Based on the core pathogenesis of hepatosplenic disorder and qi transformation disorder in ulcerative colitis, Tong-Xie-Yao-Fang (TXYF) is a classical traditional Chinese medicine commonly used to treat ulcerative colitis. Our study revealed that it has the potential to prevent colitis-associated colorectal cancer, which embodies the academic concept in traditional Chinese medicine of treating the disease before it develops.

Abstract Purpose Neoadjuvant chemoradiotherapy has been the standard practice for patients with locally advanced rectal cancer. However, the treatment response varies greatly among individuals, how to select the optimal candidates for neoadjuvant chemoradiotherapy is crucial. This study aimed to develop an endoscopic image-based deep learning model for predicting the response to neoadjuvant chemoradiotherapy in locally advanced rectal cancer. Methods In this multicenter observational study, pre-treatment endoscopic images of patients from two Chinese medical centers were retrospectively obtained and a deep learning-based tumor regression model was constructed. Treatment response was evaluated based on the tumor regression grade and was defined as good response and non-good response. The prediction performance of the deep learning model was evaluated in the internal and external test sets. The main outcome was the accuracy of the treatment prediction model, measured by the AUC and accuracy. Results This deep learning model achieved favorable prediction performance. In the internal test set, the AUC and accuracy were 0.867 (95% CI: 0.847–0.941) and 0.836 (95% CI: 0.818–0.896), respectively. The prediction performance was fully validated in the external test set, and the model had an AUC of 0.758 (95% CI: 0.724–0.834) and an accuracy of 0.807 (95% CI: 0.774–0.843). Conclusion The deep learning model based on endoscopic images demonstrated exceptional predictive power for neoadjuvant treatment response, highlighting its potential for guiding personalized therapy.

Aims: To develop and evaluate machine learning models using tumor and nodal radiomics features for predicting the response to neoadjuvant chemotherapy (NAC) and recurrence risk in locally advanced gastric cancer (LAGC). Background: Early and accurate response prediction is vital to stratify LAGC patients and select proper candidates for NAC. Objective: A total of 218 patients with LAGC undergoing NAC followed by gastrectomy were enrolled in our study and were randomly divided into a training cohort (n = 153) and a validation cohort (n = 65). Methods: We extracted 1316 radiomics features from the volume of interest of the primary lesion and maximal lymph node on venous phase CT images. We built 3 radiomics signatures for distinguishing good responders and poor responders based on tumor radiomics (TR), nodal radiomics (NR), and a combination of the two (TNR), respectively. A nomogram was then developed by integrating the radiomics signature and clinical factors. Kaplan- Meier survival curves were used to evaluate the prognostic value of the nomogram. Results: The TNR signature achieved improved predictive value, with AUCs of 0.755 and 0.744 in the training and validation cohorts. Our proposed nomogram model (TNRN) showed a good performance for GR prediction in the prediction efficacy, calibration ability, and clinical benefit, with AUCs of 0.779 and 0.732 in the training and validation cohorts, superior to the clinical model. Moreover, the TNRN could accurately classify the patients into high-risk and low-risk groups in both training and validation cohorts with regard to postoperative recurrence and metastasis. Conclusion: The TNRN performed well in identifying good responders and provided valuable information for predicting progression-free survival time (PFS) in patients with LAGC who underwent NAC.

Abstract Background: Neoadjuvant chemoradiotherapy followed by radical surgery has been a common practice for patients with locally advanced rectal cancer, but the response rate varies among patients. This study aimed to develop a ResNet-Vision Transformer based magnetic resonance imaging (MRI)-endoscopy fusion model to precisely predict treatment response and provide personalized treatment. Methods: In this multicenter study, 366 eligible patients who had undergone neoadjuvant chemoradiotherapy followed by radical surgery at eight Chinese tertiary hospitals between January 2017 and June 2024 were recruited, with 2928 pretreatment colonic endoscopic images and 366 pelvic MRI images. An MRI-endoscopy fusion model was constructed based on the ResNet backbone and Transformer network using pretreatment MRI and endoscopic images. Treatment response was defined as good response or non-good response based on the tumor regression grade. The Delong test and the Hanley–McNeil test were utilized to compare prediction performance among different models and different subgroups, respectively. The predictive performance of the MRI-endoscopy fusion model was comprehensively validated in the test sets and was further compared to that of the single-modal MRI model and single-modal endoscopy model. Results: The MRI-endoscopy fusion model demonstrated favorable prediction performance. In the internal validation set, the area under the curve (AUC) and accuracy were 0.852 (95% confidence interval [CI]: 0.744–0.940) and 0.737 (95% CI: 0.712–0.844), respectively. Moreover, the AUC and accuracy reached 0.769 (95% CI: 0.678–0.861) and 0.729 (95% CI: 0.628–0.821), respectively, in the external test set. In addition, the MRI-endoscopy fusion model outperformed the single-modal MRI model (AUC: 0.692 [95% CI: 0.609–0.783], accuracy: 0.659 [95% CI: 0.565–0.775]) and the single-modal endoscopy model (AUC: 0.720 [95% CI: 0.617–0.823], accuracy: 0.713 [95% CI: 0.612–0.809]) in the external test set. Conclusion: The MRI-endoscopy fusion model based on ResNet-Vision Transformer achieved favorable performance in predicting treatment response to neoadjuvant chemoradiotherapy and holds tremendous potential for enabling personalized treatment regimens for locally advanced rectal cancer patients.