Wyniki badania: Model COMPASS AI przewiduje wyniki immunoterapii nowotworów w zależności od rodzaju nowotworu

Naukowcy opracowali model sztucznej inteligencji panującego nad nowotworem, który pozwala dokładniej przewidzieć, jak pacjenci zareagują na immunoterapię, niż standardowe biomarkery, na których opierają się obecnie lekarze. Model nazwany COMPASS został opisany w badaniu opublikowanym w Nature Medicine 3 lipca 2026 r. i pozwala na uogólnienie różnych typów nowotworów, schematów leczenia i kohort klinicznych.

Immunoterapia, zwłaszcza grupa leków zwana inhibitorami punktów kontrolnych układu odpornościowego, zmieniła sposób leczenia raka, ale przynosi korzyści tylko niewielkiej grupie pacjentów. W przypadku relacjonowania branży sztucznej inteligencji poświęconej temu, jak uczenie maszynowe zmienia oblicze medycyny, COMPASS szczegółowo opisuje, w jaki sposób techniki oparte na modelach podstawowych przechodzą od języka i obrazów do onkologii.

Problem, który rozwiązuje KOMPAS

Inhibitory punktów kontrolnych układu odpornościowego, w skrócie ICI, radykalnie poprawiły wyniki leczenia niektórych nowotworów, zwalniając hamulce układu odpornościowego, dzięki czemu może on atakować nowotwory. Problem polega na tym, że reakcje są nierówne. Tylko część pacjentów osiąga trwałą remisję, podczas gdy wielu innych nie widzi żadnych korzyści, a lekarze mają ograniczone narzędzia umożliwiające określenie z wyprzedzeniem, kto zareaguje.

Dzisiejsze klinicznie potwierdzone czynniki predykcyjne, głównie obciążenie mutacjami nowotworu (TMB) i ekspresja białka zwanego PD-L1, są niedoskonałe. Analiza panrakowa obejmująca ponad 27 000 pacjentów leczonych ICI wykazała jedynie słabe lub niespójne powiązania między tymi markerami a rzeczywistymi reakcjami pacjentów. W rezultacie pacjenci mogą być narażeni na leki, które im nie pomogą, podczas gdy inne osoby, które mogą na tym skorzystać, nigdy nie są identyfikowane.

Celem projektu COMPASS jest wypełnienie tej luki poprzez poznanie możliwych do zinterpretowania, biologicznie ugruntowanych koncepcji dotyczących mikrośrodowiska odpornościowego nowotworu (TIME), czyli złożonej interakcji pomiędzy nowotworem a otaczającymi go komórkami odpornościowymi.

Model podstawowy koncepcji wąskiego gardła

COMPASS został zbudowany jako koncepcyjny model wąskiego gardła, a architektura została zaprojektowana tak, aby była łatwa do wyjaśnienia, a nie jak czarna skrzynka. Przetwarza dane dotyczące sekwencjonowania RNA nowotworu pacjenta za pomocą kodera genu opartego na transformatorze, który odczytuje ekspresję 15 672 genów kodujących białka. Te osadzania genów są następnie rzutowane na 132 wyselekcjonowane sygnatury genów i agregowane w 43 koncepcje wysokiego poziomu odporności i mikrośrodowiska, tworząc zwartą reprezentację dynamiki odporności nowotworowej każdego pacjenta.

Model został wstępnie przeszkolony przy użyciu samonadzorowanego uczenia się kontrastowego na 10 184 guzach w 33 typach nowotworów z The Cancer Genome Atlas (TCGA). Ucząc się najpierw na dużych ilościach nieoznaczonych danych, uczestnicy projektu COMPASS tworzą możliwe do uogólnienia reprezentacje, które można następnie doprecyzować na znacznie mniejszych kohortach klinicznych, co jest ważną właściwością, biorąc pod uwagę skąpość oznakowanych danych dotyczących immunoterapii.

Ponieważ architektura przekazuje informacje za pomocą koncepcji czytelnych dla człowieka, klinicyści mogą sprawdzić, które sygnały biologiczne, takie jak wyczerpanie limfocytów T, programy mieloidalne lub sygnalizacja immunoregulacyjna, wpłynęły na daną prognozę. Stanowi to kontrast w stosunku do wielu modeli głębokiego uczenia się, które generują wynik bez wyjaśniania powodów.

Dobre wyniki w leczeniu nowotworów

Naukowcy ocenili program COMPASS na 1133 pacjentach wybranych z 16 kohort klinicznych obejmujących siedem typów nowotworów, wykorzystując transkryptomy nowotworu sprzed leczenia do przewidywania odpowiedzi na inhibitory punktów kontrolnych, w tym anty-PD-1/PD-L1, anty-CTLA-4 i terapie skojarzone.

W wymagającej ocenie typu „pomiń jedną kohortę”, podczas której model jest wielokrotnie testowany na kohorcie, której nigdy nie widział, program COMPASS osiągnął najlepszą średnią wydajność spośród 22 konkurencyjnych modeli. Poprawiło to dokładność przewidywań o 8,5 procent, a pole pod krzywą precyzji zapamiętania (AUPRC), kluczową metrykę, gdy jeden wynik jest znacznie rzadszy od drugiego, o 15,7 procent.

Najbardziej uderzający wynik uzyskano w przeciągającym się badaniu II fazy dotyczącym raka nabłonka dróg moczowych z przerzutami, czyli raka pęcherza i dróg moczowych. Pacjenci, u których zgodnie z przewidywaniami COMPASS zareagowali, przeżyli znacznie dłużej niż ci, których przewidywano, że nie, przy współczynniku ryzyka wynoszącym 4,7 i wartości P wynoszącej 1,7 × 10⁻⁷. Pod tym względem model sztucznej inteligencji uzyskał lepsze wyniki w testach TMB i PD-L1, biomarkerach obecnie stosowanych w klinice.

Wyjaśnianie, dlaczego pacjenci reagują lub nie

Oprócz czystej dokładności COMPASS generuje spersonalizowane mapy odpowiedzi, które łączą ekspresję genów pacjenta z określonymi koncepcjami odporności. Mapy te pomagają wyjaśnić mechanizm prognozowania i ujawniają przypadki, w których konwencjonalne kategorie wprowadzają w błąd.

Na przykład lekarze często klasyfikują nowotwory na podstawie trzech fenotypów immunologicznych: ze stanem zapalnym, wykluczony i pustynny. Jednak COMPASS pokazał, że sortowanie zgrubne może być zwodnicze. Niektórzy pacjenci z nowotworami objętymi stanem zapalnym, co powinno przewidywać dobrą odpowiedź, nie zareagowali z powodu tłumienia sygnałów napędzanych przez białko zwane TGFβ, wykluczenia naczyń lub dysfunkcji niektórych komórek odpornościowych. I odwrotnie, niektórzy pacjenci, których guzy nie wyglądały na stan zapalny, nadal odpowiedzieli na leczenie, ponieważ zachowali cytotoksyczną aktywność immunologiczną lub nieśli duże obciążenie mutacyjne bez sygnałów immunosupresyjnych.

Rozwiązując te ukryte rozróżnienia, COMPASS identyfikuje funkcjonalne stany odporności, które uzupełniają, a nie po prostu zastępują istniejące biomarkery.

Co będzie dalej

Badanie podkreśla zarówno obietnice, jak i ograniczenia sztucznej inteligencji w onkologii. COMPASS dokonuje uogólnień w odniesieniu do typów nowotworów i metod leczenia i może dostosować się do małych kohort klinicznych dzięki efektywnemu pod względem parametrów transferowi uczenia się, w tym trybowi zerowego strzału, który dopasowuje nowych pacjentów do podobnych przypadków bez dodatkowego szkolenia. Autorzy zauważają jednak, że odpowiedź immunoterapeutyczna zależy od wielu czynników wykraczających poza transkryptom, a zastosowanie kliniczne będzie wymagało dalszej walidacji w większych i bardziej zróżnicowanych populacjach.

Praca odzwierciedla także szerszy trend: modele podstawowe, wstępnie przeszkolone na ogromnych zbiorach danych, a następnie przystosowane do specjalistycznych zadań medycznych, zbliżają się do kliniki. To, czy koncepcje wyniesione z biologii odporności nowotworu mogą przełożyć się na lepsze i szybsze decyzje dotyczące leczenia poszczególnych pacjentów, to pytanie, na które odpowiedź będzie musiała odpowiedzieć następna runda badań.

Wyprzedź sztuczną inteligencję

Podstawowe modele w coraz większym stopniu odchodzą od tekstu i obrazów do medycyny i nauki. Śledź najnowsze osiągnięcia AI kształtujące opiekę zdrowotną i badania.

Przeczytaj więcej aktualności o sztucznej inteligencji →