of surgical methods and reoperation. The objective of this study is to identify the radiomics features and preoperative breast magnetic resonance imaging (MRI) characteristics that are linked with positive margins following BCS in patients with breast cancer, with the ultimate aim of creating a predictive model for the feasibility of BCS. Methods: This study included a cohort of 221 pretreatment MRI images obtained from patients with breast cancer. A total of seven MRI semantic features and 1,561 radiomics features of lesions were extracted. The feature subset was determined by eliminating redundancy and correlation based on the features of the training set. The least absolute shrinkage and selection operator (LASSO) logistic regression was then trained with this subset to classify the final BCS positive and negative margins and subsequently validated using the test set. Results: Seven features were significant in the discrimination of cases achieving positive and negative margins. The radiomics signature achieved area under the curve (AUC), accuracy, sensitivity, and specificity of 0.760 [95% confidence interval (CI): 0.630, 0.891], 0.712 (95% CI: 0.569, 0.829), 0.882 (95% CI: 0.623, 0.979) and 0.629 (95% CI: 0.449, 0.780) in the test set, respectively. The combined model of radiomics signature and background parenchymal enhancement (BPE) demonstrated an AUC, accuracy, sensitivity, and specificity of 0.759 (95% CI: 0.628, 0.890), 0.654 (95% CI: 0.509, 0.780), 0.679 (95% CI: 0.476, 0.834) and 0.625 (95% CI: 0.408, 0.804). Conclusions: The combination of preoperative MRI radiomics features can well predict the success of breast conserving surgery.

Accurate image classification and retrieval are of importance for clinical diagnosis and treatment decision-making. The recent contrastive language-image pre-training (CLIP) model has shown remarkable proficiency in understanding natural images. Drawing inspiration from CLIP, pathology-dedicated CLIP (PathCLIP) has been developed, utilizing over 200,000 image and text pairs in training. While the performance the PathCLIP is impressive, its robustness under a wide range of image corruptions remains unknown. Therefore, we conduct an extensive evaluation to analyze the performance of PathCLIP on various corrupted images from the datasets of osteosarcoma and WSSS4LUAD. In our experiments, we introduce eleven corruption types including brightness, contrast, defocus, resolution, saturation, hue, markup, deformation, incompleteness, rotation, and flipping at various settings. Through experiments, we find that PathCLIP surpasses OpenAI-CLIP and the pathology language-image pre-training (PLIP) model in zero-shot classification. It is relatively robust to image corruptions including contrast, saturation, incompleteness, and orientation factors. Among the eleven corruptions, hue, markup, deformation, defocus, and resolution can cause relatively severe performance fluctuation of the PathCLIP. This indicates that ensuring the quality of images is crucial before conducting a clinical test. Additionally, we assess the robustness of PathCLIP in the task of image-to-image retrieval, revealing that PathCLIP performs less effectively than PLIP on osteosarcoma but performs better on WSSS4LUAD under diverse corruptions. Overall, PathCLIP presents impressive zero-shot classification and retrieval performance for pathology images, but appropriate care needs to be taken when using it.

Urbanicity, the impact of living in urban areas, is among the greatest environmental challenges for mental health. While urbanicity might be distinct in different sociocultural conditions and geographic locations, there are likely to exist common features shared in different areas of the globe. Understanding these common and specific relations of urbanicity with human brain and behavior will enable to assess the impact of urbanicity on mental disorders, especially in childhood and adolescence, where prevention and early interventions are likely to be most effective. We constructed from satellite-based remote sensing data a factor for urbanicity that was highly correlated with population density ground data. This factor, 'UrbanSat' was utilized in the Chinese CHIMGEN sample (N=831) and the longitudinal European IMAGEN cohort (N=810) to investigate if exposure to urbanicity during childhood and adolescence is associated with differences in brain structure and function in young adults, and if these changes are linked to behavior. Urbanicity was found negatively correlated with medial prefrontal cortex volume and positively correlated with cerebellar vermis volume in young adults from both China and Europe. We found an increased correlation of urbanicity with functional network connectivity within- and between- brain networks in Chinese compared to European participants. Urbanicity was highly correlated with a measure of perceiving a situation from the perspective of others, as well as symptoms of depression in both datasets. These correlations were mediated by the structural and functional brain changes observed. Susceptibility to urbanicity was greatest in two developmental windows during mid-childhood and adolescence. Using innovative technology, we were able to probe the relationship between urban upbringing with brain change and behavior in different sociocultural conditions and geographic locations. Our findings help to identify shared and distinct determinants of adolescent brain development and mental health in different regions of the world, thus contributing to targeted prevention and early-intervention programs for young people in their unique environment. Our approach may be relevant for public health, policy and urban planning globally.