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.

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.

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.

Purpose: Accumulating evidence revealed the predictive value of tumor-infiltrating lymphocytes (TILs) for neoadjuvant chemoradiotherapy (nCRT) response in solid tumors. This study quantified TILs density using hematoxylin and eosin (H&E) stained whole-slide images (WSIs) and investigated the predictive value of TILs density on nCRT response in locally advanced rectal cancer (LARC) patients. Patients and Methods: Two hundred and ten patients diagnosed with LARC were enrolled in this study. The density of TILs in the stroma region was quantified by a semi-automatic method in WSIs. Patients were stratified into low-TILs and high-TILs groups using the median value as the threshold. The tumor regression grade (TRG) was used to assess the response to nCRT in tumor resected specimens. Based on TRG, patients were classified into major-responder (TRG 0– 1) and non-responder (TRG 2– 3) groups. Results: The TILs density was significantly correlated with the nCRT response. Specifically, patients with high-TILs tend to have a higher major-responder rate than the low-TILs group (63.8% vs 47.6%, P = 0.026). Univariate analysis showed the TILs density was a predictor for the nCRT response (high vs low, odds ratio [OR] =1.94, 95% confidence interval 1.12– 3.37, P = 0.019), and multivariate analysis further confirmed the correlation (adjusted odds ratio [AOR] = 2.41, 1.28– 4.56, P = 0.007). Conclusion: Patients with a high-TIL density have a higher major-responder rate than the low-TILs group, indicating patients with a strong immune response benefit more from nCRT. This semi-automatic method can facilitate the individualized preoperative prediction of the TRG for LARC patients before nCRT. Keywords: tumor-infiltrating lymphocytes, locally advanced rectal cancer, neoadjuvant chemoradiotherapy response, tumor regression grade, digital pathology

Distinguishing anorectal malignant melanoma from low rectal cancer remains challenging because of the overlap of clinical symptoms and imaging findings. We aim to investigate whether combining quantitative and qualitative magnetic resonance imaging (MRI) features could differentiate anorectal malignant melanoma from low rectal cancer.

Pathological axillary lymph node (pALN) burden is an important factor for treatment decision-making in clinical T1-T2 (cT1-T2) stage breast cancer. Preoperative assessment of the pALN burden and prognosis aids in the individualized selection of therapeutic approaches.