Abstract Most melanomas progress from radial to vertical growth phase before spreading locoregionally and distally. Much is still unknown about the metabolic changes in the tumor cells and their microenvironment during this metastatic progression. We aimed to gain new insight into the molecular characteristics of melanoma in regard to spatial lipidomics to deliver new knowledge regarding tumor metastatic progression. We included 10 fresh tumor samples from 10 patients including two in situ melanomas, two invasive primary melanomas, and six metastatic melanomas (four in‐transit metastases and two distant metastases). In addition, we analyzed four healthy skin controls from the same patients. Time‐of‐flight imaging secondary ion mass spectrometry (ToF‐SIMS) enabled detailed spatial‐lipidomics that could be directly correlated with conventional histopathological analysis of consecutive H&E‐stained tissue sections. Significant differences in the lipid profiles were found in primary compared to metastatic melanomas, notably an increase in phosphatidylethanolamine lipids relative to phosphatidylinositol lipids and an increase in GM3 gangliosides in the metastatic samples. Furthermore, analysis of the data from in transit versus distant metastases samples highlighted that specific phospholipids, and a difference in the long versus shorter chain GM3 gangliosides, discriminated the metastatic routes. Further studies are warranted to verify these preliminary findings. Lipidomic changes could serve as a novel biomarker for tumor progression and even serve as a target for novel treatments. Furthermore, analyzing the lipid profiles could help to differentiate between primary and metastatic melanomas in challenging cases.

Introduction Nodal metastasis (NM) in sentinel node biopsies (SNB) is crucial for melanoma staging. However, an intra-nodal nevus (INN) may often be misclassified as NM, leading to potential misdiagnosis and incorrect staging. There is high discordance among pathologists in assessing SNB positivity, which may lead to false staging. Digital whole slide imaging offers the potential for implementing artificial intelligence (AI) in digital pathology. In this study, we assessed the capability of AI to detect NM and INN in SNBs. Methods A total of 485 hematoxylin and eosin whole slide images (WSIs), including NM and INN from 196 SNBs, were collected and divided into training (279 WSIs), validation (89 WSIs), and test sets (117 WSIs). A deep learning model was trained with 5,956 manual pixel-wise annotations. The AI and three blinded dermatopathologists assessed the test set, with immunohistochemistry serving as the reference standard. Results The AI model showed excellent performance with an area under the curve receiver operating characteristic (AUC) of 0.965 for detecting NM. In comparison, the AUC for NM detection among dermatopathologists ranged between 0.94 and 0.98. For the detection of INN, the AUC was lower for both AI (0.781) and dermatopathologists (range of 0.63–0.79). Discussion In conclusion, the deep learning AI model showed excellent accuracy in detecting NM, achieving dermatopathologist-level performance in detecting both NM and INN. Importantly, the AI model showed the potential to differentiate between these two entities. However, further validation is warranted.

Non-surgical treatments are cost-effective options for low-risk basal cell carcinomas (BCCs) i.e. superficial or small nodular BCCs located outside the high-risk locations. Hexyl aminolevulinate (HAL) and 5-aminolevulinic acid nanoemulsion (BF-200 ALA) with enhanced penetration depth enables the use of lower concentrations compared to methylaminolevulinate (MAL) in photodynamic therapy (PDT). We have previously reported comparable short-term efficacies for MAL 16%, BF-200 ALA 7.8% and HAL 2% in PDT of low-risk BCC, and here we report the long-term results.