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.

To predict preoperative staging using a radiomics approach based on computed tomography (CT) images of patients with esophageal squamous cell carcinoma (ESCC).This retrospective study included 154 patients (primary cohort: n=114; validation cohort: n=40) with pathologically confirmed ESCC. All patients underwent a preoperative CT scan from the neck to abdomen. High throughput and quantitative radiomics features were extracted from the CT images for each patient. A radiomics signature was constructed using the least absolute shrinkage and selection operator (Lasso). Associations between radiomics signature, tumor volume and ESCC staging were explored. Diagnostic performance of radiomics approach and tumor volume for discriminating between stages I-II and III-IV was evaluated and compared using the receiver operating characteristics (ROC) curves and net reclassification improvement (NRI).A total of 9,790 radiomics features were extracted. Ten features were selected to build a radiomics signature after feature dimension reduction. The radiomics signature was significantly associated with ESCC staging (P<0.001), and yielded a better performance for discrimination of early and advanced stage ESCC compared to tumor volume in both the primary [area under the receiver operating characteristic curve (AUC): 0.795vs. 0.694, P=0.003; NRI=0.424)] and validation cohorts (AUC: 0.762 vs. 0.624, P=0.035; NRI=0.834).The quantitative approach has the potential to identify stage I-II and III-IV ESCC before treatment.

Background: Lymph node (LN) metastasis is the most important prognostic factor in esophageal squamous cell carcinoma (ESCC). Traditional clinical factor and existing methods based on CT images are insufficiently effective in diagnosing LN metastasis. A more efficient method to predict LN status based on CT image is needed. Methods: In this multicenter retrospective study, 411 patients with pathologically confirmed ESCC were registered from two hospitals. Quantitative image features including handcrafted-, computer vision-(CV-), and deep-features were extracted from preoperative arterial phase CT images for each patient. A handcrafted-, CV-, and deep-radiomics signature were built, respectively. Then, multiple radiomics models were constructed by merging independent clinical risk factor into radiomics signatures. The performance of models were evaluated with respect to the discrimination, calibration, and clinical usefulness. Finally, an independent external validation cohort was used to validate the model's predictive performance. Results: Five, seven, and nine features were selected for building handcrafted-, CV-, and deep-radiomics signatures from extracted features, respectively. Those signatures were statistically significant different between LN-positive and LN-negative patients in all cohorts (p < 0.001). The developed multiple level CT radiomics model that integrates multiple radiomics signatures with clinical risk factor, was superior to traditional clinical factors and the results reported by existing methods, and achieved satisfactory discrimination performance with C-statistic of 0.875 in development cohort, 0.874 in internal validation cohort and 0.840 in independent external validation cohort. Nomogram and decision curve analysis (DCA) further confirmed our method may serve as an effective tool for clinicians to evaluate the risk of LN metastasis in patients with ESCC and further choose treatment strategy. Conclusions: The proposed multiple level CT radiomics model which integrate multiple level radiomics features into clinical risk factor can be used for preoperative predicting LN metastasis of patients with ESCC.

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

Abstract To reduce the variability of radiomics features caused by computed tomography (CT) imaging protocols through using a generative adversarial network (GAN) method. In this study, we defined a set of images acquired with a certain imaging protocol as a domain, and a total of four domains (A, B, C, and T [target]) from three different scanners was included. In data set#1, 60 patients for each domain were collected. Data sets#2 and #3 included 40 slices of spleen for each of the domains. In data set#4, the slices of three colorectal cancer groups ( n = 28, 38 and 32) were separately retrieved from three different scanners, and each group contained short-term and long-term survivors. Seventy-seven features were extracted for evaluation by comparing the feature distributions. First, we trained the GAN model on data set#1 to learn how to normalize images from domains A, B and C to T. Next, by comparing feature distributions between normalized images of the different domains, we identified the appropriate model and assessed it, in data set#2 and data set#3, respectively. Finally, to investigate whether our proposed method could facilitate multicenter radiomics analysis, we built the least absolute shrinkage and selection operator classifier to distinguish short-term from long-term survivors based on a certain group in data set#4, and validate it in another two groups, which formed a cross-validation between groups in data set#4. After normalization, the percentage of aligned features between domains A versus T, B versus T, and C versus T increased from 10.4 %, 18.2% and 50.1% to 93.5%, 89.6% and 77.9%, respectively. In the cross-validation results, the average improvement of the area under the receiver operating characteristic curve achieved 11% (3%–32%). Our proposed GAN-based normalization method could reduce the variability of radiomics features caused by different CT imaging protocols and facilitate multicenter radiomics analysis.

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.

Purpose: This study aimed to develop and validate a nomogram for predicting the malignancy of small (8–20 mm) solid indeterminate solitary pulmonary nodules (SPNs) in a Chinese population by using routine clinical and computed tomography data. Methods: The prediction model was developed using a retrospective cohort that comprised 493 consecutive patients with small indeterminate SPNs who were treated between December 2012 and December 2016. The model was independently validated using a second retrospective cohort comprising 216 consecutive patients treated between January 2017 and May 2018. The investigated variables included patient characteristics (e.g., age and smoking history), nodule parameters (e.g., marginal spiculation and significant enhancement), and tumor biomarker levels (e.g., carcinoembryonic antigen). A prediction model was developed by using multivariable logistic regression analysis, and the model's performance was presented as a nomogram. The model was evaluated based on its discriminative ability, calibration, and clinical usefulness. Results: The developed nomogram was ultimately based on age, marginal spiculation, significant enhancement, and pleural indentation. The Harrell concordance index values were 0.869 in the training cohort (95% confidence interval: 0.837–0.901) and 0.847 in the validation cohort (95% confidence interval: 0.792–0.902). The Hosmer-Lemeshow test revealed good calibration in each of the training and validation cohorts. Decision curve analysis confirmed that the nomogram was clinically useful (risk threshold from 0.10 to 0.85). Conclusion: Patient age, marginal spiculation, significant enhancement, and pleural indentation are independent predictors of malignancy in small indeterminate solid SPNs. The developed nomogram is easy-to-use and may allow the accurate prediction of malignancy in small indeterminate solid SPNs among Chinese patients. Keywords: lung cancer, solitary pulmonary nodule, solid nodule, nomogram, China