Studienergebnisse zeigen, dass das KI-Modell COMPASS die Ergebnisse einer Krebsimmuntherapie für alle Tumortypen vorhersagt

Forscher haben ein KI-Modell für alle Krebsarten entwickelt, das genauer vorhersagt, wie Patienten auf eine Immuntherapie reagieren werden, als die Standard-Biomarker, auf die sich Ärzte heute verlassen. Das Modell mit dem Namen COMPASS wurde in einer am 3. Juli 2026 in Nature Medicine veröffentlichten Studie beschrieben und lässt sich auf verschiedene Tumortypen, Behandlungsschemata und klinische Kohorten verallgemeinern.

Die Immuntherapie, insbesondere eine Klasse von Medikamenten, die als Immun-Checkpoint-Inhibitoren bekannt sind, hat die Krebsbehandlung verändert, aber nur eine Minderheit der Patienten profitiert davon. Für die KI-Branchenberichterstattung, die zeigt, wie maschinelles Lernen die Medizin verändert, bietet COMPASS einen detaillierten Blick darauf, wie Grundlagenmodelltechniken von Sprache und Bildern in die Onkologie übergehen.

Das Problem, das COMPASS angeht

Immun-Checkpoint-Inhibitoren oder ICIs haben die Ergebnisse bei einigen Krebsarten dramatisch verbessert, indem sie die Bremsen des Immunsystems lösen, sodass es Tumore angreifen kann. Der Haken ist, dass die Reaktionen uneinheitlich sind. Nur ein Teil der Patienten erreicht eine dauerhafte Remission, während viele andere überhaupt keinen Nutzen sehen und Ärzte nur über begrenzte Mittel verfügen, um im Voraus zu sagen, wer darauf reagieren wird.

Die heutigen klinisch validierten Prädiktoren, vor allem die Tumormutationslast (TMB) und die Expression eines Proteins namens PD-L1, sind unvollständig. Eine Pan-Krebs-Analyse von mehr als 27.000 mit ICI behandelten Patienten ergab nur schwache oder inkonsistente Zusammenhänge zwischen diesen Markern und den tatsächlichen Patientenreaktionen. Das Ergebnis ist, dass Patienten möglicherweise Medikamenten ausgesetzt werden, die ihnen nicht helfen, während andere, die davon profitieren könnten, nie identifiziert werden.

COMPASS zielt darauf ab, diese Lücke zu schließen, indem interpretierbare, biologisch fundierte Konzepte über die Tumor-Immunmikroumgebung (TIME), das komplexe Zusammenspiel zwischen einem Tumor und den ihn umgebenden Immunzellen, erlernt werden.

Ein Konzept-Bottleneck-Foundation-Modell

COMPASS ist als konzeptionelles Engpassmodell aufgebaut, eine Architektur, die eher erklärbar als eine Blackbox ist. Es verarbeitet die Tumor-RNA-Sequenzierungsdaten eines Patienten über einen transformatorbasierten Genkodierer, der die Expression von 15.672 proteinkodierenden Genen liest. Diese Geneinbettungen werden dann auf 132 kuratierte Gensignaturen projiziert und zu 43 hochrangigen Immun- und Mikroumgebungskonzepten aggregiert, wodurch eine kompakte Darstellung der Tumor-Immundynamik jedes Patienten entsteht.

Das Modell wurde mithilfe selbstüberwachten kontrastiven Lernens an 10.184 Tumoren bei 33 Krebsarten aus dem Krebsgenomatlas (TCGA) vorab trainiert. Indem COMPASS zunächst aus großen Mengen unbeschrifteter Daten lernt, erstellt es verallgemeinerbare Darstellungen, die dann auf viel kleinere klinische Kohorten verfeinert werden können – eine wichtige Eigenschaft, wenn man bedenkt, wie selten beschriftete Immuntherapiedaten sind.

Da die Architektur Informationen über für Menschen lesbare Konzepte weiterleitet, können Ärzte untersuchen, welche biologischen Signale, wie z. B. T-Zell-Erschöpfung, myeloische Programme oder immunregulatorische Signale, eine bestimmte Vorhersage ausgelöst haben. Dies steht im Gegensatz zu vielen Deep-Learning-Modellen, die eine Bewertung ausgeben, ohne die dahinter stehende Begründung zu erläutern.

Starke Ergebnisse bei allen Krebsarten

Die Forscher untersuchten COMPASS an 1.133 Patienten aus 16 klinischen Kohorten mit sieben Krebsarten und verwendeten Tumortranskriptome vor der Behandlung, um die Reaktion auf Checkpoint-Inhibitoren, einschließlich Anti-PD-1/PD-L1-, Anti-CTLA-4- und Kombinationstherapien, vorherzusagen.

In einer anspruchsvollen „Leave-one-Cohort-Out“-Bewertung, bei der das Modell wiederholt an einer Kohorte getestet wird, die es noch nie gesehen hat, erzielte COMPASS die beste Durchschnittsleistung unter 22 konkurrierenden Modellen. Es verbesserte die Vorhersagegenauigkeit um 8,5 Prozent und die Fläche unter der Precision-Recall-Kurve (AUPRC), eine wichtige Kennzahl, wenn ein Ergebnis viel seltener ist als das andere, um 15,7 Prozent.

Das auffälligste Ergebnis kam in einer verzögerten Phase-2-Studie zum metastasierten Urothelkarzinom, einem Krebs der Blase und der Harnwege. Patienten, von denen COMPASS vorhersagte, dass sie ansprechen würden, überlebten deutlich länger als diejenigen, von denen erwartet wurde, dass dies nicht der Fall sein würde, mit einer Hazard-Ratio von 4,7 und einem P-Wert von 1,7 × 10⁻⁷. Bei dieser Messung übertraf das KI-Modell sowohl die TMB- als auch die PD-L1-Tests, die derzeit in der Klinik verwendeten Biomarker.

Erklären, warum Patienten reagieren oder nicht

COMPASS geht über reine Genauigkeit hinaus und generiert personalisierte Reaktionskarten, die die Genexpression eines Patienten mit spezifischen Immunkonzepten in Verbindung bringen. Diese Karten helfen, den Mechanismus hinter einer Vorhersage zu erklären, und sie zeigen Fälle auf, in denen die herkömmlichen Kategorien irreführend sind.

Beispielsweise klassifizieren Ärzte Tumore häufig anhand von drei Immunphänotypen: entzündet, ausgeschlossen und verlassen. Doch COMPASS hat gezeigt, dass diese grobe Sortierung trügerisch sein kann. Einige Patienten mit „entzündeten“ Tumoren, die eine gute Reaktion erwarten ließen, reagierten nicht, weil sie Signale unterdrückten, die durch ein Protein namens TGFβ ausgelöst wurden, Gefäßausschluss oder Funktionsstörung in bestimmten Immunzellen. Umgekehrt reagierten einige Patienten, deren Tumore nicht entzündet aussahen, dennoch, weil sie weiterhin eine zytotoxische Immunaktivität hatten oder eine hohe Mutationslast ohne immunsuppressive Signale trugen.

Durch die Auflösung dieser verborgenen Unterschiede identifiziert COMPASS funktionelle Immunzustände, die bestehende Biomarker ergänzen und nicht einfach ersetzen.

Was als nächstes kommt

Die Studie unterstreicht sowohl das Versprechen als auch die Grenzen der KI in der Onkologie. COMPASS verallgemeinert sich über alle Krebsarten und Behandlungen hinweg und kann durch parametereffizientes Transferlernen an kleine klinische Kohorten angepasst werden, einschließlich eines Zero-Shot-Modus, der neue Patienten ohne zusätzliche Schulung ähnlichen Fällen zuordnet. Die Autoren weisen jedoch darauf hin, dass das Ansprechen auf die Immuntherapie von vielen Faktoren abhängt, die über das Transkriptom hinausgehen, und dass die klinische Einführung eine weitere Validierung in größeren und vielfältigeren Bevölkerungsgruppen erfordert.

Die Arbeit spiegelt auch einen breiteren Trend wider: Grundlagenmodelle, die auf umfangreichen Datensätzen vorab trainiert und dann an spezielle medizinische Aufgaben angepasst wurden, rücken näher an die Klinik. Ob Konzepte aus der Tumorimmunbiologie zu besseren und schnelleren Behandlungsentscheidungen für einzelne Patienten führen können, ist die Frage, die in der nächsten Studienrunde beantwortet werden muss.

Bleiben Sie der KI immer einen Schritt voraus

Stiftungsmodelle verlagern sich zunehmend von Text und Bild in die Medizin und die Naturwissenschaften. Verfolgen Sie die neuesten KI-Entwicklungen, die das Gesundheitswesen und die Forschung prägen.

Weitere KI-Neuigkeiten lesen →