Forskare har utvecklat en pan-cancer AI-modell som förutsäger hur patienter kommer att svara på immunterapi mer exakt än de vanliga biomarkörerna läkare förlitar sig på idag. Modellen, kallad COMPASS, beskrevs i en studie publicerad i Nature Medicine den 3 juli 2026, och den generaliserar över olika tumörtyper, behandlingsregimer och kliniska kohorter.
Immunterapi, särskilt en klass av läkemedel som kallas immunkontrollpunktshämmare, har förändrat cancervården, men endast en minoritet av patienterna gynnas. För AI-branschens täckning som följer hur maskininlärning omformar medicin, erbjuder COMPASS en detaljerad titt på hur grundmodelltekniker går från språk och bilder till onkologi.
Problemet KOMPASS löser
Immunkontrollpunktshämmare, eller ICI, har dramatiskt förbättrade resultat för vissa cancerformer genom att släppa bromsarna på immunsystemet så att det kan attackera tumörer. Haken är att svaren är ojämna. Endast en delmängd av patienter uppnår varaktig remission, medan många andra inte ser någon nytta alls, och läkare har begränsade verktyg för att berätta i förväg vem som kommer att svara.
Dagens kliniskt validerade prediktorer, främst tumörmutationsbördan (TMB) och uttrycket av ett protein som kallas PD-L1, är ofullkomliga. En pan-canceranalys av mer än 27 000 ICI-behandlade patienter fann endast svaga eller inkonsekventa kopplingar mellan dessa markörer och faktiska patientsvar. Resultatet är att patienter kan exponeras för läkemedel som inte hjälper dem, medan andra som kan ha nytta aldrig identifieras.
COMPASS syftar till att överbrygga det gapet genom att lära sig tolkningsbara, biologiskt grundade koncept om tumörens immunmikromiljö (TIME), det komplexa samspelet mellan en tumör och immuncellerna runt den.
En konceptmodell för flaskhalsfundament
COMPASS är byggd som en konceptflaskhalsmodell, en arkitektur designad för att vara förklarlig snarare än en svart låda. Den bearbetar en patients tumör-RNA-sekvenseringsdata genom en transformatorbaserad genkodare som läser uttrycket av 15 672 proteinkodande gener. Dessa geninbäddningar projiceras sedan på 132 kurerade gensignaturer och aggregeras till 43 immun- och mikromiljökoncept på hög nivå, vilket ger en kompakt representation av varje patients tumör-immundynamik.
Modellen förtränades med hjälp av självövervakad kontrastiv inlärning på 10 184 tumörer över 33 cancertyper från The Cancer Genome Atlas (TCGA). Genom att först lära av stora mängder omärkt data bygger COMPASS generaliserbara representationer som sedan kan finjusteras på mycket mindre kliniska kohorter, en viktig egenskap med tanke på hur få märkta immunterapidata är.
Eftersom arkitekturen skickar information genom mänskliga läsbara koncept, kan läkare inspektera vilka biologiska signaler, såsom utmattning av T-celler, myeloidprogram eller immunregulatorisk signalering, som drev en given förutsägelse. Det står i kontrast till många djupinlärningsmodeller som ger ett resultat utan att förklara resonemanget bakom det.
Starka resultat för cancer
Forskarna utvärderade COMPASS på 1 133 patienter från 16 kliniska kohorter som spänner över sju cancertyper, med användning av förbehandlingstumörtranskriptom för att förutsäga svar på checkpoint-hämmare inklusive anti-PD-1/PD-L1, anti-CTLA-4 och kombinationsterapier.
I en krävande leave-one-cohort-out-utvärdering, där modellen upprepade gånger testas på en kohort den aldrig sett, uppnådde COMPASS den bästa genomsnittliga prestationen bland 22 konkurrerande modeller. Det förbättrade prediktionsnoggrannheten med 8,5 procent och området under precision-återkallningskurvan (AUPRC), ett nyckelmått när det ena resultatet är mycket sällsyntare än det andra, med 15,7 procent.
Det mest slående resultatet kom i en uthållen fas 2-studie av metastaserande urotelial karcinom, en cancer i urinblåsan och urinvägarna. Patienter som COMPASS förutspådde skulle svara överlevde betydligt längre än de som den förutspådde inte skulle göra det, med ett riskförhållande på 4,7 och ett P-värde på 1,7 × 10⁻⁷. På detta mått överträffade AI-modellen både TMB- och PD-L1-testning, de biomarkörer som för närvarande används på kliniken.
Förklara varför patienter svarar eller inte gör det
Utöver rå noggrannhet genererar COMPASS personliga svarskartor som kopplar en patients genuttryck till specifika immunkoncept. Dessa kartor hjälper till att förklara mekanismen bakom en förutsägelse, och de avslöjar fall där de konventionella kategorierna vilseleder.
Till exempel klassificerar läkare ofta tumörer med hjälp av tre immunfenotyper: inflammerad, utesluten och öken. Men COMPASS visade att denna grova sortering kan vara vilseledande. Vissa patienter med "inflammerade" tumörer, som borde förutsäga ett bra svar, svarade inte på grund av undertryckande av signaler som drivs av ett protein som kallas TGFβ, vaskulär uteslutning eller dysfunktion i vissa immunceller. Omvänt svarade vissa patienter vars tumörer inte såg inflammerade fortfarande, eftersom de behöll cytotoxisk immunaktivitet eller bar på hög mutationsbörda utan immunsuppressiva signaler.
Genom att lösa dessa dolda distinktioner identifierar COMPASS funktionella immuntillstånd som kompletterar, snarare än bara ersätter, befintliga biomarkörer.
Vad kommer härnäst
Studien understryker både löftet och gränserna för AI inom onkologi. COMPASS generaliserar över cancertyper och behandlingar och kan anpassas till små kliniska kohorter genom parametereffektiv överföringsinlärning, inklusive ett nollskottsläge som matchar nya patienter till liknande fall utan ytterligare utbildning. Men författarna noterar att immunterapisvar beror på många faktorer bortom transkriptomet, och klinisk adoption kommer att kräva ytterligare validering över större och mer olika populationer.
Arbetet speglar också en bredare trend: grundmodeller som är förtränade på stora datamängder och sedan anpassade till specialiserade medicinska uppgifter flyttar närmare kliniken. Huruvida begrepp som lärts från tumörimmunbiologi kan översättas till bättre, snabbare behandlingsbeslut för enskilda patienter är frågan som nästa omgång av prövningar måste besvara.
Ligg före AI
Grundmodeller går alltmer från text och bilder till medicin och vetenskap. Spåra den senaste AI-utvecklingen som formar hälsovård och forskning.
Läs mer AI-nyheter →
