Araştırmacılar, hastaların immünoterapiye nasıl tepki vereceğini, bugün doktorların güvendiği standart biyobelirteçlerden daha doğru bir şekilde tahmin eden bir pan-kanser yapay zeka modeli geliştirdiler. COMPASS adı verilen model, 3 Temmuz 2026'da Nature Medicine'de yayınlanan bir çalışmada tanımlanmış olup farklı tümör tipleri, tedavi rejimleri ve klinik gruplara genellenmektedir.

İmmünoterapi, özellikle de bağışıklık kontrol noktası inhibitörleri olarak bilinen bir ilaç sınıfı, kanser bakımını dönüştürdü, ancak hastaların yalnızca küçük bir kısmı bundan faydalanıyor. Makine öğreniminin tıbbı nasıl yeniden şekillendirdiğini takip eden Yapay Zeka sektörü yayını için COMPASS, temel model tekniklerinin dil ve görüntülerden onkolojiye nasıl geçtiğine dair ayrıntılı bir bakış sunuyor.

PUSULA'nın Çözdüğü Sorun

Bağışıklık kontrol noktası inhibitörleri veya ICI'ler, bağışıklık sistemi üzerindeki frenleri serbest bırakarak tümörlere saldırabilmesini sağlayarak bazı kanserlerin sonuçlarını önemli ölçüde iyileştirdi. İşin püf noktası, yanıtların eşit olmamasıdır. Hastaların yalnızca bir kısmı kalıcı remisyona ulaşırken, diğerlerinin çoğu hiçbir fayda görmüyor ve doktorların kimin müdahale edeceğini önceden söylemek için sınırlı araçları var.

Günümüzün klinik olarak doğrulanmış belirleyicileri, özellikle tümör mutasyon yükü (TMB) ve PD-L1 adı verilen bir proteinin ifadesi kusurludur. ICI ile tedavi edilen 27.000'den fazla hasta üzerinde yapılan bir pan-kanser analizi, bu belirteçler ile gerçek hasta yanıtları arasında yalnızca zayıf veya tutarsız bağlantılar buldu. Sonuç olarak, hastalar kendilerine fayda sağlamayacak ilaçlara maruz kalabilirken, fayda sağlayabilecek diğer kişiler hiçbir zaman belirlenemeyebilir.

COMPASS, tümör bağışıklık mikro ortamı (TIME) ve bir tümör ile etrafındaki bağışıklık hücreleri arasındaki karmaşık etkileşim hakkında yorumlanabilir, biyolojik temelli kavramları öğrenerek bu boşluğu kapatmayı amaçlıyor.

Konsept Darboğaz Temel Modeli

COMPASS, bir konsept darboğaz modeli olarak inşa edilmiştir; bir kara kutudan ziyade açıklanabilir bir mimari olarak tasarlanmıştır. Bir hastanın tümör RNA dizileme verilerini, 15.672 protein kodlayan genin ifadesini okuyan transformatör bazlı bir gen kodlayıcı aracılığıyla işler. Bu gen yerleştirmeleri daha sonra 132 küratörlü gen imzasına yansıtılıyor ve 43 yüksek seviyeli bağışıklık ve mikro-ortam konsepti halinde toplanıyor, böylece her hastanın tümör bağışıklık dinamiklerinin kompakt bir temsili üretiliyor.

Model, Kanser Genom Atlası'ndan (TCGA) 33 kanser türünde 10.184 tümör üzerinde kendi kendini denetleyen karşılaştırmalı öğrenme kullanılarak önceden eğitildi. COMPASS, önce büyük miktarlarda etiketlenmemiş verilerden öğrenerek, daha sonra çok daha küçük klinik gruplarda ince ayar yapılabilecek genelleştirilebilir temsiller oluşturur; etiketli immünoterapi verilerinin ne kadar az olduğu göz önüne alındığında bu önemli bir özelliktir.

Mimari, bilgiyi insan tarafından okunabilen kavramlar aracılığıyla aktardığından, klinisyenler T hücresi tükenmesi, miyeloid programlar veya immün düzenleyici sinyaller gibi hangi biyolojik sinyallerin belirli bir tahmine yol açtığını inceleyebilir. Bu, arkasındaki mantığı açıklamadan puan veren birçok derin öğrenme modeliyle tezat oluşturuyor.

Kanserlerde Güçlü Sonuçlar

Araştırmacılar, anti-PD-1/PD-L1, anti-CTLA-4 ve kombinasyon tedavileri de dahil olmak üzere kontrol noktası inhibitörlerine yanıtı tahmin etmek için ön tedavi tümör transkriptomlarını kullanarak, yedi kanser türünü kapsayan 16 klinik gruptan alınan 1.133 hasta üzerinde COMPASS'ı değerlendirdi.

Modelin daha önce hiç görmediği bir grup üzerinde tekrar tekrar test edildiği zorlu bir grubu dışarıda bırakma değerlendirmesinde COMPASS, 22 rakip model arasında en iyi ortalama performansı elde etti. Tahmin doğruluğunu yüzde 8,5 oranında artırdı ve bir sonucun diğerinden çok daha nadir olduğu durumlarda önemli bir ölçüm olan hassas geri çağırma eğrisinin altındaki alanı (AUPRC) yüzde 15,7 oranında artırdı.

En çarpıcı sonuç, mesane ve idrar yolu kanseri olan metastatik ürotelyal karsinomun ertelenen faz 2 denemesinde geldi. COMPASS'ın yanıt vereceğini tahmin ettiği hastalar, 4,7 tehlike oranı ve 1,7 × 10⁻⁷ P değeriyle, yanıt vermeyeceğini tahmin ettiği hastalardan önemli ölçüde daha uzun süre hayatta kaldı. Bu ölçümde AI modeli, şu anda klinikte kullanılan biyobelirteçler olan TMB ve PD-L1 testinden daha iyi performans gösterdi.

Hastaların Neden Yanıt Verdiğini veya Vermediğini Açıklamak

Ham doğruluğun ötesinde, COMPASS hastanın gen ifadesini belirli bağışıklık kavramlarına bağlayan kişiselleştirilmiş yanıt haritaları oluşturur. Bu haritalar bir tahminin ardındaki mekanizmayı açıklamaya yardımcı oluyor ve geleneksel kategorilerin yanıltıcı olduğu durumları ortaya çıkarıyor.

Örneğin, doktorlar genellikle tümörleri üç bağışıklık fenotipini kullanarak sınıflandırır: iltihaplı, dışlanmış ve çöl. Ancak COMPASS bu kaba sınıflandırmanın yanıltıcı olabileceğini gösterdi. İyi bir yanıtı öngörmesi gereken "iltihaplı" tümörleri olan bazı hastalar, TGFβ adı verilen bir protein tarafından yönlendirilen sinyallerin baskılanması, vasküler dışlanma veya belirli bağışıklık hücrelerindeki işlev bozukluğu nedeniyle yanıt vermedi. Tersine, tümörleri iltihaplı görünmeyen bazı hastalar yine de yanıt verdi çünkü sitotoksik bağışıklık aktivitesini korudular veya bağışıklık baskılayıcı sinyaller olmadan yüksek mutasyon yükü taşıdılar.

COMPASS, bu gizli ayrımları çözerek, mevcut biyobelirteçlerin yerini almak yerine onları tamamlayan işlevsel bağışıklık durumlarını tanımlar.

Sırada Ne Var?

Çalışma, yapay zekanın onkolojideki vaatlerinin ve sınırlarının altını çiziyor. COMPASS, kanser türleri ve tedavileri genelinde genelleme yapar ve yeni hastaları ek eğitim gerektirmeden benzer vakalarla eşleştiren sıfır atış modu da dahil olmak üzere, parametre açısından verimli transfer öğrenimi yoluyla küçük klinik gruplara uyum sağlayabilir. Ancak yazarlar, immünoterapi yanıtının transkriptomun ötesinde birçok faktöre bağlı olduğunu ve klinik benimsemenin daha büyük ve daha çeşitli popülasyonlarda daha fazla doğrulama gerektireceğini belirtiyor.

Çalışma aynı zamanda daha geniş bir eğilimi de yansıtıyor: Geniş veri kümeleri üzerinde önceden eğitilen ve daha sonra uzmanlaşmış tıbbi görevlere uyarlanan temel modeller kliniğe yaklaşıyor. Tümör immün biyolojisinden öğrenilen kavramların, bireysel hastalar için daha iyi, daha hızlı tedavi kararlarına dönüştürülüp dönüştürülemeyeceği, bir sonraki deneme turunun cevaplaması gereken sorudur.

Yapay Zekanın Önünde Olun

Temel modeller giderek metin ve görsellerden tıp ve bilime doğru ilerliyor. Sağlık hizmetlerini ve araştırmaları şekillendiren en son yapay zeka gelişmelerini takip edin.

Daha fazla AI haberini okuyun →