Model AI COMPASS Meramalkan Hasil Imunoterapi Kanser Merentas Jenis Tumor, Kajian Dapatan

Penyelidik telah membangunkan model AI pan-kanser yang meramalkan cara pesakit akan bertindak balas terhadap imunoterapi dengan lebih tepat daripada biomarker standard yang doktor harapkan hari ini. Model itu, yang dipanggil COMPASS, telah diterangkan dalam kajian yang diterbitkan dalam Nature Medicine pada 3 Julai 2026, dan ia membuat generalisasi merentas pelbagai jenis tumor, rejimen rawatan dan kohort klinikal.

Imunoterapi, terutamanya kelas ubat yang dikenali sebagai perencat pusat pemeriksaan imun, telah mengubah penjagaan kanser, tetapi hanya sebilangan kecil pesakit yang mendapat manfaat. Untuk liputan industri AI berikutan cara pembelajaran mesin membentuk semula perubatan, COMPASS menawarkan pandangan terperinci tentang cara teknik model asas beralih daripada bahasa dan imej ke onkologi.

Masalah KOMPASS Mengatasi

Inhibitor pusat pemeriksaan imun, atau ICI, telah meningkatkan hasil secara dramatik untuk sesetengah kanser dengan melepaskan brek pada sistem imun supaya ia boleh menyerang tumor. Tangkapannya ialah respons tidak sekata. Hanya sebilangan kecil pesakit yang mencapai pengampunan yang tahan lama, sementara ramai yang lain tidak melihat manfaat langsung, dan doktor mempunyai alat yang terhad untuk memberitahu lebih awal siapa yang akan bertindak balas.

Peramal yang disahkan secara klinikal hari ini, terutamanya beban mutasi tumor (TMB) dan ekspresi protein yang dipanggil PD-L1, adalah tidak sempurna. Analisis pan-kanser lebih daripada 27,000 pesakit yang dirawat ICI mendapati hanya hubungan yang lemah atau tidak konsisten antara penanda tersebut dan tindak balas pesakit sebenar. Hasilnya ialah pesakit mungkin terdedah kepada ubat yang tidak akan membantu mereka, manakala orang lain yang mungkin mendapat manfaat tidak pernah dikenal pasti.

COMPASS bertujuan untuk menutup jurang itu dengan mempelajari konsep berasaskan biologi yang boleh ditafsirkan tentang persekitaran mikro imun tumor (TIME), interaksi kompleks antara tumor dan sel imun di sekelilingnya.

Model Asas Bottleneck Konsep

COMPASS dibina sebagai model kesesakan konsep, seni bina yang direka bentuk untuk dapat dijelaskan dan bukannya kotak hitam. Ia memproses data penjujukan RNA tumor pesakit melalui pengekod gen berasaskan pengubah yang membaca ungkapan 15,672 gen pengekodan protein. Pembenaman gen tersebut kemudiannya diunjurkan kepada 132 tandatangan gen yang dipilih susun dan diagregatkan ke dalam 43 konsep imun dan persekitaran mikro tahap tinggi, menghasilkan gambaran padat bagi dinamik imun tumor setiap pesakit.

Model ini telah dilatih terlebih dahulu menggunakan pembelajaran kontrastif yang diselia sendiri pada 10,184 tumor merentas 33 jenis kanser daripada The Cancer Genome Atlas (TCGA). Dengan belajar daripada sejumlah besar data tidak berlabel terlebih dahulu, COMPASS membina representasi yang boleh digeneralisasikan yang kemudiannya boleh diperhalusi pada kohort klinikal yang lebih kecil, sifat penting memandangkan betapa terhadnya data imunoterapi berlabel.

Oleh kerana seni bina menyalurkan maklumat melalui konsep yang boleh dibaca manusia, doktor boleh memeriksa isyarat biologi yang mana, seperti keletihan sel T, program myeloid, atau isyarat imunoregulasi, yang mendorong ramalan tertentu. Itu berbeza dengan banyak model pembelajaran mendalam yang menghasilkan skor tanpa menjelaskan alasan di sebaliknya.

Keputusan Kuat Merentas Kanser

Para penyelidik menilai COMPASS pada 1,133 pesakit yang diambil daripada 16 kohort klinikal merangkumi tujuh jenis kanser, menggunakan transkrip tumor prarawatan untuk meramalkan tindak balas terhadap perencat pusat pemeriksaan termasuk terapi anti-PD-1/PD-L1, anti-CTLA-4 dan gabungan.

Dalam penilaian cuti satu kohort keluar yang menuntut, di mana model diuji berulang kali pada kohort yang tidak pernah dilihatnya, COMPASS mencapai prestasi purata terbaik antara 22 model yang bersaing. Ia meningkatkan ketepatan ramalan sebanyak 8.5 peratus dan kawasan di bawah keluk ingatan ketepatan (AUPRC), metrik utama apabila satu hasil adalah lebih jarang daripada yang lain, sebanyak 15.7 peratus.

Keputusan yang paling menarik adalah dalam percubaan fasa 2 yang ditangguhkan untuk karsinoma urothelial metastatik, kanser pundi kencing dan saluran kencing. Pesakit yang diramalkan oleh COMPASS akan bertindak balas bertahan dengan ketara lebih lama daripada mereka yang tidak diramalkan, dengan nisbah bahaya 4.7 dan nilai P 1.7 × 10⁻⁷. Pada langkah ini, model AI mengatasi kedua-dua ujian TMB dan PD-L1, penanda bio yang kini digunakan di klinik.

Menjelaskan Mengapa Pesakit Bertindak Balas, atau Tidak

Di luar ketepatan mentah, COMPASS menjana peta tindak balas yang diperibadikan yang menghubungkan ekspresi gen pesakit kepada konsep imun tertentu. Peta ini membantu menjelaskan mekanisme di sebalik ramalan, dan ia mendedahkan kes di mana kategori konvensional mengelirukan.

Sebagai contoh, doktor sering mengklasifikasikan tumor menggunakan tiga fenotip imun: meradang, dikecualikan, dan padang pasir. Tetapi KOMPASS menunjukkan pengisihan kasar ini boleh mengelirukan. Sesetengah pesakit dengan tumor "radang", yang sepatutnya meramalkan tindak balas yang baik, tidak bertindak balas kerana menyekat isyarat yang didorong oleh protein yang dipanggil TGFβ, pengecualian vaskular, atau disfungsi dalam sel imun tertentu. Sebaliknya, sesetengah pesakit yang tumornya tidak kelihatan meradang masih bertindak balas, kerana mereka mengekalkan aktiviti imun sitotoksik atau membawa beban mutasi yang tinggi tanpa isyarat imunosupresif.

Dengan menyelesaikan perbezaan tersembunyi tersebut, COMPASS mengenal pasti keadaan imun berfungsi yang melengkapkan, dan bukannya sekadar menggantikan, biomarker sedia ada.

Apa Yang Akan Datang

Kajian itu menggariskan kedua-dua janji dan had AI dalam onkologi. COMPASS membuat generalisasi merentas jenis dan rawatan kanser dan boleh menyesuaikan diri dengan kohort klinikal kecil melalui pembelajaran pemindahan cekap parameter, termasuk mod sifar pukulan yang memadankan pesakit baharu dengan kes serupa tanpa latihan tambahan. Tetapi penulis ambil perhatian bahawa tindak balas imunoterapi bergantung pada banyak faktor di luar transkrip, dan penggunaan klinikal akan memerlukan pengesahan lanjut merentas populasi yang lebih besar dan lebih pelbagai.

Kerja ini juga mencerminkan trend yang lebih luas: model asas yang telah dilatih terlebih dahulu pada set data yang luas dan kemudian disesuaikan dengan tugas perubatan khusus sedang bergerak lebih dekat ke klinik. Sama ada konsep yang dipelajari daripada biologi imun tumor boleh diterjemahkan kepada keputusan rawatan yang lebih baik dan lebih pantas untuk pesakit individu ialah persoalan yang perlu dijawab oleh ujian pusingan seterusnya.

Kekal Mendahului AI

Model asas semakin beralih daripada teks dan imej kepada perubatan dan sains. Jejaki perkembangan AI terkini yang membentuk penjagaan kesihatan dan penyelidikan.

Baca lebih banyak berita AI →