1563 Background: Indeterminate nodules with high risk of malignancy are suggested to receive video-assisted thoracoscopy biopsy. Frozen section assists surgeons to decide surgical strategies for stage IA lung adenocarcinoma (LUAD) intraoperatively, which is time-consuming and may misdiagnosis due to limited sampling and poor tissue quality. Methods: We prospectively enrolled stage IA LUAD patients underwent complete resection between June 2020 and September 2023 in Guangdong Provincial People's Hospital (GDPH), Affiliated Hospital of Guangdong Medical University, Meizhou People's Hospital. All the resected lung nodules were finally diagnosed as pre-invasive lesion (PIL), minimally invasive adenocarcinoma (MIA) or invasive lung adenocarcinoma (IAC) by FFPE pathological diagnosis. Images of the whole section of the lung nodules were taken by smartphones under natural lighting condition in operating theaters without shadowless surgical lights. Patients received preoperative anti-cancer therapy and with low-quality tumor section images were excluded. Images of nodules section, FS reports, FFPE diagnosis and clinical information were prospectively collected. Predictive artificial intelligence (AI) model was developed by a three-step process, which first predict the IAC and non-IAC region at coarse level, and identify fine level features through the high-risk region. The coarse and fine labels were then coordinated through risk ranking loss to reach a final predictive result. Results: We prospectively enrolled 1516 patients with 1638 indetermined lung nodules from preoperative chest CT following the inclusion and exclusion criteria, with 2438 images acquired from intraoperative nodule sections. The included patients have median age of 57 years old and 38.6% male patients. The pathological diagnosis for included lung nodules are 122 PIL nodules, 502 MIA nodules and 1014 stage IA LUAD. A multi-task artificial intelligence based on Coarse-to-Fine-Grained Strategy has been established to classify the indetermined lung nodules during the surgery. For binary classification, AI model reach an AUC of 0.86 in differentiation between IAC or non-IAC. For 3-classification level, AI model reach an AUC of 0.87 in differentiation between PIL, MIA or IAC. We further defined the IAC nodules into G1, G2 and G3 according to IASLC lung adenocarcinoma grading system. For 5-classification level, AI model reach an AUC of 0.86 in differentiation between PIL, MIA, IAC-G1, IAC-G2 and IAC-G3. Conclusions: Our AI models based on images of intraoperative surgical resection could effectively classify indetermined lung nodules, which can assist thoracic surgeons diagnose the nodules rapidly during the surging and decide the following surgical strategies. Clinical trial information: ChiCTR2300075999 .

e20043 Background: Tumor spread through air space (STAS) is a novel histologic pattern of invasion related to high recurrence and poor prognosis. Meanwhile, there is a potential relationship between STAS status and the tumor immune microenvironment. The aim of this study was to predict STAS status in lung adenocarcinoma (LUAD) using a CT-based 3D-CNN deep learning model and explore the tumor immune microenvironment in the GSE58661 cohort. Methods: We retrospectively collected data from 368 patients with lung adenocarcinoma and STAS status from Guangdong Province General Hospital between 2021 and 2023. We performed propensity score matching (PSM) based on gender, year, BMI, and smoking status to obtain a cohort of 368 patients without STAS status. A 3D-Resnet-Resnetearning model was developed to identify the STAS status of lung adenocarcinoma, and the performance of the models was evaluated using the area under the curve (AUC), accuracy, sensitivity, and specificity. Meanwhile, bule RNA sequencing and baseline CT of LUAD from 41 patients in the GSE58661 cohort and the TCIA dataset were used to investigate the potential biological mechanism in the patients with STAS status. Results: We included 584 and 152 patients in the training and testing sets, respectively. The 3D-Resnet algorithm was used in the 3D patch with voxel sizes of 128*128*128, 96*96*96, and 64*64*64 to construct the DL-STAS model. With the training set's AUC of 0.899, the results showed that the model achieved an AUC, sensitivity, specificity, and accuracy of 0.884, 0.831, 0.838, and 0.835 in the testing cohort, respectively. According to our model, we divided the patients in GSE58661 into STAS and non-STAS. By identifying and analyzing the differentially expressed genes between the STAS and non-STAS groups, we found that several immune-related pathways, such as the T cell receptor signaling pathway, the PD-1/PD-L1 expression pathway, the natural killer cell-mediated cytotoxicity pathway, and the macrophage activation pathway, were enriched in the group with STAS status. Conclusions: The DL-STAS model we developed has great potential for accurately predicting STAS status in lung adenocarcinoma. In the meanwhile, the prognosis of patients with STAS status may be impacted by their particular tumor immune microenvironment.