محققان یک مدل هوش مصنوعی پان سرطانی را توسعه دادهاند که پیشبینی میکند بیماران چگونه به ایمونوتراپی با دقت بیشتری نسبت به نشانگرهای زیستی استانداردی که پزشکان امروز به آن اعتماد دارند، پاسخ میدهند. این مدل که COMPASS نام دارد، در مطالعهای که در 3 جولای 2026 در Nature Medicine منتشر شد، توصیف شد و در انواع مختلف تومور، رژیمهای درمانی و گروههای بالینی تعمیم مییابد.
ایمونوتراپی، بهویژه دستهای از داروها که به عنوان مهارکنندههای ایست بازرسی ایمنی شناخته میشوند، مراقبت از سرطان را متحول کردهاند، اما تنها تعداد کمی از بیماران از آن سود میبرند. برای [پوشش صنعت هوش مصنوعی] (https://aibuzzwire.news) به دنبال چگونگی تغییر شکل یادگیری ماشینی در پزشکی، COMPASS نگاهی دقیق به نحوه حرکت تکنیکهای مدل پایه از زبان و تصاویر به انکولوژی ارائه میدهد.
مشکل COMPASS را برطرف می کند
مهارکنندههای ایست بازرسی ایمنی یا ICI، با رها کردن ترمزهای سیستم ایمنی، به طور چشمگیری نتایج برخی سرطانها را بهبود بخشیدهاند تا بتواند به تومورها حمله کند. نکته این است که پاسخ ها ناهموار هستند. تنها زیرمجموعهای از بیماران به بهبودی پایدار میرسند، در حالی که بسیاری دیگر هیچ فایدهای ندارند، و پزشکان ابزارهای محدودی برای تشخیص از قبل دارند که چه کسی پاسخ میدهد.
پیشبینیکنندههای بالینی معتبر امروزی، عمدتاً بار جهشی تومور (TMB) و بیان پروتئینی به نام PD-L1، ناقص هستند. تجزیه و تحلیل پان سرطان بیش از 27000 بیمار تحت درمان با ICI تنها پیوندهای ضعیف یا ناسازگاری را بین این نشانگرها و پاسخ های واقعی بیمار نشان داد. نتیجه این است که بیماران ممکن است در معرض داروهایی قرار بگیرند که به آنها کمکی نمی کند، در حالی که سایرین که ممکن است سودمند باشند هرگز شناسایی نمی شوند.
هدف COMPASS این است که این شکاف را با یادگیری مفاهیم قابل تفسیر و مبتنی بر بیولوژیکی در مورد ریزمحیط ایمنی تومور (TIME)، فعل و انفعال پیچیده بین تومور و سلولهای ایمنی اطراف آن، ببندد.
یک مدل بنیادی تنگنای مفهومی
COMPASS به عنوان یک مدل مفهومی تنگنا ساخته شده است، معماری طراحی شده برای توضیح دادن به جای یک جعبه سیاه. داده های توالی RNA تومور بیمار را از طریق یک رمزگذار ژن مبتنی بر ترانسفورماتور پردازش می کند که بیان 15672 ژن کد کننده پروتئین را می خواند. سپس آن جاسازیهای ژنی بر روی 132 امضای ژنی پیشبینی شده و در 43 مفهوم سطح بالا ایمنی و ریزمحیط جمعآوری میشوند و نمایش فشردهای از پویایی تومور-ایمنی هر بیمار ایجاد میکنند.
این مدل با استفاده از یادگیری متضاد تحت نظارت خود بر روی 10184 تومور در 33 نوع سرطان از اطلس ژنوم سرطان (TCGA) از قبل آموزش داده شد. COMPASS با یادگیری از مقادیر زیادی از دادههای بدون برچسب ابتدا بازنماییهای قابل تعمیم ایجاد میکند که سپس میتوان آنها را در گروههای بالینی بسیار کوچکتر تنظیم کرد، یک ویژگی مهم با توجه به کمیاب بودن دادههای ایمونوتراپی برچسبگذاری شده.
از آنجایی که معماری اطلاعات را از طریق مفاهیم قابل خواندن برای انسان منتقل می کند، پزشکان می توانند بررسی کنند که کدام سیگنال های بیولوژیکی، مانند فرسودگی سلول های T، برنامه های میلوئیدی، یا سیگنال های تنظیم کننده ایمنی، پیش بینی خاصی را انجام می دهند. این در تضاد با بسیاری از مدل های یادگیری عمیق است که بدون توضیح دلیل پشت آن، نمره را به دست می آورند.
نتایج قوی در سراسر سرطان
محققان COMPASS را بر روی 1133 بیمار که از 16 گروه بالینی شامل هفت نوع سرطان، با استفاده از رونوشتهای تومور قبل از درمان برای پیشبینی پاسخ به مهارکنندههای ایست بازرسی شامل anti-PD-1/PD-L1، anti-CTLA-4 و درمانهای ترکیبی، ارزیابی کردند.
در یک ارزیابی درخواستی ترک یک همگروهی، که در آن مدل به طور مکرر بر روی گروهی که هرگز ندیده است آزمایش می شود، COMPASS بهترین عملکرد متوسط را در بین 22 مدل رقیب به دست آورد. دقت پیشبینی را تا 8.5 درصد و سطح زیر منحنی فراخوانی دقیق (AUPRC) را بهبود بخشید که یک معیار کلیدی در زمانی که یک نتیجه بسیار نادرتر از دیگری است، تا 15.7 درصد.
چشمگیرترین نتیجه در یک کارآزمایی فاز 2 در مورد کارسینوم یوروتلیال متاستاتیک، سرطان مثانه و مجاری ادراری بود. بیمارانی که COMPASS پیشبینی میکرد پاسخ میدهند به طور قابلتوجهی طولانیتر از بیمارانی که پیشبینی نمیکرد زنده ماندند، با نسبت خطر 4.7 و مقدار P 1.7 × 10-7. در این اندازه گیری، مدل هوش مصنوعی از هر دو تست TMB و PD-L1، نشانگرهای زیستی که در حال حاضر در کلینیک استفاده می شود، بهتر عمل کرد.
توضیح اینکه چرا بیماران پاسخ می دهند یا نمی کنند
فراتر از دقت خام، COMPASS نقشههای پاسخ شخصیسازی شده را تولید میکند که بیان ژن بیمار را به مفاهیم ایمنی خاص متصل میکند. این نقشهها به توضیح مکانیسم پشت پیشبینی کمک میکنند و مواردی را که دستهبندیهای مرسوم گمراه میکنند، آشکار میکنند.
به عنوان مثال، پزشکان اغلب تومورها را با استفاده از سه فنوتیپ ایمنی طبقه بندی می کنند: ملتهب، حذف شده و بیابان. اما COMPASS نشان داد که این مرتب سازی درشت می تواند فریبنده باشد. برخی از بیماران مبتلا به تومورهای ملتهب، که باید پاسخ خوبی را پیشبینی کنند، به دلیل سرکوب سیگنالهای ناشی از پروتئینی به نام TGFβ، طرد عروق یا اختلال در عملکرد سلولهای ایمنی خاص، پاسخ ندادند. برعکس، برخی از بیمارانی که تومورهایشان ملتهب به نظر نمی رسید، همچنان پاسخ دادند، زیرا فعالیت ایمنی سیتوتوکسیک را حفظ کردند یا بار جهشی بالایی را بدون سیگنال های سرکوب کننده سیستم ایمنی حمل کردند.
با حل این تمایزات پنهان، COMPASS حالتهای ایمنی عملکردی را شناسایی میکند که به جای جایگزینی ساده نشانگرهای زیستی موجود، مکمل هستند.
بعد چه می آید
این مطالعه بر نوید و محدودیت های هوش مصنوعی در سرطان شناسی تاکید می کند. COMPASS انواع سرطان و درمانها را تعمیم میدهد و میتواند از طریق یادگیری انتقال کارآمد از نظر پارامتر، از جمله حالت صفر شات که بیماران جدید را با موارد مشابه بدون آموزش اضافی مطابقت میدهد، با گروههای بالینی کوچک سازگار شود. اما نویسندگان خاطرنشان می کنند که پاسخ ایمونوتراپی به عوامل بسیاری فراتر از رونوشت بستگی دارد و پذیرش بالینی به اعتبار بیشتر در جمعیت های بزرگتر و متنوع تر نیاز دارد.
این کار همچنین گرایش گستردهتری را منعکس میکند: مدلهای بنیادی که بر روی مجموعه دادههای وسیع از قبل آموزش داده شده و سپس با وظایف تخصصی پزشکی سازگار شدهاند، به کلینیک نزدیکتر میشوند. این که آیا مفاهیم آموخته شده از بیولوژی ایمنی تومور می تواند به تصمیمات درمانی بهتر و سریعتر برای بیماران منفرد ترجمه شود یا خیر، سوالی است که دور بعدی کارآزمایی ها باید به آن پاسخ دهند.
از هوش مصنوعی جلوتر بمانید
مدل های بنیادی به طور فزاینده ای از متن و تصویر به سمت پزشکی و علوم حرکت می کنند. [آخرین پیشرفتهای هوش مصنوعی] (https://aibuzzwire.news) را دنبال کنید که مراقبتهای بهداشتی و تحقیقاتی را شکل میدهد.
اخبار هوش مصنوعی را بیشتر بخوانید →
