Os pesquisadores desenvolveram um modelo de IA pan-câncer que prevê como os pacientes responderão à imunoterapia com mais precisão do que os biomarcadores padrão em que os médicos confiam hoje. O modelo, denominado COMPASS, foi descrito em um estudo publicado na Nature Medicine em 3 de julho de 2026 e é generalizado para diferentes tipos de tumores, regimes de tratamento e coortes clínicas.

A imunoterapia, particularmente uma classe de medicamentos conhecidos como inibidores do ponto de controlo imunitário, transformou o tratamento do cancro, mas apenas uma minoria dos pacientes beneficia. Para a cobertura da indústria de IA, acompanhando como o aprendizado de máquina está remodelando a medicina, o COMPASS oferece uma visão detalhada de como as técnicas de modelos básicos estão migrando da linguagem e das imagens para a oncologia.

O problema que o COMPASS enfrenta

Os inibidores do ponto de controle imunológico, ou ICIs, melhoraram drasticamente os resultados para alguns tipos de câncer, liberando os freios do sistema imunológico para que ele possa atacar os tumores. O problema é que as respostas são desiguais. Apenas um subconjunto de pacientes consegue uma remissão duradoura, enquanto muitos outros não vêem qualquer benefício, e os médicos têm ferramentas limitadas para saber antecipadamente quem irá responder.

Os preditores clinicamente validados de hoje, principalmente a carga mutacional tumoral (TMB) e a expressão de uma proteína chamada PD-L1, são imperfeitos. Uma análise pan-cancerígena de mais de 27.000 pacientes tratados com ICI encontrou apenas ligações fracas ou inconsistentes entre esses marcadores e as respostas reais dos pacientes. O resultado é que os pacientes podem ser expostos a medicamentos que não os ajudarão, enquanto outros que poderiam beneficiar nunca são identificados.

O COMPASS visa preencher essa lacuna aprendendo conceitos interpretáveis ​​e biologicamente fundamentados sobre o microambiente imunológico do tumor (TIME), a interação complexa entre um tumor e as células imunológicas ao seu redor.

Um modelo de base de gargalo conceitual

O COMPASS é construído como um modelo conceitual de gargalo, uma arquitetura projetada para ser explicável em vez de uma caixa preta. Ele processa os dados de sequenciamento de RNA tumoral de um paciente por meio de um codificador genético baseado em transformador que lê a expressão de 15.672 genes codificadores de proteínas. Essas incorporações genéticas são então projetadas em 132 assinaturas genéticas selecionadas e agregadas em 43 conceitos imunológicos e de microambiente de alto nível, produzindo uma representação compacta da dinâmica imune ao tumor de cada paciente.

O modelo foi pré-treinado usando aprendizagem contrastiva auto-supervisionada em 10.184 tumores em 33 tipos de câncer do Atlas do Genoma do Câncer (TCGA). Ao aprender primeiro com grandes quantidades de dados não rotulados, o COMPASS constrói representações generalizáveis ​​que podem então ser ajustadas em coortes clínicas muito menores, uma propriedade importante dada a escassez de dados de imunoterapia rotulados.

Como a arquitetura transmite informações por meio de conceitos legíveis por humanos, os médicos podem inspecionar quais sinais biológicos, como exaustão de células T, programas mieloides ou sinalização imunorreguladora, levaram a uma determinada previsão. Isso contrasta com muitos modelos de aprendizagem profunda que produzem uma pontuação sem explicar o raciocínio por trás dela.

Fortes resultados em todos os tipos de câncer

Os pesquisadores avaliaram o COMPASS em 1.133 pacientes de 16 coortes clínicas abrangendo sete tipos de câncer, usando transcriptomas tumorais pré-tratamento para prever a resposta a inibidores de checkpoint, incluindo anti-PD-1/PD-L1, anti-CTLA-4 e terapias combinadas.

Numa avaliação exigente de deixar uma coorte de fora, onde o modelo é repetidamente testado numa coorte que nunca viu, o COMPASS obteve o melhor desempenho médio entre 22 modelos concorrentes. Melhorou a precisão da previsão em 8,5% e a área sob a curva de recuperação de precisão (AUPRC), uma métrica chave quando um resultado é muito mais raro que o outro, em 15,7%.

O resultado mais surpreendente veio de um estudo de fase 2 realizado sobre carcinoma urotelial metastático, um câncer da bexiga e do trato urinário. Os pacientes que o COMPASS previu que responderiam sobreviveram significativamente mais tempo do que aqueles que o COMPASS previu que não responderiam, com uma taxa de risco de 4,7 e um valor P de 1,7 × 10⁻⁷. Nesta medida, o modelo de IA superou os testes TMB e PD-L1, os biomarcadores atualmente utilizados na clínica.

Explicando por que os pacientes respondem ou não

Além da precisão bruta, o COMPASS gera mapas de resposta personalizados que conectam a expressão genética de um paciente a conceitos imunológicos específicos. Estes mapas ajudam a explicar o mecanismo por detrás de uma previsão e expõem casos em que as categorias convencionais enganam.

Por exemplo, os médicos costumam classificar os tumores usando três fenótipos imunológicos: inflamado, excluído e deserto. Mas o COMPASS mostrou que esta classificação grosseira pode ser enganosa. Alguns pacientes com tumores “inflamados”, que deveriam prever uma boa resposta, não responderam devido à supressão de sinais impulsionados por uma proteína chamada TGFβ, exclusão vascular ou disfunção em certas células do sistema imunológico. Por outro lado, alguns pacientes cujos tumores não pareciam inflamados ainda responderam, porque retinham atividade imunológica citotóxica ou carregavam alta carga mutacional sem sinais imunossupressores.

Ao resolver essas distinções ocultas, o COMPASS identifica estados imunológicos funcionais que complementam, em vez de simplesmente substituir, os biomarcadores existentes.

O que vem a seguir

O estudo sublinha a promessa e os limites da IA em oncologia. O COMPASS generaliza vários tipos e tratamentos de câncer e pode se adaptar a pequenas coortes clínicas por meio de aprendizagem de transferência com eficiência de parâmetros, incluindo um modo zero-shot que combina novos pacientes com casos semelhantes sem treinamento adicional. Mas os autores observam que a resposta da imunoterapia depende de muitos fatores além do transcriptoma, e a adoção clínica exigirá validação adicional em populações maiores e mais diversas.

O trabalho também reflete uma tendência mais ampla: modelos básicos pré-treinados em vastos conjuntos de dados e depois adaptados a tarefas médicas especializadas estão se aproximando da clínica. Se os conceitos aprendidos com a biologia imunológica tumoral podem se traduzir em decisões de tratamento melhores e mais rápidas para pacientes individuais é a questão que a próxima rodada de ensaios terá de responder.

Fique à frente da IA

Os modelos de fundação estão cada vez mais migrando do texto e das imagens para a medicina e as ciências. Acompanhe os últimos desenvolvimentos de IA que moldam a saúde e a pesquisa.

Leia mais notícias sobre IA →