Дослідники розробили панракову модель штучного інтелекту, яка точніше прогнозує, як пацієнти реагуватимуть на імунотерапію, ніж стандартні біомаркери, на які сьогодні покладаються лікарі. Модель під назвою COMPASS була описана в дослідженні, опублікованому в Nature Medicine 3 липня 2026 року, і вона узагальнює різні типи пухлин, схеми лікування та клінічні когорти.

Імунотерапія, особливо клас препаратів, відомих як інгібітори імунних контрольних точок, змінила лікування раку, але лише меншість пацієнтів отримує користь. Для [висвітлення індустрії штучного інтелекту] (https://aibuzzwire.news), що слідкує за тим, як машинне навчання змінює форму медицини, COMPASS пропонує детальний огляд того, як методи базової моделі переходять від мови та зображень до онкології.

Проблема КОМПАС

Інгібітори імунних контрольних точок, або ICI, значно покращили результати лікування деяких видів раку, відпустивши гальма імунної системи, щоб вона могла атакувати пухлини. Заковика в тому, що відповіді нерівні. Лише частина пацієнтів досягає тривалої ремісії, тоді як багато інших не бачать жодної користі, і лікарі мають обмежені інструменти, щоб заздалегідь сказати, хто відповість.

Сучасні клінічно підтверджені предиктори, головним чином мутаційний тягар пухлини (TMB) і експресія білка під назвою PD-L1, недосконалі. Панраковий аналіз понад 27 000 пацієнтів, які отримували ICI, виявив лише слабкі або непослідовні зв’язки між цими маркерами та фактичними реакціями пацієнтів. Результатом є те, що пацієнти можуть піддаватися дії ліків, які їм не допоможуть, тоді як інші, які можуть бути корисними, ніколи не ідентифікуються.

COMPASS має на меті закрити цю прогалину, вивчаючи інтерпретовані, біологічно обґрунтовані концепції про імунне мікрооточення пухлини (ЧАС), складну взаємодію між пухлиною та імунними клітинами навколо неї.

Основна модель концептуального вузького місця

COMPASS створено як концептуальну модель вузького місця, архітектуру, розроблену для пояснення, а не чорного ящика. Він обробляє дані секвенування РНК пухлини пацієнта за допомогою кодувальника генів на основі трансформатора, який зчитує експресію 15 672 генів, що кодують білок. Ці вбудовані гени потім проектуються на 132 підібрані генні сигнатури та об’єднуються в 43 концепції імунітету та мікросередовища високого рівня, створюючи компактне представлення динаміки пухлинного імунітету кожного пацієнта.

Модель була попередньо навчена за допомогою самоконтрольованого контрастного навчання на 10 184 пухлинах 33 типів раку з Атласу геному раку (TCGA). Спочатку вивчаючи великі обсяги немічених даних, COMPASS створює узагальнені представлення, які потім можна точно налаштувати на значно менших клінічних когортах, що є важливою властивістю, враховуючи, наскільки мізерними є дані імунотерапії.

Оскільки архітектура передає інформацію через зрозумілі людині концепції, клініцисти можуть перевірити, які біологічні сигнали, такі як виснаження Т-клітин, мієлоїдні програми або імунорегуляторні сигнали, спричинили певний прогноз. Це відрізняється від багатьох моделей глибокого навчання, які видають оцінку, не пояснюючи причини, що стоять за цим.

Сильні результати проти раку

Дослідники оцінили COMPASS на 1133 пацієнтах із 16 клінічних когорт, що охоплюють сім типів раку, використовуючи транскриптоми пухлини перед лікуванням для прогнозування відповіді на інгібітори контрольних точок, включаючи анти-PD-1/PD-L1, анти-CTLA-4 та комбіновану терапію.

Під час складного оцінювання за винятком однієї когорти, де модель неодноразово тестується на когорті, якої вона ніколи не бачила, COMPASS досяг найкращої середньої продуктивності серед 22 конкуруючих моделей. Це покращило точність прогнозування на 8,5 відсотка, а площу під кривою точності-запам’ятовування (AUPRC), ключовим показником, коли один результат зустрічається набагато рідше іншого, на 15,7 відсотка.

Найбільш вражаючий результат був отриманий у фазі 2-го дослідження метастатичної уротеліальної карциноми, раку сечового міхура та сечовивідних шляхів. Пацієнти, для яких COMPASS передбачив реакцію, вижили значно довше, ніж ті, для яких він передбачив, що не буде, з коефіцієнтом ризику 4,7 і значенням P 1,7 × 10⁻⁷. За цим показником модель штучного інтелекту перевершила як тестування TMB, так і PD-L1, біомаркери, які зараз використовуються в клініці.

Пояснення, чому пацієнти реагують або ні

Окрім простої точності, COMPASS створює персоналізовані карти відповіді, які пов’язують експресію генів пацієнта з конкретними імунними концепціями. Ці карти допомагають пояснити механізм передбачення та виявляють випадки, коли звичайні категорії вводять в оману.

Наприклад, лікарі часто класифікують пухлини за трьома імунними фенотипами: запалені, виключені та пустелі. Але COMPASS показав, що таке грубе сортування може бути оманливим. Деякі пацієнти із «запаленими» пухлинами, які повинні передбачити хорошу реакцію, не відповіли через пригнічення сигналів, керованих білком під назвою TGFβ, васкулярне виключення або дисфункцію певних імунних клітин. І навпаки, деякі пацієнти, чиї пухлини не виглядали запаленими, все одно відповіли, оскільки вони зберегли цитотоксичну імунну активність або несли високий мутаційний тягар без імуносупресивних сигналів.

Усуваючи ці приховані відмінності, COMPASS визначає функціональні імунні стани, які доповнюють, а не просто замінюють існуючі біомаркери.

Що буде далі

Дослідження підкреслює як перспективи, так і обмеження ШІ в онкології. COMPASS узагальнює типи раку та лікування та може адаптуватися до невеликих клінічних когорт за допомогою ефективного навчання передачі параметрів, включаючи режим нульового удару, який зіставляє нових пацієнтів із подібними випадками без додаткового навчання. Але автори відзначають, що відповідь на імунотерапію залежить від багатьох факторів, окрім транскриптому, і клінічне впровадження потребує подальшої перевірки серед більших і різноманітніших популяцій.

Робота також відображає ширшу тенденцію: базові моделі, попередньо навчені на величезних наборах даних, а потім адаптовані до спеціалізованих медичних завдань, наближаються до клініки. Чи можуть концепції, отримані з імунної біології пухлини, перетворитися на кращі та швидші рішення щодо лікування для окремих пацієнтів, це питання, на яке має відповісти наступний раунд випробувань.

Будьте попереду ШІ

Основні моделі все більше переходять від тексту та зображень до медицини та науки. Слідкуйте за [останніми розробками штучного інтелекту] (https://aibuzzwire.news), що впливають на охорону здоров’я та дослідження.

Читати більше новин AI →