
De studie includeerde 1924 patiënten met (één van zes typen) GI-maligniteiten uit zeven cohorten. TLSs werden gedetecteerd in 62 van 155 slokdarmcarcinomen (40,0%) tot 267 van 353 maagcarcinomen (75,6%). Het machine learning model had hoge accuratesse voor het detecteren in en drie klassen onderverdelen van TLSs: TLS1 (97,7%; 95%-bti 96,4-99,0), TLS2 (96,3%; 94,6-98,0), en TLS3 (95,7%; 93,9-95,7). Over de zes typen maligniteiten konden patiënten worden gestratificeerd in drie risicogroepen (hogere versus lagere TLS-score versus geen TLS). Zowel hogere versus lagere TLS-score (HR 0,27; p<0,001) en lagere TLS-score versus geen TLS (HR 0,65; p<0,001) waren geassocieerd met betere overall survival. TLS-score bleef een onafhankelijke prognostische factor voor overleving na correctie voor klinisch-pathologische variabelen en tumor-infiltrerende lymfocyten.
De onderzoekers concluderen dat het machine learning model accurate detectie en klassering van TLSs mogelijk maakte.
1.Li Z, Jiang Y, Li B et al. Development and validation of a machine learning model for detection and classification of tertiary lymphoid structures in gastrointestinal cancers. JAMA Network Open 2023;6:e2252553
Summary: A multinational study resulted in development and validation of a machine learning model for detection and classification of tertiary lymphoid structures.