Le modèle COMPASS AI prédit les résultats de l’immunothérapie anticancéreuse pour tous les types de tumeurs, selon une étude

Les chercheurs ont développé un modèle d’IA pancancer qui prédit la façon dont les patients répondront à l’immunothérapie avec plus de précision que les biomarqueurs standards sur lesquels les médecins s’appuient aujourd’hui. Le modèle, appelé COMPASS, a été décrit dans une étude publiée dans Nature Medicine le 3 juillet 2026 et se généralise à différents types de tumeurs, schémas thérapeutiques et cohortes cliniques.

L'immunothérapie, en particulier une classe de médicaments appelés inhibiteurs de points de contrôle immunitaires, a transformé les soins contre le cancer, mais seule une minorité de patients en bénéficient. Pour la Couverture de l'industrie de l'IA qui suit la manière dont l'apprentissage automatique remodèle la médecine, COMPASS propose un aperçu détaillé de la façon dont les techniques de modèles de base passent du langage et des images à l'oncologie.

Le problème auquel COMPASS s'attaque

Les inhibiteurs de points de contrôle immunitaires, ou ICI, ont considérablement amélioré les résultats de certains cancers en relâchant les freins du système immunitaire afin qu'il puisse attaquer les tumeurs. Le hic, c’est que les réponses sont inégales. Seul un sous-groupe de patients obtient une rémission durable, tandis que de nombreux autres n’y voient aucun bénéfice, et les médecins disposent d’outils limités pour savoir à l’avance qui réagira.

Les prédicteurs cliniquement validés actuels, principalement la charge mutationnelle tumorale (TMB) et l'expression d'une protéine appelée PD-L1, sont imparfaits. Une analyse pan-cancer de plus de 27 000 patients traités par ICI n'a révélé que des liens faibles ou incohérents entre ces marqueurs et les réponses réelles des patients. Le résultat est que les patients peuvent être exposés à des médicaments qui ne les aideront pas, tandis que d’autres qui pourraient en bénéficier ne sont jamais identifiés.

COMPASS vise à combler cette lacune en apprenant des concepts interprétables et biologiquement fondés sur le microenvironnement immunitaire tumoral (TIME), l'interaction complexe entre une tumeur et les cellules immunitaires qui l'entourent.

Un modèle de fondation de goulot d'étranglement conceptuel

COMPASS est construit comme un modèle de goulot d'étranglement, une architecture conçue pour être explicable plutôt que comme une boîte noire. Il traite les données de séquençage de l'ARN tumoral d'un patient via un codeur génétique basé sur un transformateur qui lit l'expression de 15 672 gènes codant pour des protéines. Ces intégrations de gènes sont ensuite projetées sur 132 signatures génétiques organisées et regroupées en 43 concepts immunitaires et microenvironnementaux de haut niveau, produisant une représentation compacte de la dynamique immunitaire tumorale de chaque patient.

Le modèle a été pré-entraîné à l’aide d’un apprentissage contrastif auto-supervisé sur 10 184 tumeurs réparties dans 33 types de cancer du Cancer Genome Atlas (TCGA). En apprenant d’abord de grandes quantités de données non étiquetées, COMPASS construit des représentations généralisables qui peuvent ensuite être affinées sur des cohortes cliniques beaucoup plus petites, une propriété importante étant donné la rareté des données d’immunothérapie étiquetées.

Parce que l'architecture transmet les informations à travers des concepts lisibles par l'homme, les cliniciens peuvent inspecter quels signaux biologiques, tels que l'épuisement des lymphocytes T, les programmes myéloïdes ou la signalisation immunorégulatrice, ont conduit à une prédiction donnée. Cela contraste avec de nombreux modèles d’apprentissage profond qui génèrent un score sans expliquer le raisonnement qui le sous-tend.

Résultats solides dans les cancers

Les chercheurs ont évalué COMPASS sur 1 133 patients issus de 16 cohortes cliniques couvrant sept types de cancer, en utilisant des transcriptomes tumoraux avant traitement pour prédire la réponse aux inhibiteurs de points de contrôle, notamment les anti-PD-1/PD-L1, les anti-CTLA-4 et les thérapies combinées.

Dans une évaluation exigeante sans une seule cohorte, où le modèle est testé à plusieurs reprises sur une cohorte qu'il n'a jamais vue, COMPASS a obtenu la meilleure performance moyenne parmi 22 modèles concurrents. Il a amélioré la précision des prédictions de 8,5 pour cent et l’aire sous la courbe précision-rappel (AUPRC), une mesure clé lorsqu’un résultat est beaucoup plus rare que l’autre, de 15,7 pour cent.

Le résultat le plus frappant est survenu dans un essai de phase 2 sur le carcinome urothélial métastatique, un cancer de la vessie et des voies urinaires. Les patients dont COMPASS prédisait qu'ils répondraient ont survécu beaucoup plus longtemps que ceux qui, selon COMPASS, ne le feraient pas, avec un rapport de risque de 4,7 et une valeur P de 1,7 × 10⁻⁷. Sur cette mesure, le modèle d’IA a surpassé les tests TMB et PD-L1, les biomarqueurs actuellement utilisés en clinique.

Expliquer pourquoi les patients répondent ou non

Au-delà de la précision brute, COMPASS génère des cartes de réponses personnalisées qui relient l'expression génétique d'un patient à des concepts immunitaires spécifiques. Ces cartes aident à expliquer le mécanisme derrière une prédiction et exposent les cas où les catégories conventionnelles induisent en erreur.

Par exemple, les médecins classent souvent les tumeurs selon trois phénotypes immunitaires : enflammée, exclue et désertique. Mais COMPASS a montré que ce tri grossier peut être trompeur. Certains patients atteints de tumeurs « enflammées », qui devraient prédire une bonne réponse, n'ont pas répondu en raison de la suppression des signaux provoqués par une protéine appelée TGFβ, de l'exclusion vasculaire ou d'un dysfonctionnement de certaines cellules immunitaires. À l’inverse, certains patients dont les tumeurs ne semblaient pas enflammées ont quand même répondu, parce qu’ils conservaient une activité immunitaire cytotoxique ou portaient une charge mutationnelle élevée sans signaux immunosuppresseurs.

En résolvant ces distinctions cachées, COMPASS identifie les états immunitaires fonctionnels qui complètent, plutôt que simplement remplacent, les biomarqueurs existants.

Ce qui vient ensuite

L’étude souligne à la fois les promesses et les limites de l’IA en oncologie. COMPASS se généralise à tous les types et traitements de cancer et peut s'adapter à de petites cohortes cliniques grâce à un apprentissage par transfert efficace des paramètres, y compris un mode zéro tir qui associe de nouveaux patients à des cas similaires sans formation supplémentaire. Mais les auteurs notent que la réponse à l’immunothérapie dépend de nombreux facteurs au-delà du transcriptome, et que l’adoption clinique nécessitera une validation plus approfondie auprès de populations plus vastes et plus diversifiées.

Ces travaux reflètent également une tendance plus large : les modèles de base pré-entraînés sur de vastes ensembles de données puis adaptés à des tâches médicales spécialisées se rapprochent de la clinique. La prochaine série d’essais devra répondre à la question de savoir si les concepts tirés de la biologie immunitaire des tumeurs peuvent se traduire par des décisions thérapeutiques meilleures et plus rapides pour chaque patient.

Gardez une longueur d'avance sur l'IA

Les modèles de fondation passent de plus en plus du texte et des images à la médecine et aux sciences. Suivez les derniers développements de l'IA qui façonnent les soins de santé et la recherche.

Lire plus d'actualités sur l'IA →