Il modello COMPASS AI prevede i risultati dell'immunoterapia contro il cancro in tutti i tipi di tumore, risultati di uno studio

I ricercatori hanno sviluppato un modello di intelligenza artificiale pan-cancro che prevede come i pazienti risponderanno all’immunoterapia in modo più accurato rispetto ai biomarcatori standard su cui fanno affidamento oggi i medici. Il modello, chiamato COMPASS, è stato descritto in uno studio pubblicato su Nature Medicine il 3 luglio 2026 e si generalizza a diversi tipi di tumore, regimi di trattamento e coorti cliniche.

L’immunoterapia, in particolare una classe di farmaci noti come inibitori del checkpoint immunitario, ha trasformato la cura del cancro, ma solo una minoranza di pazienti ne trae beneficio. Per la copertura del settore dell'intelligenza artificiale che segue il modo in cui l'apprendimento automatico sta rimodellando la medicina, COMPASS offre uno sguardo dettagliato su come le tecniche basate sui modelli di base si stanno spostando dal linguaggio e dalle immagini all'oncologia.

Il problema affronta COMPASS

Gli inibitori del checkpoint immunitario, o ICI, hanno migliorato notevolmente gli esiti di alcuni tumori rilasciando i freni del sistema immunitario in modo che possa attaccare i tumori. Il problema è che le risposte non sono uniformi. Solo un sottogruppo di pazienti ottiene una remissione duratura, mentre molti altri non riscontrano alcun beneficio e i medici dispongono di strumenti limitati per prevedere in anticipo chi risponderà.

Gli odierni predittori clinicamente validati, principalmente il carico mutazionale del tumore (TMB) e l'espressione di una proteina chiamata PD-L1, sono imperfetti. Un’analisi pan-cancro di oltre 27.000 pazienti trattati con ICI ha rilevato solo collegamenti deboli o incoerenti tra tali marcatori e le effettive risposte dei pazienti. Il risultato è che i pazienti possono essere esposti a farmaci che non li aiuteranno, mentre altri che potrebbero trarne beneficio non vengono mai identificati.

COMPASS mira a colmare questa lacuna apprendendo concetti interpretabili e biologicamente fondati sul microambiente immunitario tumorale (TIME), la complessa interazione tra un tumore e le cellule immunitarie che lo circondano.

Un modello di base per il collo di bottiglia del concetto

COMPASS è costruito come un modello di collo di bottiglia concettuale, un'architettura progettata per essere spiegabile piuttosto che come una scatola nera. Elabora i dati di sequenziamento dell'RNA tumorale di un paziente attraverso un codificatore genetico basato su trasformatore che legge l'espressione di 15.672 geni codificanti proteine. Tali incorporamenti genici vengono quindi proiettati su 132 firme genetiche selezionate e aggregati in 43 concetti immunitari e di microambiente di alto livello, producendo una rappresentazione compatta della dinamica tumore-immunitaria di ciascun paziente.

Il modello è stato pre-addestrato utilizzando l’apprendimento contrastivo autosupervisionato su 10.184 tumori di 33 tipi di cancro dal Cancer Genome Atlas (TCGA). Imparando innanzitutto da grandi quantità di dati non etichettati, COMPASS costruisce rappresentazioni generalizzabili che possono poi essere perfezionate su coorti cliniche molto più piccole, una proprietà importante data la scarsità dei dati sull’immunoterapia etichettati.

Poiché l’architettura trasmette le informazioni attraverso concetti leggibili dall’uomo, i medici possono verificare quali segnali biologici, come l’esaurimento delle cellule T, i programmi mieloidi o la segnalazione immunoregolatoria, hanno guidato una determinata previsione. Ciò è in contrasto con molti modelli di deep learning che producono un punteggio senza spiegarne il ragionamento.

Ottimi risultati in tutti i tumori

I ricercatori hanno valutato COMPASS su 1.133 pazienti provenienti da 16 coorti cliniche che abbracciavano sette tipi di cancro, utilizzando trascrittomi tumorali pretrattamento per prevedere la risposta agli inibitori dei checkpoint inclusi anti-PD-1/PD-L1, anti-CTLA-4 e terapie combinate.

In una impegnativa valutazione “leave one-cohort-out”, in cui il modello viene ripetutamente testato su una coorte mai vista, COMPASS ha ottenuto la migliore prestazione media tra 22 modelli concorrenti. Ha migliorato l’accuratezza della previsione dell’8,5% e l’area sotto la curva di richiamo di precisione (AUPRC), un parametro chiave quando un risultato è molto più raro dell’altro, del 15,7%.

Il risultato più sorprendente è arrivato in uno studio di fase 2 sul carcinoma uroteliale metastatico, un cancro della vescica e del tratto urinario. I pazienti per i quali COMPASS aveva previsto una risposta sono sopravvissuti significativamente più a lungo di quelli che secondo COMPASS non avrebbero risposto, con un rapporto di rischio di 4,7 e un valore P di 1,7 × 10⁻⁷. Su questa misura, il modello AI ha sovraperformato sia i test TMB che PD-L1, i biomarcatori attualmente utilizzati in clinica.

Spiegare perché i pazienti rispondono o no

Oltre alla pura precisione, COMPASS genera mappe di risposta personalizzate che collegano l'espressione genetica di un paziente a specifici concetti immunitari. Queste mappe aiutano a spiegare il meccanismo alla base di una previsione ed espongono casi in cui le categorie convenzionali sono fuorvianti.

Ad esempio, i medici spesso classificano i tumori utilizzando tre fenotipi immunitari: infiammato, escluso e deserto. Ma COMPASS ha dimostrato che questo ordinamento grossolano può essere ingannevole. Alcuni pazienti con tumori “infiammati”, che dovrebbero prevedere una buona risposta, non hanno risposto a causa della soppressione dei segnali guidati da una proteina chiamata TGFβ, dell’esclusione vascolare o della disfunzione in alcune cellule immunitarie. Al contrario, alcuni pazienti i cui tumori non sembravano infiammati hanno comunque risposto, perché conservavano l’attività immunitaria citotossica o portavano un elevato carico mutazionale senza segnali immunosoppressori.

Risolvendo queste distinzioni nascoste, COMPASS identifica gli stati immunitari funzionali che integrano, anziché semplicemente sostituire, i biomarcatori esistenti.

Cosa verrà dopo

Lo studio sottolinea sia le promesse che i limiti dell’intelligenza artificiale in oncologia. COMPASS è in grado di generalizzare tutti i tipi di cancro e i trattamenti e può adattarsi a piccole coorti cliniche attraverso l’apprendimento del trasferimento efficiente in termini di parametri, inclusa una modalità zero-shot che abbina nuovi pazienti a casi simili senza formazione aggiuntiva. Ma gli autori notano che la risposta immunoterapica dipende da molti fattori oltre il trascrittoma, e l’adozione clinica richiederà un’ulteriore convalida in popolazioni più ampie e diversificate.

Il lavoro riflette anche una tendenza più ampia: modelli di base preaddestrati su vasti set di dati e poi adattati a compiti medici specialistici si stanno avvicinando alla clinica. Se i concetti appresi dalla biologia immunitaria dei tumori possano tradursi in decisioni terapeutiche migliori e più rapide per i singoli pazienti è la domanda a cui dovrà rispondere il prossimo ciclo di studi.

Stai al passo con l'intelligenza artificiale

I modelli di fondazione si stanno spostando sempre più dal testo e dalle immagini alla medicina e alle scienze. Tieni traccia degli ultimi sviluppi dell'intelligenza artificiale che danno forma all'assistenza sanitaria e alla ricerca.

Leggi altre notizie sull'AI →