Abstract Background Commonly used preoperative nomograms predicting clinical and pathological outcomes in prostate cancer (PCa) patients have not been yet validated in high‐grade only PCa patients. Our objective is to perform an external validation of the Memorial Sloan Kettering Cancer Center (MSKCC) preoperative nomogram as a predictor of lymph node invasion (LNI) in a cohort of high‐grade PCa patients. Methods We included patients with high‐grade PCa (Gleason ≥8) treated at our institution between 2011 and 2020 with radical prostatectomy and pelvic lymph node dissection without receiving neoadjuvant or adjuvant therapy. The area under the curve (AUC) of the receiver operator characteristic (ROC) was used to quantify the accuracy of the model to predict LNI. A calibration plot was used to evaluate the model's precision, and a decision curve analysis was computed to evaluate the net benefit associated with its use. This study was approved by our institution's ethics board. Results A total of 242 patients with a median age of 66 (60−71) years were included. LNI was observed in 70 (29%) patients with a mean of 16 (median = 15; range = 2−42) resected nodes. The MSKCC nomogram discriminative accuracy, as evaluated by the AUC‐ROC was 79.0% (CI: [0.727−0.853]). Conclusion The MSKCC preoperative nomogram is a good predictor of LNI and a useful tool associated with net clinical benefit in this patient population.

Abstract We propose a fully automatic multi-task Bayesian model, named Bayesian Sequential Network (BSN), for predicting high-grade (Gleason $$\ge$$ ≥ 8) prostate cancer (PCa) prognosis using pre-prostatectomy FDG-PET/CT images and clinical data. BSN performs one classification task and five survival tasks: predicting lymph node invasion (LNI), biochemical recurrence-free survival (BCR-FS), metastasis-free survival, definitive androgen deprivation therapy-free survival, castration-resistant PCa-free survival, and PCa-specific survival (PCSS). Experiments are conducted using a dataset of 295 patients. BSN outperforms widely used nomograms on all tasks except PCSS, leveraging multi-task learning and imaging data. BSN also provides automated prostate segmentation, uncertainty quantification, personalized feature-based explanations, and introduces dynamic predictions , a novel approach that relies on short-term outcomes to refine long-term prognosis. Overall, BSN shows great promise in its ability to exploit imaging and clinicopathological data to predict poor outcome patients that need treatment intensification with loco-regional or systemic adjuvant therapy for high-risk PCa.

Patient-derived organoids (PDOs) are now used to study many diseases, including prostate cancer. Here, we present a protocol for the transduction of human epithelial prostate cells and PDOs. We describe the steps for producing lentiviruses and transducing PDOs with high efficiency to obtain either overexpression or knockdown of specific genes. More generally, this protocol represents an efficient lentiviral transduction technique to study cell biology using various organoid models.

Intrapatient intermetastatic heterogeneity (IIH) has been demonstrated in metastatic castration-resistant prostate cancer (mCRPC) patients and is of the utmost importance for radiopharmaceutical therapy (RPT) eligibility. This study was designed to determine the prevalence of IIH and RPT eligibility in mCRPC patients through a triple-tracer PET imaging strategy.