Onderzoekers hebben een AI-model voor pan-kanker ontwikkeld dat nauwkeuriger voorspelt hoe patiënten op immunotherapie zullen reageren dan de standaard biomarkers waar artsen tegenwoordig op vertrouwen. Het model, COMPASS genaamd, werd beschreven in een studie gepubliceerd in Nature Medicine op 3 juli 2026, en generaliseert over verschillende tumortypen, behandelingsregimes en klinische cohorten.

Immunotherapie, vooral een klasse geneesmiddelen die bekend staat als immuuncheckpointremmers, heeft de kankerzorg getransformeerd, maar slechts een minderheid van de patiënten profiteert ervan. Voor de dekking van de AI-industrie over hoe machinaal leren de geneeskunde hervormt, biedt COMPASS een gedetailleerd overzicht van hoe basismodeltechnieken zich verplaatsen van taal en beelden naar de oncologie.

Het probleem dat COMPASS aanpakt

Immuuncheckpointremmers, of ICI’s, hebben de uitkomsten van sommige vormen van kanker dramatisch verbeterd door de remmen van het immuunsysteem los te laten, zodat het tumoren kan aanvallen. De valkuil is dat de reacties ongelijk zijn. Slechts een deel van de patiënten bereikt duurzame remissie, terwijl vele anderen helemaal geen voordeel zien, en artsen beschikken over beperkte hulpmiddelen om van tevoren te voorspellen wie zal reageren.

De huidige klinisch gevalideerde voorspellers, voornamelijk tumormutatielast (TMB) en de expressie van een eiwit genaamd PD-L1, zijn onvolmaakt. Een pan-kankeranalyse van meer dan 27.000 met ICI behandelde patiënten vond slechts zwakke of inconsistente verbanden tussen deze markers en de daadwerkelijke reacties van de patiënt. Het resultaat is dat patiënten mogelijk worden blootgesteld aan medicijnen die hen niet helpen, terwijl anderen die er wel baat bij zouden kunnen hebben nooit worden geïdentificeerd.

COMPASS wil die kloof dichten door interpreteerbare, biologisch gefundeerde concepten te leren over de tumorimmuunmicro-omgeving (TIME), het complexe samenspel tussen een tumor en de immuuncellen eromheen.

Een concept-knelpuntfunderingsmodel

COMPASS is gebouwd als een concept-knelpuntmodel, een architectuur die is ontworpen om verklaarbaar te zijn in plaats van als een zwarte doos. Het verwerkt de tumor-RNA-sequentiegegevens van een patiënt via een op transformatoren gebaseerde gen-encoder die de expressie van 15.672 eiwitcoderende genen leest. Deze geninbeddingen worden vervolgens geprojecteerd op 132 samengestelde gensignaturen en samengevoegd tot 43 hoogwaardige immuun- en micro-omgevingsconcepten, waardoor een compacte weergave ontstaat van de tumor-immuundynamiek van elke patiënt.

Het model werd vooraf getraind met behulp van zelfgecontroleerd contrastief leren op 10.184 tumoren in 33 kankertypen uit The Cancer Genome Atlas (TCGA). Door eerst te leren van grote hoeveelheden ongelabelde gegevens, bouwt COMPASS generaliseerbare representaties op die vervolgens kunnen worden verfijnd op veel kleinere klinische cohorten, een belangrijke eigenschap gezien de schaarse gelabelde immunotherapiegegevens.

Omdat de architectuur informatie doorgeeft via door mensen leesbare concepten, kunnen artsen inspecteren welke biologische signalen, zoals uitputting van T-cellen, myeloïde programma's of immuunregulerende signalering, tot een bepaalde voorspelling hebben geleid. Dat staat in contrast met veel deep-learningmodellen die een score opleveren zonder de redenering erachter uit te leggen.

Sterke resultaten bij kankers

De onderzoekers evalueerden COMPASS bij 1.133 patiënten afkomstig uit 16 klinische cohorten verspreid over zeven soorten kanker, waarbij ze tumortranscriptomen voor de behandeling gebruikten om de respons op checkpoint-remmers, waaronder anti-PD-1/PD-L1, anti-CTLA-4 en combinatietherapieën, te voorspellen.

In een veeleisende 'leave-one-cohort-out'-evaluatie, waarbij het model herhaaldelijk wordt getest op een cohort dat het nog nooit eerder heeft gezien, behaalde COMPASS de beste gemiddelde prestatie onder 22 concurrerende modellen. Het verbeterde de voorspellingsnauwkeurigheid met 8,5 procent en het gebied onder de Precision Recall Curve (AUPRC), een belangrijke maatstaf wanneer de ene uitkomst veel zeldzamer is dan de andere, met 15,7 procent.

Het meest opvallende resultaat kwam in een langdurige fase 2-studie naar gemetastaseerd urotheelcarcinoom, een kanker van de blaas en de urinewegen. Patiënten van wie COMPASS voorspelde dat ze zouden reageren, overleefden significant langer dan de patiënten die volgens de voorspelling niet zouden reageren, met een risicoratio van 4,7 en een P-waarde van 1,7 x 10⁻⁷. Op deze maatstaf presteerde het AI-model beter dan zowel de TMB- als de PD-L1-test, de biomarkers die momenteel in de kliniek worden gebruikt.

Uitleggen waarom patiënten wel of niet reageren

Naast ruwe nauwkeurigheid genereert COMPASS gepersonaliseerde responskaarten die de genexpressie van een patiënt verbinden met specifieke immuunconcepten. Deze kaarten helpen het mechanisme achter een voorspelling te verklaren, en leggen gevallen bloot waarin de conventionele categorieën misleidend zijn.

Artsen classificeren tumoren bijvoorbeeld vaak aan de hand van drie immuunfenotypen: ontstoken, uitgesloten en verlaten. Maar COMPASS liet zien dat deze grove sortering bedrieglijk kan zijn. Sommige patiënten met "ontstoken" tumoren, die een goede respons zouden moeten voorspellen, reageerden niet vanwege het onderdrukken van signalen die werden aangestuurd door een eiwit genaamd TGFβ, vasculaire uitsluiting of disfunctie in bepaalde immuuncellen. Omgekeerd reageerden sommige patiënten bij wie de tumoren er niet ontstoken uitzagen nog steeds, omdat ze cytotoxische immuunactiviteit behielden of een hoge mutatielast droegen zonder immunosuppressieve signalen.

Door deze verborgen verschillen op te lossen, identificeert COMPASS functionele immuuntoestanden die bestaande biomarkers aanvullen en niet simpelweg vervangen.

Wat komt erna

De studie onderstreept zowel de belofte als de grenzen van AI in de oncologie. COMPASS generaliseert over kankertypes en -behandelingen en kan zich aanpassen aan kleine klinische cohorten door middel van parameter-efficiënt transferleren, inclusief een zero-shot-modus die nieuwe patiënten koppelt aan vergelijkbare gevallen zonder aanvullende training. Maar de auteurs merken op dat de respons op immunotherapie afhangt van veel factoren buiten het transcriptoom, en dat klinische adoptie verdere validatie bij grotere en meer diverse populaties zal vereisen.

Het werk weerspiegelt ook een bredere trend: basismodellen die vooraf zijn getraind op grote datasets en vervolgens zijn aangepast aan gespecialiseerde medische taken, komen steeds dichter bij de kliniek. Of concepten die zijn geleerd uit de tumorimmuunbiologie zich kunnen vertalen in betere, snellere behandelbeslissingen voor individuele patiënten, is de vraag die de volgende ronde van onderzoeken zal moeten beantwoorden.

Blijf AI een stap voor

Fundamentele modellen verschuiven steeds meer van tekst en afbeeldingen naar de geneeskunde en de wetenschappen. Volg de laatste AI-ontwikkelingen die de gezondheidszorg en het onderzoek vormgeven.

Lees meer AI-nieuws →