With the increasing ability to routinely and rapidly digitize whole slide images with slide scanners, there has been interest in developing computerized image analysis algorithms for automated detection of disease extent from digital pathology images. The manual identification of presence and extent of breast cancer by a pathologist is critical for patient management for tumor staging and assessing treatment response. However, this process is tedious and subject to inter- and intra-reader variability. For computerized methods to be useful as decision support tools, they need to be resilient to data acquired from different sources, different staining and cutting protocols and different scanners. The objective of this study was to evaluate the accuracy and robustness of a deep learning-based method to automatically identify the extent of invasive tumor on digitized images. Here, we present a new method that employs a convolutional neural network for detecting presence of invasive tumor on whole slide images. Our approach involves training the classifier on nearly 400 exemplars from multiple different sites, and scanners, and then independently validating on almost 200 cases from The Cancer Genome Atlas. Our approach yielded a Dice coefficient of 75.86%, a positive predictive value of 71.62% and a negative predictive value of 96.77% in terms of pixel-by-pixel evaluation compared to manually annotated regions of invasive ductal carcinoma.

Women with inherited mutations in the BRCA1 gene have increased risk of developing breast cancer but also exhibit a predisposition for the development of aggressive basal-like breast tumors. We report here that breast epithelial cells derived from patients harboring deleterious mutations in BRCA1 (BRCA1mut/+) give rise to tumors with increased basal differentiation relative to cells from BRCA1+/+ patients. Molecular analysis of disease-free breast tissues from BRCA1mut/+ patients revealed defects in progenitor cell lineage commitment even before cancer incidence. Moreover, we discovered that the transcriptional repressor Slug is an important functional suppressor of human breast progenitor cell lineage commitment and differentiation and that it is aberrantly expressed in BRCA1mut/+ tissues. Slug expression is necessary for increased basal-like phenotypes prior to and after neoplastic transformation. These findings demonstrate that the genetic background of patient populations, in addition to affecting incidence rates, significantly impacts progenitor cell fate commitment and, therefore, tumor phenotype.

Breast cancer (BCa) grading plays an important role in predicting disease aggressiveness and patient outcome. A key component of BCa grade is the mitotic count, which involves quantifying the number of cells in the process of dividing (i.e., undergoing mitosis) at a specific point in time. Currently, mitosis counting is done manually by a pathologist looking at multiple high power fields (HPFs) on a glass slide under a microscope, an extremely laborious and time consuming process. The development of computerized systems for automated detection of mitotic nuclei, while highly desirable, is confounded by the highly variable shape and appearance of mitoses. Existing methods use either handcrafted features that capture certain morphological, statistical, or textural attributes of mitoses or features learned with convolutional neural networks (CNN). Although handcrafted features are inspired by the domain and the particular application, the data-driven CNN models tend to be domain agnostic and attempt to learn additional feature bases that cannot be represented through any of the handcrafted features. On the other hand, CNN is computationally more complex and needs a large number of labeled training instances. Since handcrafted features attempt to model domain pertinent attributes and CNN approaches are largely supervised feature generation methods, there is an appeal in attempting to combine these two distinct classes of feature generation strategies to create an integrated set of attributes that can potentially outperform either class of feature extraction strategies individually. We present a cascaded approach for mitosis detection that intelligently combines a CNN model and handcrafted features (morphology, color, and texture features). By employing a light CNN model, the proposed approach is far less demanding computationally, and the cascaded strategy of combining handcrafted features and CNN-derived features enables the possibility of maximizing the performance by leveraging the disconnected feature sets. Evaluation on the public ICPR12 mitosis dataset that has 226 mitoses annotated on 35 HPFs ([Formula: see text] magnification) by several pathologists and 15 testing HPFs yielded an [Formula: see text]-measure of 0.7345. Our approach is accurate, fast, and requires fewer computing resources compared to existent methods, making this feasible for clinical use.

Abstract Circulating tumor cells (CTC) seed cancer metastases; however, the underlying cellular and molecular mechanisms remain unclear. CTC clusters were less frequently detected but more metastatic than single CTCs of patients with triple-negative breast cancer and representative patient-derived xenograft models. Using intravital multiphoton microscopic imaging, we found that clustered tumor cells in migration and circulation resulted from aggregation of individual tumor cells rather than collective migration and cohesive shedding. Aggregated tumor cells exhibited enriched expression of the breast cancer stem cell marker CD44 and promoted tumorigenesis and polyclonal metastasis. Depletion of CD44 effectively prevented tumor cell aggregation and decreased PAK2 levels. The intercellular CD44–CD44 homophilic interactions directed multicellular aggregation, requiring its N-terminal domain, and initiated CD44–PAK2 interactions for further activation of FAK signaling. Our studies highlight that CD44+ CTC clusters, whose presence is correlated with a poor prognosis of patients with breast cancer, can serve as novel therapeutic targets of polyclonal metastasis. Significance: CTCs not only serve as important biomarkers for liquid biopsies, but also mediate devastating metastases. CD44 homophilic interactions and subsequent CD44–PAK2 interactions mediate tumor cluster aggregation. This will lead to innovative biomarker applications to predict prognosis, facilitate development of new targeting strategies to block polyclonal metastasis, and improve clinical outcomes. See related commentary by Rodrigues and Vanharanta, p. 22. This article is highlighted in the In This Issue feature, p. 1

Digital pathology (DP), referring to the digitization of tissue slides, is beginning to change the landscape of clinical diagnostic workflows and has engendered active research within the area of computational pathology. One of the challenges in DP is the presence of artefacts and batch effects, unintentionally introduced during both routine slide preparation (eg, staining, tissue folding) and digitization (eg, blurriness, variations in contrast and hue). Manual review of glass and digital slides is laborious, qualitative, and subject to intra- and inter-reader variability. Therefore, there is a critical need for a reproducible automated approach of precisely localizing artefacts to identify slides that need to be reproduced or regions that should be avoided during computational analysis.

Importance

 There has been significant recent interest in understanding the utility of quantitative imaging to delineate breast cancer intrinsic biological factors and therapeutic response. No clinically accepted biomarkers are as yet available for estimation of response to human epidermal growth factor receptor 2 (currently known asERBB2, but referred to asHER2in this study)–targeted therapy in breast cancer. 

Objective

 To determine whether imaging signatures on clinical breast magnetic resonance imaging (MRI) could noninvasively characterizeHER2-positive tumor biological factors and estimate response toHER2-targeted neoadjuvant therapy. 

Design, Setting, and Participants

 In a retrospective diagnostic study encompassing 209 patients with breast cancer, textural imaging features extracted within the tumor and annular peritumoral tissue regions on MRI were examined as a means to identify increasingly granular breast cancer subgroups relevant to therapeutic approach and response. First, among a cohort of 117 patients who received an MRI prior to neoadjuvant chemotherapy (NAC) at a single institution from April 27, 2012, through September 4, 2015, imaging features that distinguishedHER2+ tumors from other receptor subtypes were identified. Next, among a cohort of 42 patients withHER2+ breast cancers with available MRI and RNaseq data accumulated from a multicenter, preoperative clinical trial (BrUOG 211B), a signature of the response-associatedHER2-enriched (HER2-E) molecular subtype withinHER2+ tumors (n = 42) was identified. The association of this signature with pathologic complete response was explored in 2 patient cohorts from different institutions, where all patients receivedHER2-targeted NAC (n = 28, n = 50). Finally, the association between significant peritumoral features and lymphocyte distribution was explored in patients within the BrUOG 211B trial who had corresponding biopsy hematoxylin-eosin–stained slide images. Data analysis was conducted from January 15, 2017, to February 14, 2019. 

Main Outcomes and Measures

 Evaluation of imaging signatures by the area under the receiver operating characteristic curve (AUC) in identifyingHER2+ molecular subtypes and distinguishing pathologic complete response (ypT0/is) to NAC withHER2-targeting. 

Results

 In the 209 patients included (mean [SD] age, 51.1 [11.7] years), features from the peritumoral regions better discriminatedHER2-E tumors (maximum AUC, 0.85; 95% CI, 0.79-0.90; 9-12 mm from the tumor) compared with intratumoral features (AUC, 0.76; 95% CI, 0.69-0.84). A classifier combining peritumoral and intratumoral features identified theHER2-E subtype (AUC, 0.89; 95% CI, 0.84-0.93) and was significantly associated with response toHER2-targeted therapy in both validation cohorts (AUC, 0.80; 95% CI, 0.61-0.98 and AUC, 0.69; 95% CI, 0.53-0.84). Features from the 0- to 3-mm peritumoral region were significantly associated with the density of tumor-infiltrating lymphocytes (R² = 0.57; 95% CI, 0.39-0.75;P = .002). 

Conclusions and Relevance

 A combination of peritumoral and intratumoral characteristics appears to identify intrinsic molecular subtypes ofHER2+ breast cancers from imaging, offering insights into immune response within the peritumoral environment and suggesting potential benefit for treatment guidance.