Los investigadores han desarrollado un modelo de IA pan-cáncer que predice cómo responderán los pacientes a la inmunoterapia con mayor precisión que los biomarcadores estándar en los que confían los médicos en la actualidad. El modelo, llamado COMPASS, se describió en un estudio publicado en Nature Medicine el 3 de julio de 2026 y se generaliza en diferentes tipos de tumores, regímenes de tratamiento y cohortes clínicas.

La inmunoterapia, en particular una clase de medicamentos conocidos como inhibidores de puntos de control inmunológico, ha transformado la atención del cáncer, pero sólo una minoría de los pacientes se beneficia. Para la cobertura de la industria de la IA que sigue cómo el aprendizaje automático está remodelando la medicina, COMPASS ofrece una visión detallada de cómo las técnicas de modelos básicos están pasando del lenguaje y las imágenes a la oncología.

El problema que aborda COMPASS

Los inhibidores de puntos de control inmunológico, o ICI, han mejorado drásticamente los resultados de algunos cánceres al liberar los frenos del sistema inmunológico para que pueda atacar los tumores. El problema es que las respuestas son desiguales. Sólo un subconjunto de pacientes logra una remisión duradera, mientras que muchos otros no ven ningún beneficio en absoluto, y los médicos tienen herramientas limitadas para saber de antemano quién responderá.

Los predictores clínicamente validados actualmente, principalmente la carga mutacional tumoral (TMB) y la expresión de una proteína llamada PD-L1, son imperfectos. Un análisis pan-cáncer de más de 27.000 pacientes tratados con ICI encontró sólo vínculos débiles o inconsistentes entre esos marcadores y las respuestas reales de los pacientes. El resultado es que los pacientes pueden verse expuestos a medicamentos que no les ayudarán, mientras que otros que podrían beneficiarse nunca son identificados.

COMPASS tiene como objetivo cerrar esa brecha aprendiendo conceptos interpretables y con base biológica sobre el microambiente inmunológico del tumor (TIME), la compleja interacción entre un tumor y las células inmunes que lo rodean.

Un concepto de modelo de base de cuello de botella

COMPASS está construido como un modelo conceptual de cuello de botella, una arquitectura diseñada para ser explicable en lugar de una caja negra. Procesa los datos de secuenciación del ARN tumoral de un paciente a través de un codificador de genes basado en un transformador que lee la expresión de 15.672 genes codificadores de proteínas. Luego, esas incrustaciones de genes se proyectan en 132 firmas genéticas seleccionadas y se agregan en 43 conceptos inmunológicos y de microambiente de alto nivel, produciendo una representación compacta de la dinámica inmune tumoral de cada paciente.

El modelo fue entrenado previamente mediante aprendizaje contrastivo autosupervisado en 10,184 tumores en 33 tipos de cáncer del Atlas del Genoma del Cáncer (TCGA). Al aprender primero de grandes cantidades de datos no etiquetados, COMPASS construye representaciones generalizables que luego pueden ajustarse en cohortes clínicas mucho más pequeñas, una propiedad importante dada la escasez de datos de inmunoterapia etiquetados.

Debido a que la arquitectura pasa información a través de conceptos legibles por humanos, los médicos pueden inspeccionar qué señales biológicas, como el agotamiento de las células T, los programas mieloides o la señalización inmunorreguladora, impulsaron una predicción determinada. Esto contrasta con muchos modelos de aprendizaje profundo que generan una puntuación sin explicar el razonamiento detrás de ella.

Resultados sólidos en todos los tipos de cáncer

Los investigadores evaluaron COMPASS en 1.133 pacientes extraídos de 16 cohortes clínicas que abarcaban siete tipos de cáncer, utilizando transcriptomas tumorales previos al tratamiento para predecir la respuesta a inhibidores de puntos de control, incluidos anti-PD-1/PD-L1, anti-CTLA-4 y terapias combinadas.

En una exigente evaluación de dejar una cohorte fuera, donde el modelo se prueba repetidamente en una cohorte que nunca había visto, COMPASS logró el mejor rendimiento promedio entre 22 modelos competidores. Mejoró la precisión de la predicción en un 8,5 por ciento y el área bajo la curva de recuerdo de precisión (AUPRC), una métrica clave cuando un resultado es mucho más raro que el otro, en un 15,7 por ciento.

El resultado más sorprendente se produjo en un ensayo de fase 2 sobre carcinoma urotelial metastásico, un cáncer de vejiga y tracto urinario. Los pacientes que COMPASS predijo que responderían sobrevivieron significativamente más tiempo que aquellos que predijo que no lo harían, con un índice de riesgo de 4,7 y un valor de P de 1,7 × 10⁻⁷. En esta medida, el modelo de IA superó a las pruebas TMB y PD-L1, los biomarcadores que se utilizan actualmente en la clínica.

Explicar por qué los pacientes responden o no

Más allá de la precisión bruta, COMPASS genera mapas de respuesta personalizados que conectan la expresión genética de un paciente con conceptos inmunológicos específicos. Estos mapas ayudan a explicar el mecanismo detrás de una predicción y exponen casos en los que las categorías convencionales inducen a error.

Por ejemplo, los médicos suelen clasificar los tumores utilizando tres fenotipos inmunológicos: inflamados, excluidos y desiertos. Pero COMPASS demostró que esta clasificación burda puede ser engañosa. Algunos pacientes con tumores "inflamados", que deberían predecir una buena respuesta, no respondieron debido a la supresión de señales impulsadas por una proteína llamada TGFβ, exclusión vascular o disfunción en ciertas células inmunes. Por el contrario, algunos pacientes cuyos tumores no parecían inflamados aún respondieron, porque conservaban actividad inmune citotóxica o portaban una alta carga mutacional sin señales inmunosupresoras.

Al resolver esas distinciones ocultas, COMPASS identifica estados inmunes funcionales que complementan, en lugar de simplemente reemplazar, los biomarcadores existentes.

¿Qué viene después?

El estudio subraya tanto la promesa como los límites de la IA en oncología. COMPASS se generaliza en todos los tipos y tratamientos de cáncer y puede adaptarse a cohortes clínicas pequeñas mediante un aprendizaje de transferencia eficiente en parámetros, incluido un modo de disparo cero que relaciona nuevos pacientes con casos similares sin capacitación adicional. Pero los autores señalan que la respuesta a la inmunoterapia depende de muchos factores más allá del transcriptoma, y ​​la adopción clínica requerirá una mayor validación en poblaciones más grandes y diversas.

El trabajo también refleja una tendencia más amplia: los modelos básicos previamente entrenados en vastos conjuntos de datos y luego adaptados a tareas médicas especializadas se están acercando a la clínica. La pregunta que la próxima ronda de ensayos tendrá que responder es si los conceptos aprendidos de la biología inmune de los tumores pueden traducirse en decisiones de tratamiento mejores y más rápidas para cada paciente.

Manténgase por delante de la IA

Los modelos de fundamentos están pasando cada vez más del texto y las imágenes a la medicina y las ciencias. Realice un seguimiento de los últimos desarrollos de IA que dan forma a la atención médica y la investigación.

Leer más noticias sobre IA →