Purpose This study aims to develop a robust gene expression classifier that can predict disease relapse in patients with early-stage colorectal cancer (CRC). Patients and Methods Fresh frozen tumor tissue from 188 patients with stage I to IV CRC undergoing surgery was analyzed using Agilent 44K oligonucleotide arrays. Median follow-up time was 65.1 months, and the majority of patients (83.6%) did not receive adjuvant chemotherapy. A nearest mean classifier was developed using a cross-validation procedure to score all genes for their association with 5-year distant metastasis–free survival. Results An optimal set of 18 genes was identified and used to construct a prognostic classifier (ColoPrint). The signature was validated on an independent set of 206 samples from patients with stage I, II, and III CRC. The signature classified 60% of patients as low risk and 40% as high risk. Five-year relapse-free survival rates were 87.6% (95% CI, 81.5% to 93.7%) and 67.2% (95% CI, 55.4% to 79.0%) for low- and high-risk patients, respectively, with a hazard ratio (HR) of 2.5 (95% CI, 1.33 to 4.73; P = .005). In multivariate analysis, the signature remained one of the most significant prognostic factors, with an HR of 2.69 (95% CI, 1.41 to 5.14; P = .003). In patients with stage II CRC, the signature had an HR of 3.34 (P = .017) and was superior to American Society of Clinical Oncology criteria in assessing the risk of cancer recurrence without prescreening for microsatellite instability (MSI). Conclusion ColoPrint significantly improves the prognostic accuracy of pathologic factors and MSI in patients with stage II and III CRC and facilitates the identification of patients with stage II disease who may be safely managed without chemotherapy.

Background Pseudomyxoma peritonei (PMP) is a rare disease with an estimated incidence of 1 per million per year, and is thought to originate usually from an appendiceal mucinous epithelial neoplasm. However it is not known exactly how often these neoplasms lead to PMP. The aim of this study is to investigate the incidence of both lesions and their relation. Methods The nationwide pathology database of the Netherlands (PALGA) was searched for the incidence of all appendectomies, the incidence of primary epithelial appendiceal lesions and the incidence and pathology history of patients with PMP. All regarded the 10-year period of 1995–2005. Results In the 10-year period 167,744 appendectomies were performed in the Netherlands. An appendiceal lesion was found in 1482 appendiceal specimens (0.9%). Nine percent of these patients developed PMP. Coincidentally, an additional epithelial colonic neoplasm was found in 13% of patients with an appendiceal epithelial lesion. A mucinous epithelial neoplasm was identified in 0.3% (73% benign, 27% malignant) of appendiceal specimens and 20% of these patients developed PMP. For mucocele and non-mucinous neoplasm the association with PMP was only 2% and 3%, respectively. From the nationwide database 267 patients (62 men and 205 women) with PMP were identified, which demonstrates an incidence of PMP in the Netherlands approaching 2 per million per year. The primary site was identified in 68% and dominated by the appendix (82%). Conclusions Primary epithelial lesions of the appendix are rare. One third of these lesions are mucinous epithelial neoplasms and especially these tumours may progress into PMP. The incidence of PMP seems to be higher than thought before. Furthermore there is a considerable risk of an additional colonic epithelial neoplasm in patients with an epithelial neoplasm at appendectomy.

Neoadjuvant therapy (NAT) has become routine in patients with borderline resectable pancreatic cancer. Pathologists examine pancreatic cancer resection specimens to evaluate the effect of NAT. However, an automated scoring system to objectively quantify residual pancreatic cancer (RPC) is currently lacking. Herein, we developed and validated the first automated segmentation model using artificial intelligence techniques to objectively quantify RPC. Digitized histopathological tissue slides were included from resected pancreatic cancer specimens from 14 centers in 7 countries in Europe, North America, Australia, and Asia. Four different scanner types were used: Philips (56%), Hamamatsu (27%), 3DHistech (10%), and Leica (7%). Regions of interest were annotated and classified as cancer, non-neoplastic pancreatic ducts, and others. A U-Net model was trained to detect RPC. Validation consisted of by-scanner internal-external cross-validation. Overall, 528 unique hematoxylin and eosin (H & E) slides from 528 patients were included. In the individual Philips, Hamamatsu, 3DHistech, and Leica scanner cross-validations, mean F1 scores of 0.81 (95% CI, 0.77-0.84), 0.80 (0.78-0.83), 0.76 (0.65-0.78), and 0.71 (0.65-0.78) were achieved, respectively. In the meta-analysis of the cross-validations, the mean F1 score was 0.78 (0.71-0.84). A final model was trained on the entire data set. This ISGPP model is the first segmentation model using artificial intelligence techniques to objectively quantify RPC following NAT. The internally-externally cross-validated model in this study demonstrated robust performance in detecting RPC in specimens. The ISGPP model, now made publically available, enables automated RPC segmentation and forms the basis for objective NAT response evaluation in pancreatic cancer.