Model AI COMPASS Memprediksi Hasil Imunoterapi Kanker di Berbagai Jenis Tumor, Temuan Studi

Para peneliti telah mengembangkan model AI pan-kanker yang memprediksi bagaimana pasien akan merespons imunoterapi dengan lebih akurat dibandingkan biomarker standar yang diandalkan dokter saat ini. Model tersebut, yang disebut COMPASS, dijelaskan dalam sebuah penelitian yang diterbitkan di Nature Medicine pada tanggal 3 Juli 2026, dan model tersebut menggeneralisasi berbagai jenis tumor, rejimen pengobatan, dan kohort klinis.

Imunoterapi, khususnya golongan obat yang dikenal sebagai penghambat pos pemeriksaan imun, telah mengubah perawatan kanker, namun hanya sebagian kecil pasien yang mendapatkan manfaat. Untuk cakupan industri AI yang membahas tentang bagaimana pembelajaran mesin mengubah dunia kedokteran, COMPASS menawarkan gambaran mendetail tentang bagaimana teknik model dasar beralih dari bahasa dan gambar ke onkologi.

Masalah yang Kompas Atasi

Inhibitor pos pemeriksaan kekebalan, atau ICI, telah secara signifikan meningkatkan hasil pengobatan beberapa jenis kanker dengan melepaskan rem pada sistem kekebalan sehingga dapat menyerang tumor. Masalahnya adalah tanggapan yang diberikan tidak merata. Hanya sebagian pasien yang mencapai remisi jangka panjang, sementara banyak pasien lainnya tidak merasakan manfaat sama sekali, dan dokter memiliki alat yang terbatas untuk menentukan terlebih dahulu siapa yang akan merespons.

Prediktor yang tervalidasi secara klinis saat ini, terutama beban mutasi tumor (TMB) dan ekspresi protein yang disebut PD-L1, tidaklah sempurna. Analisis pan-kanker terhadap lebih dari 27.000 pasien yang diobati dengan ICI hanya menemukan hubungan yang lemah atau tidak konsisten antara penanda tersebut dan respons pasien yang sebenarnya. Akibatnya pasien mungkin terpapar obat-obatan yang tidak dapat membantu mereka, sementara obat lain yang mungkin mendapat manfaat tidak pernah teridentifikasi.

COMPASS bertujuan untuk menutup kesenjangan tersebut dengan mempelajari konsep-konsep yang dapat ditafsirkan dan didasarkan secara biologis tentang lingkungan mikro imun tumor (TIME), interaksi kompleks antara tumor dan sel-sel kekebalan di sekitarnya.

Model Landasan Konsep Kemacetan

COMPASS dibangun sebagai model konsep bottleneck, sebuah arsitektur yang dirancang agar dapat dijelaskan dan bukan sebagai kotak hitam. Ini memproses data pengurutan RNA tumor pasien melalui encoder gen berbasis transformator yang membaca ekspresi 15.672 gen penyandi protein. Penyematan gen tersebut kemudian diproyeksikan ke 132 tanda gen yang dikurasi dan dikumpulkan menjadi 43 konsep kekebalan dan lingkungan mikro tingkat tinggi, menghasilkan representasi ringkas dari dinamika kekebalan tumor setiap pasien.

Model ini telah dilatih sebelumnya menggunakan pembelajaran kontrastif yang diawasi sendiri pada 10.184 tumor di 33 jenis kanker dari The Cancer Genome Atlas (TCGA). Dengan belajar dari sejumlah besar data yang tidak berlabel terlebih dahulu, COMPASS membangun representasi yang dapat digeneralisasikan yang kemudian dapat disesuaikan pada kelompok klinis yang jauh lebih kecil, sebuah properti penting mengingat betapa langkanya data imunoterapi yang diberi label.

Karena arsitektur meneruskan informasi melalui konsep yang dapat dibaca manusia, dokter dapat memeriksa sinyal biologis mana, seperti kelelahan sel T, program myeloid, atau sinyal imunoregulasi, yang mendorong prediksi tertentu. Hal ini berbeda dengan banyak model pembelajaran mendalam yang menghasilkan skor tanpa menjelaskan alasan di baliknya.

Hasil Kuat di Seluruh Kanker

Para peneliti mengevaluasi COMPASS pada 1.133 pasien yang diambil dari 16 kohort klinis yang mencakup tujuh jenis kanker, menggunakan transkriptom tumor sebelum pengobatan untuk memprediksi respons terhadap inhibitor pos pemeriksaan termasuk anti-PD-1/PD-L1, anti-CTLA-4, dan terapi kombinasi.

Dalam evaluasi tanpa satu kelompok yang menuntut, di mana model diuji berulang kali pada kelompok yang belum pernah dilihat sebelumnya, COMPASS mencapai kinerja rata-rata terbaik di antara 22 model yang bersaing. Hal ini meningkatkan akurasi prediksi sebesar 8,5 persen dan area di bawah kurva presisi-recall (AUPRC), yang merupakan metrik utama ketika satu hasil lebih jarang terjadi dibandingkan yang lain, sebesar 15,7 persen.

Hasil yang paling mencolok terjadi pada uji coba fase 2 terhadap karsinoma urothelial metastatik, yaitu kanker kandung kemih dan saluran kemih. Pasien yang diprediksi oleh COMPASS akan bertahan hidup lebih lama secara signifikan dibandingkan pasien yang diperkirakan tidak merespons, dengan rasio hazard sebesar 4,7 dan nilai P sebesar 1,7 × 10⁻⁷. Dalam hal ini, model AI mengungguli pengujian TMB dan PD-L1, yang merupakan biomarker yang saat ini digunakan di klinik.

Menjelaskan Mengapa Pasien Menanggapi, atau Tidak

Selain akurasi mentah, COMPASS menghasilkan peta respons yang dipersonalisasi yang menghubungkan ekspresi gen pasien dengan konsep kekebalan tertentu. Peta-peta ini membantu menjelaskan mekanisme di balik prediksi, dan mengungkap kasus-kasus di mana kategori konvensional menyesatkan.

Misalnya, dokter sering mengklasifikasikan tumor menggunakan tiga fenotip imun: meradang, tersingkir, dan menghilang. Namun COMPASS menunjukkan bahwa penyortiran yang kasar ini dapat menipu. Beberapa pasien dengan tumor "meradang", yang seharusnya memberikan respons yang baik, tidak memberikan respons karena adanya penekanan sinyal yang didorong oleh protein yang disebut TGFβ, eksklusi vaskular, atau disfungsi pada sel kekebalan tertentu. Sebaliknya, beberapa pasien yang tumornya tidak tampak meradang masih memberikan respons, karena mereka mempertahankan aktivitas kekebalan sitotoksik atau membawa beban mutasi yang tinggi tanpa sinyal imunosupresif.

Dengan mengatasi perbedaan-perbedaan tersembunyi tersebut, COMPASS mengidentifikasi keadaan kekebalan fungsional yang melengkapi, bukan sekadar menggantikan, biomarker yang ada.

Apa yang Terjadi Selanjutnya

Studi ini menggarisbawahi potensi dan keterbatasan AI dalam onkologi. COMPASS menggeneralisasi berbagai jenis dan pengobatan kanker dan dapat beradaptasi dengan kelompok klinis kecil melalui pembelajaran transfer yang efisien dalam parameter, termasuk mode zero-shot yang mencocokkan pasien baru dengan kasus serupa tanpa pelatihan tambahan. Namun para penulis mencatat bahwa respons imunoterapi bergantung pada banyak faktor di luar transkriptom, dan penerapan klinis akan memerlukan validasi lebih lanjut pada populasi yang lebih besar dan beragam.

Pekerjaan ini juga mencerminkan tren yang lebih luas: model dasar yang telah dilatih sebelumnya pada kumpulan data yang luas dan kemudian disesuaikan dengan tugas-tugas medis khusus kini semakin mendekati klinik. Apakah konsep yang dipelajari dari biologi kekebalan tumor dapat diterjemahkan ke dalam keputusan pengobatan yang lebih baik dan lebih cepat untuk setiap pasien adalah pertanyaan yang harus dijawab oleh uji coba berikutnya.

Tetap Terdepan dalam AI

Model dasar semakin beralih dari teks dan gambar ke bidang kedokteran dan sains. Lacak perkembangan AI terkini yang mempengaruhi layanan kesehatan dan penelitian.

Baca berita AI selengkapnya →