Importance

 Application of deep learning algorithms to whole-slide pathology images can potentially improve diagnostic accuracy and efficiency. 

Objective

 Assess the performance of automated deep learning algorithms at detecting metastases in hematoxylin and eosin–stained tissue sections of lymph nodes of women with breast cancer and compare it with pathologists’ diagnoses in a diagnostic setting. 

Design, Setting, and Participants

 Researcher challenge competition (CAMELYON16) to develop automated solutions for detecting lymph node metastases (November 2015-November 2016). A training data set of whole-slide images from 2 centers in the Netherlands with (n = 110) and without (n = 160) nodal metastases verified by immunohistochemical staining were provided to challenge participants to build algorithms. Algorithm performance was evaluated in an independent test set of 129 whole-slide images (49 with and 80 without metastases). The same test set of corresponding glass slides was also evaluated by a panel of 11 pathologists with time constraint (WTC) from the Netherlands to ascertain likelihood of nodal metastases for each slide in a flexible 2-hour session, simulating routine pathology workflow, and by 1 pathologist without time constraint (WOTC). 

Exposures

 Deep learning algorithms submitted as part of a challenge competition or pathologist interpretation. 

Main Outcomes and Measures

 The presence of specific metastatic foci and the absence vs presence of lymph node metastasis in a slide or image using receiver operating characteristic curve analysis. The 11 pathologists participating in the simulation exercise rated their diagnostic confidence as definitely normal, probably normal, equivocal, probably tumor, or definitely tumor. 

Results

 The area under the receiver operating characteristic curve (AUC) for the algorithms ranged from 0.556 to 0.994. The top-performing algorithm achieved a lesion-level, true-positive fraction comparable with that of the pathologist WOTC (72.4% [95% CI, 64.3%-80.4%]) at a mean of 0.0125 false-positives per normal whole-slide image. For the whole-slide image classification task, the best algorithm (AUC, 0.994 [95% CI, 0.983-0.999]) performed significantly better than the pathologists WTC in a diagnostic simulation (mean AUC, 0.810 [range, 0.738-0.884];P < .001). The top 5 algorithms had a mean AUC that was comparable with the pathologist interpreting the slides in the absence of time constraints (mean AUC, 0.960 [range, 0.923-0.994] for the top 5 algorithms vs 0.966 [95% CI, 0.927-0.998] for the pathologist WOTC). 

Conclusions and Relevance

 In the setting of a challenge competition, some deep learning algorithms achieved better diagnostic performance than a panel of 11 pathologists participating in a simulation exercise designed to mimic routine pathology workflow; algorithm performance was comparable with an expert pathologist interpreting whole-slide images without time constraints. Whether this approach has clinical utility will require evaluation in a clinical setting.

Invasive lobular carcinoma (ILC) is the second most prevalent histologic subtype of invasive breast cancer. Here, we comprehensively profiled 817 breast tumors, including 127 ILC, 490 ductal (IDC), and 88 mixed IDC/ILC. Besides E-cadherin loss, the best known ILC genetic hallmark, we identified mutations targeting PTEN, TBX3, and FOXA1 as ILC enriched features. PTEN loss associated with increased AKT phosphorylation, which was highest in ILC among all breast cancer subtypes. Spatially clustered FOXA1 mutations correlated with increased FOXA1 expression and activity. Conversely, GATA3 mutations and high expression characterized luminal A IDC, suggesting differential modulation of ER activity in ILC and IDC. Proliferation and immune-related signatures determined three ILC transcriptional subtypes associated with survival differences. Mixed IDC/ILC cases were molecularly classified as ILC-like and IDC-like revealing no true hybrid features. This multidimensional molecular atlas sheds new light on the genetic bases of ILC and provides potential clinical options.

The morphological interpretation of histologic sections forms the basis of diagnosis and prognostication for cancer. In the diagnosis of carcinomas, pathologists perform a semiquantitative analysis of a small set of morphological features to determine the cancer's histologic grade. Physicians use histologic grade to inform their assessment of a carcinoma's aggressiveness and a patient's prognosis. Nevertheless, the determination of grade in breast cancer examines only a small set of morphological features of breast cancer epithelial cells, which has been largely unchanged since the 1920s. A comprehensive analysis of automatically quantitated morphological features could identify characteristics of prognostic relevance and provide an accurate and reproducible means for assessing prognosis from microscopic image data. We developed the C-Path (Computational Pathologist) system to measure a rich quantitative feature set from the breast cancer epithelium and stroma (6642 features), including both standard morphometric descriptors of image objects and higher-level contextual, relational, and global image features. These measurements were used to construct a prognostic model. We applied the C-Path system to microscopic images from two independent cohorts of breast cancer patients [from the Netherlands Cancer Institute (NKI) cohort, n = 248, and the Vancouver General Hospital (VGH) cohort, n = 328]. The prognostic model score generated by our system was strongly associated with overall survival in both the NKI and the VGH cohorts (both log-rank P ≤ 0.001). This association was independent of clinical, pathological, and molecular factors. Three stromal features were significantly associated with survival, and this association was stronger than the association of survival with epithelial characteristics in the model. These findings implicate stromal morphologic structure as a previously unrecognized prognostic determinant for breast cancer.

Chromosomal translocations encode oncogenic fusion proteins that have been proven to be causally involved in tumorigenesis. Our understanding of whether such genomic alterations also affect non-coding RNAs is limited, and their impact on circular RNAs (circRNAs) has not been explored. Here, we show that well-established cancer-associated chromosomal translocations give rise to fusion circRNAs (f-circRNA) that are produced from transcribed exons of distinct genes affected by the translocations. F-circRNAs contribute to cellular transformation, promote cell viability and resistance upon therapy, and have tumor-promoting properties in in vivo models. Our work expands the current knowledge regarding molecular mechanisms involved in cancer onset and progression, with potential diagnostic and therapeutic implications.

This Analysis compares two large-scale pharmacogenomic data sets that catalogued the sensitivity of a large number of cancer cell lines to approved and potential drugs, and finds that whereas the gene expression data are largely concordant between the two studies, the reported drug sensitivity measures and subsequently their association with genomic features are highly discordant. Two large-scale data sets recently catalogued the sensitivity of a large number of cancer cell lines to pharmacological drugs, and integrated the drug-response data with genomic features, such as mutations and gene expression profiles. This Analysis by John Quackenbush and colleagues compares the two studies and finds that although the gene expression data are largely concordant between them, the reported drug-sensitivity measures and subsequently their association with genomic features are highly discordant. The authors call for standardization of drug-response measurements, to aid the discovery of robust biomarkers and mechanisms of drug response and hence progress in personalized cancer medicine. Two large-scale pharmacogenomic studies were published recently in this journal. Genomic data are well correlated between studies; however, the measured drug response data are highly discordant. Although the source of inconsistencies remains uncertain, it has potential implications for using these outcome measures to assess gene–drug associations or select potential anticancer drugs on the basis of their reported results.

Stromal cells within the tumor microenvironment are essential for tumor progression and metastasis. Surprisingly little is known about the factors that drive the transcriptional reprogramming of stromal cells within tumors. We report that the transcriptional regulator heat shock factor 1 (HSF1) is frequently activated in cancer-associated fibroblasts (CAFs), where it is a potent enabler of malignancy. HSF1 drives a transcriptional program in CAFs that complements, yet is completely different from, the program it drives in adjacent cancer cells. This CAF program is uniquely structured to support malignancy in a non-cell-autonomous way. Two central stromal signaling molecules—TGF-β and SDF1—play a critical role. In early-stage breast and lung cancer, high stromal HSF1 activation is strongly associated with poor patient outcome. Thus, tumors co-opt the ancient survival functions of HSF1 to orchestrate malignancy in both cell-autonomous and non-cell-autonomous ways, with far-reaching therapeutic implications.

Pharmacogenomics holds great promise for the development of biomarkers of drug response and the design of new therapeutic options, which are key challenges in precision medicine. However, such data are scattered and lack standards for efficient access and analysis, consequently preventing the realization of the full potential of pharmacogenomics. To address these issues, we implemented PharmacoGx, an easy-to-use, open source package for integrative analysis of multiple pharmacogenomic datasets. We demonstrate the utility of our package in comparing large drug sensitivity datasets, such as the Genomics of Drug Sensitivity in Cancer and the Cancer Cell Line Encyclopedia. Moreover, we show how to use our package to easily perform Connectivity Map analysis. With increasing availability of drug-related data, our package will open new avenues of research for meta-analysis of pharmacogenomic data.PharmacoGx is implemented in R and can be easily installed on any system. The package is available from CRAN and its source code is available from GitHub.bhaibeka@uhnresearch.ca or benjamin.haibe.kains@utoronto.caSupplementary data are available at Bioinformatics online.

Current clinical judgment in bladder cancer (BC) relies primarily on pathological stage and grade. We investigated whether a molecular classification of tumor cell differentiation, based on a developmental biology approach, can provide additional prognostic information. Exploiting large preexisting gene-expression databases, we developed a biologically supervised computational model to predict markers that correspond with BC differentiation. To provide mechanistic insight, we assessed relative tumorigenicity and differentiation potential via xenotransplantation. We then correlated the prognostic utility of the identified markers to outcomes within gene expression and formalin-fixed paraffin-embedded (FFPE) tissue datasets. Our data indicate that BC can be subclassified into three subtypes, on the basis of their differentiation states: basal, intermediate, and differentiated, where only the most primitive tumor cell subpopulation within each subtype is capable of generating xenograft tumors and recapitulating downstream populations. We found that keratin 14 (KRT14) marks the most primitive differentiation state that precedes KRT5 and KRT20 expression. Furthermore, KRT14 expression is consistently associated with worse prognosis in both univariate and multivariate analyses. We identify here three distinct BC subtypes on the basis of their differentiation states, each harboring a unique tumor-initiating population.