Исследователи разработали модель искусственного интеллекта для борьбы с раком, которая предсказывает, как пациенты будут реагировать на иммунотерапию, точнее, чем стандартные биомаркеры, на которые сегодня полагаются врачи. Модель под названием COMPASS была описана в исследовании, опубликованном в журнале Nature Medicine 3 июля 2026 года, и распространяется на различные типы опухолей, схемы лечения и клинические группы.

Иммунотерапия, особенно класс препаратов, известных как ингибиторы иммунных контрольных точек, изменила лечение рака, но от этого выигрывает лишь меньшинство пациентов. В освещении отрасли искусственного интеллекта о том, как машинное обучение меняет медицину, COMPASS предлагает подробный обзор того, как методы базовой модели переходят от языка и изображений к онкологии.

Проблема, которую решает КОМПАС

Ингибиторы иммунных контрольных точек, или ICI, значительно улучшают результаты лечения некоторых видов рака, отпуская тормоза иммунной системы, чтобы она могла атаковать опухоли. Загвоздка в том, что ответы неравномерны. Только часть пациентов достигает стойкой ремиссии, в то время как многие другие не видят никакой пользы, а врачи имеют ограниченные инструменты для того, чтобы заранее сказать, кто будет реагировать.

Сегодняшние клинически проверенные предикторы, в основном опухолевая мутационная нагрузка (TMB) и экспрессия белка под названием PD-L1, несовершенны. Панраковый анализ более чем 27 000 пациентов, получавших ICI, выявил лишь слабые или противоречивые связи между этими маркерами и фактическими реакциями пациентов. В результате пациенты могут подвергаться воздействию лекарств, которые им не помогут, в то время как другие лекарства, которые могут принести пользу, никогда не выявляются.

COMPASS стремится заполнить этот пробел, изучая интерпретируемые, биологически обоснованные концепции об иммунном микроокружении опухоли (ВРЕМЯ), сложном взаимодействии между опухолью и окружающими ее иммунными клетками.

Модель фундамента с узким местом концепции

COMPASS построен как концептуальная модель узкого места, архитектура, призванная быть объяснимой, а не черным ящиком. Он обрабатывает данные секвенирования опухолевой РНК пациента с помощью генного кодировщика на основе трансформатора, который считывает экспрессию 15 672 генов, кодирующих белок. Эти встраивания генов затем проецируются на 132 курируемых генных сигнатуры и объединяются в 43 концепции иммунитета и микроокружения высокого уровня, создавая компактное представление динамики опухолевого иммунитета каждого пациента.

Модель была предварительно обучена с использованием контрастивного обучения под самоконтролем на 10 184 опухолях 33 типов рака из Атласа генома рака (TCGA). Изучая сначала большие объемы немаркированных данных, COMPASS создает обобщенные представления, которые затем можно точно настроить на гораздо меньших клинических когортах, что является важным свойством, учитывая, насколько скудны маркированные данные по иммунотерапии.

Поскольку архитектура передает информацию через понятные человеку концепции, врачи могут проверить, какие биологические сигналы, такие как истощение Т-клеток, миелоидные программы или иммунорегуляторные сигналы, привели к определенному прогнозу. Это контрастирует со многими моделями глубокого обучения, которые выдают оценку без объяснения причин.

Хорошие результаты в борьбе с раком

Исследователи оценили COMPASS на 1133 пациентах из 16 клинических когорт, охватывающих семь типов рака, используя транскриптомы опухолей перед лечением для прогнозирования ответа на ингибиторы контрольных точек, включая анти-PD-1/PD-L1, анти-CTLA-4 и комбинированную терапию.

В требовательной оценке с исключением одной когорты, когда модель неоднократно тестировалась на когорте, которую она никогда не видела, COMPASS достиг наилучших средних показателей среди 22 конкурирующих моделей. Это улучшило точность прогнозирования на 8,5 процента, а площадь под кривой точности-памяти (AUPRC), ключевого показателя, когда один результат встречается гораздо реже, чем другой, на 15,7 процента.

Самый поразительный результат был достигнут во второй фазе исследования метастатической уротелиальной карциномы, рака мочевого пузыря и мочевыводящих путей. Пациенты, которые, по прогнозам COMPASS, будут реагировать, выжили значительно дольше, чем те, которые, по прогнозам, этого не сделали, с коэффициентом риска 4,7 и значением P 1,7 × 10⁻⁷. По этому показателю модель ИИ превзошла тесты TMB и PD-L1 — биомаркеры, которые в настоящее время используются в клинике.

Объяснение, почему пациенты реагируют или нет

Помимо абсолютной точности, COMPASS генерирует персонализированные карты ответов, которые связывают экспрессию генов пациента с конкретными иммунными концепциями. Эти карты помогают объяснить механизм предсказания и выявляют случаи, когда традиционные категории вводят в заблуждение.

Например, врачи часто классифицируют опухоли, используя три иммунных фенотипа: воспаленный, исключенный и пустынный. Но КОМПАС показал, что такая грубая сортировка может быть обманчивой. Некоторые пациенты с «воспаленными» опухолями, которые должны прогнозировать хороший ответ, не реагировали из-за подавления сигналов, вызываемых белком TGFβ, сосудистой эксклюзии или дисфункции определенных иммунных клеток. И наоборот, некоторые пациенты, чьи опухоли не выглядели воспаленными, все же реагировали, поскольку они сохраняли цитотоксическую иммунную активность или несли высокую мутационную нагрузку без иммуносупрессивных сигналов.

Разрешая эти скрытые различия, COMPASS идентифицирует функциональные иммунные состояния, которые дополняют, а не просто заменяют существующие биомаркеры.

Что будет дальше

Исследование подчеркивает как перспективность, так и ограниченность применения ИИ в онкологии. COMPASS обобщает типы рака и методы лечения и может адаптироваться к небольшим клиническим когортам посредством эффективного обучения с передачей параметров, включая режим «нулевого выстрела», который сопоставляет новых пациентов с аналогичными случаями без дополнительного обучения. Но авторы отмечают, что ответ иммунотерапии зависит от многих факторов, выходящих за рамки транскриптома, и клиническое внедрение потребует дальнейшей проверки на более крупных и разнообразных популяциях.

Работа также отражает более широкую тенденцию: базовые модели, предварительно обученные на обширных наборах данных, а затем адаптированные для специализированных медицинских задач, приближаются к клиникам. Смогут ли концепции, извлеченные из иммунобиологии опухолей, воплотиться в более эффективные и быстрые решения о лечении отдельных пациентов – это вопрос, на который придется ответить в следующем раунде исследований.

Будьте впереди ИИ

Модели фонда все чаще переходят от текста и изображений к медицине и науке. Следите за последними разработками в области искусственного интеллекта, которые влияют на здравоохранение и исследования.

Читать больше новостей об искусственном интеллекте →