Abstract Background YAP activation is crucial for cancer development including colorectal cancer (CRC). Nevertheless, it remains unclear whether N6-Methyladenosine (m 6 A) modified transcripts of long noncoding RNAs (lncRNAs) can regulate YAP activation in cancer progression. We investigated the functional link between lncRNAs and the m 6 A modification in YAP signaling and CRC progression. Methods YAP interacting lncRNAs were screened by RIP-sequencing, RNA FISH and immunofluorescence co-staining assays. Interaction between YAP and lncRNA GAS5 was studied by biochemical methods. MeRIP-sequencing combined with lncRNA-sequencing were used to identify the m 6 A modified targets of YTHDF3 in CRC. Gain-of-function and Loss-of-function analysis were performed to measure the function of GAS5-YAP-YTHDF3 axis in CRC progression in vitro and in vivo. Results GAS5 directly interacts with WW domain of YAP to facilitate translocation of endogenous YAP from the nucleus to the cytoplasm and promotes phosphorylation and subsequently ubiquitin-mediated degradation of YAP to inhibit CRC progression in vitro and in vivo. Notably, we demonstrate the m 6 A reader YTHDF3 not only a novel target of YAP but also a key player in YAP signaling by facilitating m 6 A-modified lncRNA GAS5 degradation, which profile a new insight into CRC progression. Clinically, lncRNA GAS5 expressions is negatively correlated with YAP and YTHDF3 protein levels in tumors from CRC patients. Conclusions Our study uncovers a negative functional loop of lncRNA GAS5-YAP-YTHDF3 axis, and identifies a new mechanism for m 6 A-induced decay of GAS5 on YAP signaling in progression of CRC which may offer a promising approach for CRC treatment.

BackgroundAn artificial intelligence method could accelerate the clinical implementation of tumour-stroma ratio (TSR), which has prognostic relevance in colorectal cancer (CRC). We, therefore, developed a deep learning model for the fully automated TSR quantification on routine haematoxylin and eosin (HE) stained whole-slide images (WSI) and further investigated its prognostic validity for patient stratification.MethodsWe trained a convolutional neural network (CNN) model using transfer learning, with its nine-class tissue classification performance evaluated in two independent test sets. Patch-level segmentation on WSI HE slides was performed using the model, with TSR subsequently derived. A discovery (N=499) and validation cohort (N=315) were used to evaluate the prognostic value of TSR for overall survival (OS).FindingsThe CNN-quantified TSR was a prognostic factor, independently of other clinicopathologic characteristics, with stroma-high associated with reduced OS in the discovery (HR 1.72, 95% CI 1.24-2.37, P=0.001) and validation cohort (2.08, 1.26-3.42, 0.004). Integrating TSR into a Cox model with other risk factors showed improved prognostic capability.InterpretationWe developed a deep learning model to quantify TSR based on histologic WSI of CRC and demonstrated its prognostic validity for patient stratification for OS in two independent CRC patient cohorts. This fully automatic approach allows for the objective and standardised application while reducing pathologists' workload. Thus, it can potentially be of significant aid in clinical prognosis prediction and decision-making.FundingNational Key Research and Development Program of China, National Science Fund for Distinguished Young Scholar, and National Science Foundation for Young Scientists of China.

Quantitative features extracted from biopsy digital pathology images can provide predictive information for neoadjuvant chemoradiotherapy (nCRT) in local advanced rectal cancer (LARC) Machine learning technologies are applied to build the digital-pathology-based pathology signature The pathology signature is an independent predictor of treatment response to nCRT in LARC

Profound heterogeneity in prognosis has been observed in colorectal cancer (CRC) patients with intermediate levels of disease (stage II-III), advocating the identification of valuable biomarkers that could improve the prognostic stratification. This study aims to develop a deep learning-based pipeline for fully automatic quantification of immune infiltration within the stroma region on immunohistochemical (IHC) whole-slide images (WSIs) and further analyze its prognostic value in CRC.Patients from two independent cohorts were divided into three groups: the development group (N = 200), the internal (N = 134), and the external validation group (N = 90). We trained a convolutional neural network for tissue classification of CD3 and CD8 stained WSIs. A scoring system, named stroma-immune score, was established by quantifying the density of CD3+ and CD8+ T-cells infiltration in the stroma region.Patients with higher stroma-immune scores had much longer survival. In the development group, 5-year survival rates of the low and high scores were 55.7% and 80.8% (hazard ratio [HR] for high vs. low 0.39, 95% confidence interval [CI] 0.24-0.63, P < 0.001). These results were confirmed in the internal and external validation groups with 5-year survival rates of low and high scores were 57.1% and 78.8%, 63.9% and 88.9%, respectively (internal: HR for high vs. low 0.49, 95% CI 0.28-0.88, P = 0.017; external: HR for high vs. low 0.35, 95% CI 0.15-0.83, P = 0.018). The combination of stroma-immune score and tumor-node-metastasis (TNM) stage showed better discrimination ability for survival prediction than using the TNM stage alone.We proposed a stroma-immune score via a deep learning-based pipeline to quantify CD3+ and CD8+ T-cells densities within the stroma region on WSIs of CRC and further predict survival.

To evaluate the human epidermal growth factor receptor 2 (HER2) status in patients with breast cancer using multidetector computed tomography (MDCT)-based handcrafted and deep radiomics features.This retrospective study enrolled 339 female patients (primary cohort, n=177; validation cohort, n=162) with pathologically confirmed invasive breast cancer. Handcrafted and deep radiomics features were extracted from the MDCT images during the arterial phase. After the feature selection procedures, handcrafted and deep radiomics signatures and the combined model were built using multivariate logistic regression analysis. Performance was assessed by measures of discrimination, calibration, and clinical usefulness in the primary cohort and validated in the validation cohort.The handcrafted radiomics signature had a discriminative ability with a C-index of 0.739 [95% confidence interval (95% CI): 0.661-0.818] in the primary cohort and 0.695 (95% CI: 0.609-0.781) in the validation cohort. The deep radiomics signature also had a discriminative ability with a C-index of 0.760 (95% CI: 0.690-0.831) in the primary cohort and 0.777 (95% CI: 0.696-0.857) in the validation cohort. The combined model, which incorporated both the handcrafted and deep radiomics signatures, showed good discriminative ability with a C-index of 0.829 (95% CI: 0.767-0.890) in the primary cohort and 0.809 (95% CI: 0.740-0.879) in the validation cohort.Handcrafted and deep radiomics features from MDCT images were associated with HER2 status in patients with breast cancer. Thus, these features could provide complementary aid for the radiological evaluation of HER2 status in breast cancer.

Abstract Background We proposed an artificial intelligence-based immune index, Deep-immune score, quantifying the infiltration of immune cells interacting with the tumor stroma in hematoxylin and eosin-stained whole-slide images of colorectal cancer. Methods A total of 1010 colorectal cancer patients from three centers were enrolled in this retrospective study, divided into a primary (N = 544) and a validation cohort (N = 466). We proposed the Deep-immune score, which reflected both tumor stroma proportion and the infiltration of immune cells in the stroma region. We further analyzed the correlation between the score and CD3 + T cells density in the stroma region using immunohistochemistry-stained whole-slide images. Survival analysis was performed using the Cox proportional hazard model, and the endpoint of the event was the overall survival. Result Patients were classified into 4-level score groups (score 1–4). A high Deep-immune score was associated with a high level of CD3 + T cells infiltration in the stroma region. In the primary cohort, survival analysis showed a significant difference in 5-year survival rates between score 4 and score 1 groups: 87.4% vs. 58.2% (Hazard ratio for score 4 vs. score 1 0.27, 95% confidence interval 0.15–0.48, P < 0.001). Similar trends were observed in the validation cohort (89.8% vs. 67.0%; 0.31, 0.15–0.62, < 0.001). Stratified analysis showed that the Deep-immune score could distinguish high-risk and low-risk patients in stage II colorectal cancer (P = 0.018). Conclusion The proposed Deep-immune score quantified by artificial intelligence can reflect the immune status of patients with colorectal cancer and is associate with favorable survival. This digital pathology-based finding might advocate change in risk stratification and consequent precision medicine.

Abstract Background In colorectal cancer (CRC), mucinous adenocarcinoma differs from other adenocarcinomas in gene-phenotype, morphology, and prognosis. However, mucinous components are present in a large number of adenocarcinomas, and the prognostic value of mucus proportion has not been investigated. Artificial intelligence provides a way to quantify mucus proportion on whole-slide images (WSIs) accurately. We aimed to quantify mucus proportion by deep learning and further investigate its prognostic value in two CRC patient cohorts. Methods Deep learning was used to segment WSIs stained with hematoxylin and eosin. Mucus-tumor ratio (MTR) was defined as the proportion of mucinous component in the tumor area. A training cohort (N = 419) and a validation cohort (N = 315) were used to evaluate the prognostic value of MTR. Survival analysis was performed using the Cox proportional hazard model. Result Patients were stratified to mucus-low and mucus-high groups, with 24.1% as the threshold. In the training cohort, patients with mucus-high had unfavorable outcomes (hazard ratio for high vs. low 1.88, 95% confidence interval 1.18–2.99, P = 0.008), with 5-year overall survival rates of 54.8% and 73.7% in mucus-high and mucus-low groups, respectively. The results were confirmed in the validation cohort (2.09, 1.21–3.60, 0.008; 62.8% vs. 79.8%). The prognostic value of MTR was maintained in multivariate analysis for both cohorts. Conclusion The deep learning quantified MTR was an independent prognostic factor in CRC. With the advantages of advanced efficiency and high consistency, our method is suitable for clinical application and promotes precision medicine development.

Computerized image analysis for whole-slide images has been shown to improve efficiency, accuracy, and consistency in histopathology evaluations. We aimed to assess whether immunohistochemistry (IHC) image quantitative features can reflect the immune status and provide prognostic information for colorectal cancer patients. A fully automated pipeline was designed to extract histogram features from IHC digital images in a training set (N = 243). A Hist-Immune signature was generated with selected features using the LASSO Cox model. The results were validated using internal (N = 147) and external (N = 76) validation sets. The five-feature-based Hist-Immune signature was significantly associated with overall survival in training (HR 2.72, 95% CI 1.68–4.41, P < .001), internal (2.86, 1.28–6.39, 0.010), and external (2.30, 1.02–6.16, 0.044) validation sets. The full model constructed by integrating the Hist-Immune signature and clinicopathological factors had good discrimination ability (C-index 0.727, 95% CI 0.678–0.776), confirmed using internal (0.703, 0.621–0.784) and external (0.756, 0.653–0.859) validation sets. Our findings indicate that the Hist-Immune signature constructed based on the quantitative features could reflect the immune status of patients with colorectal cancer, which might advocate change in risk stratification and consequent precision medicine.