นักวิจัยได้พัฒนาแบบจำลอง AI ของมะเร็งตับ ซึ่งคาดการณ์ว่าผู้ป่วยจะตอบสนองต่อการบำบัดด้วยภูมิคุ้มกันอย่างไรได้แม่นยำกว่าที่แพทย์มาตรฐานด้านไบโอมาร์คเกอร์ใช้อยู่ในปัจจุบัน แบบจำลองนี้เรียกว่า COMPASS ได้รับการอธิบายไว้ในการศึกษาที่ตีพิมพ์ในวารสาร Nature Medicine เมื่อวันที่ 3 กรกฎาคม พ.ศ. 2569 และได้สรุปเกี่ยวกับเนื้องอกประเภทต่างๆ สูตรการรักษา และกลุ่มประชากรตามรุ่นทางคลินิก

การบำบัดด้วยภูมิคุ้มกัน โดยเฉพาะอย่างยิ่งยาประเภทหนึ่งที่เรียกว่าสารยับยั้งจุดตรวจภูมิคุ้มกัน ได้เปลี่ยนแปลงการดูแลโรคมะเร็ง แต่มีผู้ป่วยเพียงส่วนน้อยเท่านั้นที่ได้รับประโยชน์ สำหรับ ความครอบคลุมของอุตสาหกรรม AI ที่จะติดตามวิธีที่แมชชีนเลิร์นนิงกำลังพลิกโฉมยารักษาโรค COMPASS นำเสนอรายละเอียดว่าเทคนิคแบบจำลองรากฐานเปลี่ยนจากภาษาและรูปภาพไปสู่มะเร็งวิทยาอย่างไร

ปัญหาที่ COMPASS โหม่ง

สารยับยั้งจุดตรวจภูมิคุ้มกันหรือ ICIs ช่วยให้ผลลัพธ์ดีขึ้นอย่างมากสำหรับมะเร็งบางชนิดโดยการปล่อยเบรกบนระบบภูมิคุ้มกันเพื่อให้สามารถโจมตีเนื้องอกได้ สิ่งที่จับได้ก็คือการตอบสนองไม่สม่ำเสมอ มีเพียงผู้ป่วยกลุ่มย่อยเท่านั้นที่ได้รับการบรรเทาอาการอย่างถาวร ในขณะที่อีกหลายคนไม่เห็นประโยชน์เลย และแพทย์ก็มีเครื่องมือที่จำกัดในการบอกล่วงหน้าว่าใครจะตอบสนอง

ตัวทำนายที่ได้รับการตรวจสอบทางคลินิกในปัจจุบัน ซึ่งส่วนใหญ่ภาระการกลายพันธุ์ของเนื้องอก (TMB) และการแสดงออกของโปรตีนที่เรียกว่า PD-L1 นั้นไม่สมบูรณ์ การวิเคราะห์มะเร็งตับของผู้ป่วยที่ได้รับการรักษาด้วย ICI มากกว่า 27,000 ราย พบว่ามีเพียงความเชื่อมโยงที่อ่อนแอหรือไม่สอดคล้องกันระหว่างเครื่องหมายเหล่านั้นกับการตอบสนองของผู้ป่วยจริง ผลลัพธ์ก็คือผู้ป่วยอาจได้รับยาที่ไม่สามารถช่วยตนเองได้ ในขณะที่คนอื่นๆ ที่อาจได้รับประโยชน์นั้นไม่มีใครระบุได้

COMPASS มุ่งหวังที่จะปิดช่องว่างนั้นด้วยการเรียนรู้แนวคิดที่มีพื้นฐานทางชีววิทยาที่สามารถตีความได้เกี่ยวกับสภาพแวดล้อมจุลภาคของภูมิคุ้มกันของเนื้องอก (TIME) ซึ่งเป็นการทำงานร่วมกันที่ซับซ้อนระหว่างเนื้องอกและเซลล์ภูมิคุ้มกันที่อยู่รอบๆ

แบบจำลองมูลนิธิคอขวดแนวคิด

COMPASS ถูกสร้างขึ้นเพื่อเป็นโมเดลคอขวดของแนวคิด ซึ่งเป็นสถาปัตยกรรมที่ออกแบบมาเพื่อให้สามารถอธิบายได้แทนที่จะเป็นกล่องดำ โดยจะประมวลผลข้อมูลการจัดลำดับ RNA ของเนื้องอกของผู้ป่วยผ่านตัวเข้ารหัสยีนที่ใช้หม้อแปลงไฟฟ้า ซึ่งจะอ่านการแสดงออกของยีนเข้ารหัสโปรตีน 15,672 ตัว จากนั้น การฝังยีนเหล่านั้นจะถูกฉายลงบนลายเซ็นของยีนที่คัดสรรแล้ว 132 รายการ และรวมเข้าเป็นแนวคิดภูมิคุ้มกันและสภาพแวดล้อมจุลภาคระดับสูง 43 แนวคิด ทำให้เกิดการนำเสนอที่กะทัดรัดของการเปลี่ยนแปลงของเนื้องอกและภูมิคุ้มกันของผู้ป่วยแต่ละราย

แบบจำลองนี้ได้รับการฝึกอบรมล่วงหน้าโดยใช้การเรียนรู้เชิงเปรียบเทียบแบบมีผู้ดูแลด้วยตนเองกับเนื้องอก 10,184 ตัวจากมะเร็ง 33 ชนิดจาก Cancer Genome Atlas (TCGA) ด้วยการเรียนรู้จากข้อมูลที่ไม่มีป้ายกำกับจำนวนมากก่อน COMPASS จะสร้างการนำเสนอที่สามารถสรุปได้ทั่วไป ซึ่งจากนั้นจะสามารถปรับแต่งได้ในกลุ่มผู้ป่วยทางคลินิกที่มีขนาดเล็กกว่ามาก ซึ่งเป็นคุณสมบัติที่สำคัญเมื่อพิจารณาถึงความหายากของข้อมูลการบำบัดด้วยภูมิคุ้มกันที่มีป้ายกำกับ

เนื่องจากสถาปัตยกรรมส่งข้อมูลผ่านแนวคิดที่มนุษย์สามารถอ่านได้ แพทย์สามารถตรวจสอบได้ว่าสัญญาณทางชีววิทยาใด เช่น การอ่อนแรงของทีเซลล์ โปรแกรมไมอีลอยด์ หรือการส่งสัญญาณทางภูมิคุ้มกันที่ขับเคลื่อนการทำนายที่กำหนด ซึ่งตรงกันข้ามกับโมเดลการเรียนรู้เชิงลึกหลายๆ แบบที่ให้คะแนนโดยไม่ต้องอธิบายเหตุผลเบื้องหลัง

ผลลัพธ์ที่ชัดเจนสำหรับโรคมะเร็ง

นักวิจัยได้ประเมิน COMPASS ในผู้ป่วย 1,133 รายที่มาจากกลุ่มผู้ป่วยทางคลินิก 16 กลุ่มซึ่งครอบคลุมมะเร็ง 7 ประเภท โดยใช้ทรานสคริปโตมเนื้องอกก่อนการรักษาเพื่อคาดการณ์การตอบสนองต่อสารยับยั้งจุดตรวจสอบ รวมถึง anti-PD-1/PD-L1, anti-CTLA-4 และการรักษาแบบผสมผสาน

ในการประเมินแบบแบ่งตามรุ่นที่มีความต้องการสูง โดยที่โมเดลได้รับการทดสอบซ้ำๆ ในกลุ่มที่ไม่เคยพบเห็นมาก่อน COMPASS ได้รับประสิทธิภาพโดยเฉลี่ยที่ดีที่สุดในกลุ่มโมเดลที่แข่งขันกัน 22 รุ่น โดยปรับปรุงความแม่นยำในการทำนายขึ้น 8.5 เปอร์เซ็นต์ และพื้นที่ใต้เส้นโค้งการเรียกคืนความแม่นยำ (AUPRC) ซึ่งเป็นตัวชี้วัดหลักเมื่อผลลัพธ์หนึ่งหายากกว่าผลลัพธ์อื่นๆ มากถึง 15.7 เปอร์เซ็นต์

ผลลัพธ์ที่โดดเด่นที่สุดเกิดขึ้นในการทดลองระยะที่ 2 แบบยืดเยื้อเกี่ยวกับมะเร็งท่อปัสสาวะระยะลุกลาม ซึ่งเป็นมะเร็งของกระเพาะปัสสาวะและทางเดินปัสสาวะ ผู้ป่วยที่ COMPASS คาดการณ์ว่าจะตอบสนองจะรอดชีวิตได้นานกว่าที่คาดการณ์ไว้อย่างมีนัยสำคัญ โดยมีอัตราส่วนอันตรายที่ 4.7 และค่า P เท่ากับ 1.7 × 10⁻7 ในการวัดผลนี้ โมเดล AI มีประสิทธิภาพเหนือกว่าทั้งการทดสอบ TMB และ PD-L1 ซึ่งเป็นตัวบ่งชี้ทางชีวภาพที่ใช้ในคลินิกในปัจจุบัน

อธิบายว่าทำไมผู้ป่วยจึงตอบสนองหรือไม่ตอบสนอง

นอกเหนือจากความถูกต้องแม่นยำแล้ว COMPASS ยังสร้างแผนที่การตอบสนองส่วนบุคคลที่เชื่อมโยงการแสดงออกของยีนของผู้ป่วยกับแนวคิดภูมิคุ้มกันที่เฉพาะเจาะจง แผนที่เหล่านี้ช่วยอธิบายกลไกเบื้องหลังการทำนาย และเผยให้เห็นกรณีที่หมวดหมู่ทั่วไปทำให้เข้าใจผิด

ตัวอย่างเช่น แพทย์มักจะจำแนกเนื้องอกโดยใช้ฟีโนไทป์ภูมิคุ้มกัน 3 แบบ ได้แก่ อักเสบ ไม่รวม และทะเลทราย แต่ COMPASS แสดงให้เห็นว่าการเรียงลำดับแบบหยาบนี้สามารถหลอกลวงได้ ผู้ป่วยบางรายที่มีเนื้องอก "อักเสบ" ซึ่งควรคาดการณ์การตอบสนองที่ดี ไม่ตอบสนองเนื่องจากการระงับสัญญาณที่ขับเคลื่อนโดยโปรตีนที่เรียกว่า TGFβ การแยกหลอดเลือด หรือความผิดปกติในเซลล์ภูมิคุ้มกันบางชนิด ในทางกลับกัน ผู้ป่วยบางรายที่เนื้องอกดูไม่อักเสบ ยังคงตอบสนอง เพราะพวกเขายังคงมีฤทธิ์ของภูมิคุ้มกันที่เป็นพิษต่อเซลล์ หรือมีภาระในการกลายพันธุ์สูงโดยไม่มีสัญญาณกดภูมิคุ้มกัน

ด้วยการแก้ไขความแตกต่างที่ซ่อนอยู่เหล่านั้น COMPASS จะระบุสภาวะภูมิคุ้มกันเชิงหน้าที่ที่ช่วยเสริมตัวบ่งชี้ทางชีวภาพที่มีอยู่ แทนที่จะแทนที่เพียงเพียงอย่างเดียว

อะไรจะเกิดขึ้นต่อไป

การศึกษานี้ตอกย้ำทั้งคำมั่นสัญญาและข้อจำกัดของ AI ในด้านเนื้องอกวิทยา COMPASS ครอบคลุมมะเร็งประเภทต่างๆ และการรักษา และสามารถปรับให้เข้ากับกลุ่มผู้ป่วยทางคลินิกขนาดเล็กผ่านการเรียนรู้การถ่ายโอนที่มีประสิทธิภาพตามพารามิเตอร์ รวมถึงโหมด Zero-shot ที่จับคู่ผู้ป่วยใหม่กับกรณีที่คล้ายกันโดยไม่ต้องมีการฝึกอบรมเพิ่มเติม แต่ผู้เขียนตั้งข้อสังเกตว่าการตอบสนองของการบำบัดด้วยภูมิคุ้มกันขึ้นอยู่กับหลายปัจจัยนอกเหนือจากการถอดเสียง และการนำทางคลินิกไปใช้จะต้องมีการตรวจสอบเพิ่มเติมในประชากรกลุ่มใหญ่และมีความหลากหลายมากขึ้น

งานนี้ยังสะท้อนให้เห็นถึงแนวโน้มที่กว้างขึ้น: แบบจำลองพื้นฐานที่ได้รับการฝึกอบรมบนชุดข้อมูลจำนวนมหาศาล จากนั้นจึงปรับให้เข้ากับงานทางการแพทย์เฉพาะทางกำลังเข้าใกล้คลินิกมากขึ้น แนวคิดที่เรียนรู้จากชีววิทยาภูมิคุ้มกันของเนื้องอกสามารถแปลไปสู่การตัดสินใจในการรักษาที่ดีขึ้นและเร็วขึ้นสำหรับผู้ป่วยแต่ละรายได้หรือไม่ นั้นเป็นคำถามที่การทดลองรอบต่อไปจะต้องตอบ

ก้าวนำหน้า AI

แบบจำลองพื้นฐานกำลังเปลี่ยนจากข้อความและรูปภาพไปสู่การแพทย์และวิทยาศาสตร์มากขึ้น ติดตาม การพัฒนา AI ล่าสุด ที่กำหนดรูปแบบการดูแลสุขภาพและการวิจัย

อ่านข่าว AI เพิ่มเติม →