Cercetătorii au dezvoltat un model AI pan-cancer care prezice modul în care pacienții vor răspunde la imunoterapie mai precis decât biomarkerii standard pe care medicii se bazează astăzi. Modelul, numit COMPASS, a fost descris într-un studiu publicat în Nature Medicine pe 3 iulie 2026 și se generalizează în diferite tipuri de tumori, regimuri de tratament și cohorte clinice.

Imunoterapia, în special o clasă de medicamente cunoscute sub numele de inhibitori ai punctelor de control imun, a transformat îngrijirea cancerului, dar doar o minoritate dintre pacienți beneficiază. Pentru acoperirea industriei AI care urmărește modul în care învățarea automată remodelează medicina, COMPASS oferă o privire detaliată asupra modului în care tehnicile modelului de fundație trec de la limbaj și imagini la oncologie.

Problema pe care o abordează COMPASS

Inhibitorii punctelor de control imunitare, sau ICI, au îmbunătățit dramatic rezultatele pentru unele tipuri de cancer prin eliberarea frânelor sistemului imunitar, astfel încât să poată ataca tumorile. Problema este că răspunsurile sunt inegale. Doar un subgrup de pacienți obțin o remisiune durabilă, în timp ce mulți alții nu văd niciun beneficiu, iar medicii au instrumente limitate pentru a spune în avans cine va răspunde.

Predictorii de astăzi validați clinic, în principal sarcina mutațională a tumorii (TMB) și expresia unei proteine ​​numite PD-L1, sunt imperfecte. O analiză pan-cancer a mai mult de 27.000 de pacienți tratați cu ICI a găsit doar legături slabe sau inconsecvente între acești markeri și răspunsurile reale ale pacientului. Rezultatul este că pacienții pot fi expuși la medicamente care nu îi vor ajuta, în timp ce alții care ar putea beneficia nu sunt niciodată identificați.

COMPASS își propune să îndepărteze acest decalaj prin învățarea conceptelor interpretabile, fundamentate biologic despre micromediul imunitar tumoral (TIME), interacțiunea complexă dintre o tumoare și celulele imune din jurul acesteia.

Un model de fundație pentru gâtul de sticlă

COMPASS este construit ca un model de blocaj conceptual, o arhitectură concepută pentru a fi explicabilă mai degrabă decât o cutie neagră. Acesta procesează datele de secvențiere a ARN-ului tumorii unui pacient printr-un codificator de genă bazat pe transformator care citește expresia a 15.672 de gene care codifică proteine. Aceste înglobări de gene sunt apoi proiectate pe 132 de semnături de gene curate și agregate în 43 de concepte imunitare și de micromediu la nivel înalt, producând o reprezentare compactă a dinamicii imun-tumoare ale fiecărui pacient.

Modelul a fost antrenat în prealabil folosind învățarea contrastiva auto-supravegheată pe 10.184 de tumori din 33 de tipuri de cancer din Atlasul genomului cancerului (TCGA). Învățând mai întâi din cantități mari de date neetichetate, COMPASS construiește reprezentări generalizabile care pot fi apoi ajustate pe cohorte clinice mult mai mici, o proprietate importantă având în vedere cât de puține sunt datele de imunoterapie etichetate.

Deoarece arhitectura transmite informații prin concepte care pot fi citite de om, clinicienii pot inspecta ce semnale biologice, cum ar fi epuizarea celulelor T, programele mieloide sau semnalizarea imunoreglatoare, au determinat o anumită predicție. Acest lucru este în contrast cu multe modele de învățare profundă care scot un scor fără a explica raționamentul din spatele acestuia.

Rezultate puternice în cazurile de cancer

Cercetătorii au evaluat COMPASS pe 1.133 de pacienți din 16 cohorte clinice care acoperă șapte tipuri de cancer, folosind transcriptoame tumorale pre-tratament pentru a prezice răspunsul la inhibitorii punctelor de control, inclusiv anti-PD-1/PD-L1, anti-CTLA-4 și terapii combinate.

Într-o evaluare solicitantă de excludere a unei cohorte, în care modelul este testat în mod repetat pe o cohortă pe care nu a văzut-o niciodată, COMPASS a obținut cea mai bună performanță medie dintre 22 de modele concurente. A îmbunătățit acuratețea predicției cu 8,5 la sută și aria de sub curba de precizie-rechemare (AUPRC), o măsură cheie atunci când un rezultat este mult mai rar decât celălalt, cu 15,7 la sută.

Cel mai izbitor rezultat a venit într-un studiu de fază 2 a carcinomului urotelial metastatic, un cancer al vezicii urinare și al tractului urinar. Pacienții despre care COMPASS a prezis că ar răspunde au supraviețuit semnificativ mai mult decât cei pe care i-a prezis că nu ar fi răspuns, cu un raport de risc de 4,7 și o valoare P de 1,7 × 10⁻⁷. Pe această măsură, modelul AI a depășit atât testarea TMB, cât și PD-L1, biomarkerii utilizați în prezent în clinică.

Explicarea de ce pacienții răspund sau nu

Dincolo de acuratețea brută, COMPASS generează hărți de răspuns personalizate care conectează expresia genetică a pacientului cu concepte imunitare specifice. Aceste hărți ajută la explicarea mecanismului din spatele unei predicții și expun cazuri în care categoriile convenționale induc în eroare.

De exemplu, medicii clasifică adesea tumorile folosind trei fenotipuri imune: inflamat, exclus și deșert. Dar COMPASS a arătat că această sortare grosieră poate fi înșelătoare. Unii pacienți cu tumori „inflamate”, care ar trebui să prezică un răspuns bun, nu au răspuns din cauza suprimării semnalelor conduse de o proteină numită TGFβ, excluderea vasculară sau disfuncția anumitor celule imunitare. În schimb, unii pacienți ale căror tumori nu păreau inflamate au răspuns în continuare, deoarece au păstrat activitate imună citotoxică sau au purtat o povară mutațională mare fără semnale imunosupresoare.

Prin rezolvarea acestor distincții ascunse, COMPASS identifică stări imunitare funcționale care completează, mai degrabă decât înlocuiesc pur și simplu, biomarkerii existenți.

Ce urmează

Studiul subliniază atât promisiunea, cât și limitele IA în oncologie. COMPASS se generalizează în toate tipurile de cancer și tratamente și se poate adapta la cohorte clinice mici prin învățarea de transfer eficientă din punct de vedere al parametrilor, inclusiv un mod zero-shot care potrivește pacienții noi cu cazuri similare fără pregătire suplimentară. Dar autorii observă că răspunsul la imunoterapie depinde de mulți factori dincolo de transcriptom, iar adoptarea clinică va necesita o validare suplimentară în rândul populațiilor mai mari și mai diverse.

Lucrarea reflectă, de asemenea, o tendință mai largă: modelele de fundație pregătite în prealabil pe seturi de date vaste și apoi adaptate sarcinilor medicale specializate se apropie de clinică. Dacă conceptele învățate din biologia imunității tumorale se pot traduce în decizii de tratament mai bune și mai rapide pentru pacienții individuali este întrebarea la care va trebui să răspundă următoarea rundă de studii.

Rămâi înaintea AI

Modelele de fundație trec din ce în ce mai mult de la text și imagini la medicină și științe. Urmăriți cele mai recente evoluții AI care modelează asistența medicală și cercetarea.

Citiți mai multe știri AI →