Summary

 Here we report a phase 1b clinical trial testing the impact of oncolytic virotherapy with talimogene laherparepvec on cytotoxic T cell infiltration and therapeutic efficacy of the anti-PD-1 antibody pembrolizumab. Twenty-one patients with advanced melanoma were treated with talimogene laherparepvec followed by combination therapy with pembrolizumab. Therapy was generally well tolerated, with fatigue, fevers, and chills as the most common adverse events. No dose-limiting toxicities occurred. Confirmed objective response rate was 62%, with a complete response rate of 33% per immune-related response criteria. Patients who responded to combination therapy had increased CD8⁺ T cells, elevated PD-L1 protein expression, as well as IFN-γ gene expression on several cell subsets in tumors after talimogene laherparepvec treatment. Response to combination therapy did not appear to be associated with baseline CD8⁺ T cell infiltration or baseline IFN-γ signature. These findings suggest that oncolytic virotherapy may improve the efficacy of anti-PD-1 therapy by changing the tumor microenvironment. 

Video Abstract

Cutaneous melanoma (CM) is potentially the most dangerous form of skin tumour and causes 90% of skin cancer mortality. A unique collaboration of multi-disciplinary experts from the European Dermatology Forum, the European Association of Dermato-Oncology and the European Organisation of Research and Treatment of Cancer was formed to make recommendations on CM diagnosis and treatment, based on systematic literature reviews and the experts' experience. Diagnosis is made clinically using dermoscopy and staging is based upon the AJCC system. CMs are excised with 1-2 cm safety margins. Sentinel lymph node dissection is routinely offered as a staging procedure in patients with tumours >1 mm in thickness, although there is as yet no clear survival benefit for this approach. Interferon-α treatment may be offered to patients with stage II and III melanoma as an adjuvant therapy, as this treatment increases at least the disease-free survival and less clear the overall survival (OS) time. The treatment is however associated with significant toxicity. In distant metastasis, all options of surgical therapy have to be considered thoroughly. In the absence of surgical options, systemic treatment is indicated. For first-line treatment particularly in BRAF wild-type patients, immunotherapy with PD-1 antibodies alone or in combination with CTLA-4 antibodies should be considered. BRAF inhibitors like dabrafenib and vemurafenib in combination with the MEK inhibitors trametinib and cobimetinib for BRAF mutated patients should be offered as first or second line treatment. Therapeutic decisions in stage IV patients should be primarily made by an interdisciplinary oncology team ('Tumour Board').

The rapid increase in telemedicine coupled with recent advances in diagnostic artificial intelligence (AI) create the imperative to consider the opportunities and risks of inserting AI-based support into new paradigms of care. Here we build on recent achievements in the accuracy of image-based AI for skin cancer diagnosis to address the effects of varied representations of AI-based support across different levels of clinical expertise and multiple clinical workflows. We find that good quality AI-based support of clinical decision-making improves diagnostic accuracy over that of either AI or physicians alone, and that the least experienced clinicians gain the most from AI-based support. We further find that AI-based multiclass probabilities outperformed content-based image retrieval (CBIR) representations of AI in the mobile technology environment, and AI-based support had utility in simulations of second opinions and of telemedicine triage. In addition to demonstrating the potential benefits associated with good quality AI in the hands of non-expert clinicians, we find that faulty AI can mislead the entire spectrum of clinicians, including experts. Lastly, we show that insights derived from AI class-activation maps can inform improvements in human diagnosis. Together, our approach and findings offer a framework for future studies across the spectrum of image-based diagnostics to improve human–computer collaboration in clinical practice. A systematic evaluation of the value of AI-based decision support in skin tumor diagnosis demonstrates the superiority of human–computer collaboration over each individual approach and supports the potential of automated approaches in diagnostic medicine.

Timothy Bishop and colleagues from GenoMEL present a genome-wide association study for melanoma. They report three loci associated with susceptibility to melanoma, of which two were previously associated with pigmentation. We report a genome-wide association study of melanoma conducted by the GenoMEL consortium based on 317K tagging SNPs for 1,650 selected cases and 4,336 controls, with replication in an additional two cohorts (1,149 selected cases and 964 controls from GenoMEL, and a population-based case-control study in Leeds of 1,163 cases and 903 controls). The genome-wide screen identified five loci with genotyped or imputed SNPs reaching P < 5 × 10−7. Three of these loci were replicated: 16q24 encompassing MC1R (combined P = 2.54 × 10−27 for rs258322), 11q14-q21 encompassing TYR (P = 2.41 × 10−14 for rs1393350) and 9p21 adjacent to MTAP and flanking CDKN2A (P = 4.03 × 10−7 for rs7023329). MC1R and TYR are associated with pigmentation, freckling and cutaneous sun sensitivity, well-recognized melanoma risk factors. Common variants within the 9p21 locus have not previously been associated with melanoma. Despite wide variation in allele frequency, these genetic variants show notable homogeneity of effect across populations of European ancestry living at different latitudes and show independent association to disease risk.

Whether machine-learning algorithms can diagnose all pigmented skin lesions as accurately as human experts is unclear. The aim of this study was to compare the diagnostic accuracy of state-of-the-art machine-learning algorithms with human readers for all clinically relevant types of benign and malignant pigmented skin lesions.For this open, web-based, international, diagnostic study, human readers were asked to diagnose dermatoscopic images selected randomly in 30-image batches from a test set of 1511 images. The diagnoses from human readers were compared with those of 139 algorithms created by 77 machine-learning labs, who participated in the International Skin Imaging Collaboration 2018 challenge and received a training set of 10 015 images in advance. The ground truth of each lesion fell into one of seven predefined disease categories: intraepithelial carcinoma including actinic keratoses and Bowen's disease; basal cell carcinoma; benign keratinocytic lesions including solar lentigo, seborrheic keratosis and lichen planus-like keratosis; dermatofibroma; melanoma; melanocytic nevus; and vascular lesions. The two main outcomes were the differences in the number of correct specific diagnoses per batch between all human readers and the top three algorithms, and between human experts and the top three algorithms.Between Aug 4, 2018, and Sept 30, 2018, 511 human readers from 63 countries had at least one attempt in the reader study. 283 (55·4%) of 511 human readers were board-certified dermatologists, 118 (23·1%) were dermatology residents, and 83 (16·2%) were general practitioners. When comparing all human readers with all machine-learning algorithms, the algorithms achieved a mean of 2·01 (95% CI 1·97 to 2·04; p<0·0001) more correct diagnoses (17·91 [SD 3·42] vs 19·92 [4·27]). 27 human experts with more than 10 years of experience achieved a mean of 18·78 (SD 3·15) correct answers, compared with 25·43 (1·95) correct answers for the top three machine algorithms (mean difference 6·65, 95% CI 6·06-7·25; p<0·0001). The difference between human experts and the top three algorithms was significantly lower for images in the test set that were collected from sources not included in the training set (human underperformance of 11·4%, 95% CI 9·9-12·9 vs 3·6%, 0·8-6·3; p<0·0001).State-of-the-art machine-learning classifiers outperformed human experts in the diagnosis of pigmented skin lesions and should have a more important role in clinical practice. However, a possible limitation of these algorithms is their decreased performance for out-of-distribution images, which should be addressed in future research.None.

Abstract Prior skin image datasets have not addressed patient-level information obtained from multiple skin lesions from the same patient. Though artificial intelligence classification algorithms have achieved expert-level performance in controlled studies examining single images, in practice dermatologists base their judgment holistically from multiple lesions on the same patient. The 2020 SIIM-ISIC Melanoma Classification challenge dataset described herein was constructed to address this discrepancy between prior challenges and clinical practice, providing for each image in the dataset an identifier allowing lesions from the same patient to be mapped to one another. This patient-level contextual information is frequently used by clinicians to diagnose melanoma and is especially useful in ruling out false positives in patients with many atypical nevi. The dataset represents 2,056 patients (20.8% with at least one melanoma, 79.2% with zero melanomas) from three continents with an average of 16 lesions per patient, consisting of 33,126 dermoscopic images and 584 (1.8%) histopathologically confirmed melanomas compared with benign melanoma mimickers.

Recently, TERT promoter mutations were identified at high frequencies in cutaneous melanoma tumor samples and cell lines. The mutations were found to have a UV-signature and to lead to increased TERT gene expression. We analyzed a large cohort of melanoma patients for the presence and distribution of TERT promoter mutations and their association with clinico-pathological characteristics.410 melanoma tumor samples were analyzed by Sanger sequencing for the presence of TERT promoter mutations. An analysis of associations between mutation status and various clinical and pathologic variables was performed.TERT promoter mutations were identified in 154 (43%) of 362 successfully sequenced melanomas. Mutation frequencies varied between melanoma subtype, being most frequent in melanomas arising in nonacral skin (48%) and melanomas with occult primary (50%), and less frequent in mucosal (23%), and acral (19%) melanomas. Mutations carried a UV signature (C>T or CC>TT). The presence of TERT promoter mutations was associated with factors such as BRAF or NRAS mutation (P < .001), histologic type (P = .002), and Breslow thickness (P < .001). TERT promoter mutation was independently associated with poorer overall survival in patients with nonacral cutaneous melanomas (median survival 80 months vs 291 months for wild-type; hazard ratio corrected for other covariates 2.47; 95% confidence interval [CI] = 1.29 to 4.74; P = .006).UV-induced TERT promoter mutations are one of the most frequent genetic alterations in melanoma, with frequencies varying depending on melanoma subtype. In nonacral cutaneous melanomas, presence of TERT promoter mutations is independently associated with poor prognosis.