Các nhà nghiên cứu đã phát triển một mô hình AI chống ung thư có thể dự đoán cách bệnh nhân sẽ phản ứng với liệu pháp miễn dịch chính xác hơn các dấu ấn sinh học tiêu chuẩn mà các bác sĩ dựa vào ngày nay. Mô hình có tên COMPASS đã được mô tả trong một nghiên cứu được công bố trên tạp chí Nature Medicine vào ngày 3 tháng 7 năm 2026 và nó khái quát hóa các loại khối u, chế độ điều trị và nhóm lâm sàng khác nhau.

Liệu pháp miễn dịch, đặc biệt là một nhóm thuốc được gọi là thuốc ức chế điểm kiểm soát miễn dịch, đã làm thay đổi việc chăm sóc bệnh ung thư, nhưng chỉ một số ít bệnh nhân được hưởng lợi. Đối với thông tin về ngành AI về cách máy học đang định hình lại y học, COMPASS cung cấp cái nhìn chi tiết về cách các kỹ thuật mô hình nền tảng đang chuyển từ ngôn ngữ và hình ảnh sang ung thư.

Vấn đề xử lý COMPASS

Các chất ức chế điểm kiểm soát miễn dịch, hay ICI, đã cải thiện đáng kể kết quả đối với một số bệnh ung thư bằng cách giải phóng hệ thống miễn dịch để nó có thể tấn công các khối u. Điều đáng chú ý là các phản hồi không đồng đều. Chỉ một nhóm nhỏ bệnh nhân đạt được sự thuyên giảm lâu dài, trong khi nhiều người khác không thấy được lợi ích gì cả, và các bác sĩ có rất ít công cụ để biết trước ai sẽ đáp ứng.

Các yếu tố dự đoán được xác nhận lâm sàng ngày nay, chủ yếu là gánh nặng đột biến khối u (TMB) và biểu hiện của protein có tên PD-L1, đều không hoàn hảo. Một phân tích về ung thư toàn thể trên hơn 27.000 bệnh nhân được điều trị bằng ICI chỉ tìm thấy mối liên hệ yếu hoặc không nhất quán giữa các dấu hiệu đó và phản ứng thực tế của bệnh nhân. Kết quả là bệnh nhân có thể tiếp xúc với các loại thuốc không giúp ích gì cho họ, trong khi những loại thuốc khác có thể có lợi lại không bao giờ được xác định.

COMPASS nhằm mục đích thu hẹp khoảng cách đó bằng cách tìm hiểu các khái niệm có cơ sở sinh học, có thể giải thích được về môi trường vi mô miễn dịch khối u (TIME), sự tương tác phức tạp giữa khối u và các tế bào miễn dịch xung quanh nó.

Một mô hình nền tảng cổ chai ý tưởng

COMPASS được xây dựng như một mô hình thắt cổ chai khái niệm, một kiến trúc được thiết kế để có thể giải thích được chứ không phải là một hộp đen. Nó xử lý dữ liệu giải trình tự RNA khối u của bệnh nhân thông qua bộ mã hóa gen dựa trên máy biến áp để đọc biểu hiện của 15.672 gen mã hóa protein. Sau đó, các phần nhúng gen này được chiếu lên 132 chữ ký gen được quản lý và tổng hợp thành 43 khái niệm về môi trường vi mô và miễn dịch cấp độ cao, tạo ra một biểu diễn nhỏ gọn về động lực miễn dịch khối u của mỗi bệnh nhân.

Mô hình này đã được huấn luyện trước bằng cách sử dụng phương pháp học đối chiếu tự giám sát trên 10.184 khối u thuộc 33 loại ung thư từ The Cancer Genome Atlas (TCGA). Trước tiên, bằng cách học từ một lượng lớn dữ liệu chưa được gắn nhãn, COMPASS xây dựng các biểu diễn có thể khái quát hóa, sau đó có thể tinh chỉnh trên các nhóm thuần tập lâm sàng nhỏ hơn nhiều, một đặc tính quan trọng do dữ liệu liệu pháp miễn dịch được dán nhãn khan hiếm đến mức nào.

Vì kiến ​​trúc truyền thông tin qua các khái niệm mà con người có thể đọc được nên các bác sĩ lâm sàng có thể kiểm tra những tín hiệu sinh học nào, chẳng hạn như sự cạn kiệt tế bào T, các chương trình tủy hoặc tín hiệu điều hòa miễn dịch, đã đưa ra một dự đoán nhất định. Điều đó trái ngược với nhiều mô hình deep learning đưa ra điểm số mà không giải thích lý do đằng sau nó.

Kết quả mạnh mẽ đối với các bệnh ung thư

Các nhà nghiên cứu đã đánh giá COMPASS trên 1.133 bệnh nhân được rút ra từ 16 nhóm lâm sàng bao gồm 7 loại ung thư, sử dụng bản phiên mã khối u trước điều trị để dự đoán phản ứng với các chất ức chế điểm kiểm tra bao gồm kháng thể kháng PD-1/PD-L1, kháng CTLA-4 và các liệu pháp kết hợp.

Trong một cuộc đánh giá đòi hỏi phải loại bỏ một đoàn hệ, trong đó mô hình được thử nghiệm nhiều lần trên một đoàn hệ mà nó chưa từng thấy, COMPASS đã đạt được hiệu suất trung bình tốt nhất trong số 22 mô hình cạnh tranh. Nó đã cải thiện độ chính xác của dự đoán thêm 8,5% và diện tích dưới đường cong thu hồi chính xác (AUPRC), một thước đo quan trọng khi một kết quả hiếm hơn nhiều so với kết quả kia, thêm 15,7%.

Kết quả nổi bật nhất đến từ một thử nghiệm kéo dài giai đoạn 2 đối với ung thư biểu mô đường tiết niệu di căn, một loại ung thư bàng quang và đường tiết niệu. Những bệnh nhân mà COMPASS dự đoán sẽ đáp ứng sẽ sống sót lâu hơn đáng kể so với những bệnh nhân mà nó dự đoán sẽ không đáp ứng, với tỷ lệ nguy cơ là 4,7 và giá trị P là 1,7 × 10⁻⁷. Theo thước đo này, mô hình AI vượt trội hơn cả xét nghiệm TMB và PD-L1, các dấu ấn sinh học hiện đang được sử dụng trong phòng khám.

Giải thích tại sao bệnh nhân phản ứng hoặc không

Ngoài độ chính xác thô, COMPASS còn tạo ra các bản đồ phản ứng được cá nhân hóa để kết nối biểu hiện gen của bệnh nhân với các khái niệm miễn dịch cụ thể. Những bản đồ này giúp giải thích cơ chế đằng sau một dự đoán và chúng phơi bày những trường hợp mà các danh mục thông thường gây hiểu lầm.

Ví dụ, các bác sĩ thường phân loại các khối u bằng cách sử dụng ba kiểu hình miễn dịch: bị viêm, bị loại trừ và sa mạc. Nhưng COMPASS cho thấy cách phân loại thô này có thể gây nhầm lẫn. Một số bệnh nhân có khối u "bị viêm", đáng lẽ phải có phản ứng tốt, lại không phản ứng do ức chế các tín hiệu do protein gọi là TGFβ, loại trừ mạch máu hoặc rối loạn chức năng ở một số tế bào miễn dịch nhất định. Ngược lại, một số bệnh nhân có khối u trông không bị viêm vẫn phản ứng vì họ vẫn duy trì hoạt động miễn dịch gây độc tế bào hoặc mang gánh nặng đột biến cao mà không có tín hiệu ức chế miễn dịch.

Bằng cách giải quyết những khác biệt tiềm ẩn đó, COMPASS xác định các trạng thái miễn dịch chức năng bổ sung, thay vì chỉ thay thế các dấu ấn sinh học hiện có.

Điều gì xảy ra tiếp theo

Nghiên cứu nhấn mạnh cả lời hứa lẫn giới hạn của AI trong ung thư. COMPASS khái quát hóa các loại và phương pháp điều trị ung thư, đồng thời có thể thích ứng với các nhóm lâm sàng nhỏ thông qua học chuyển giao hiệu quả về tham số, bao gồm chế độ không bắn để ghép bệnh nhân mới với các trường hợp tương tự mà không cần đào tạo thêm. Nhưng các tác giả lưu ý rằng phản ứng của liệu pháp miễn dịch phụ thuộc vào nhiều yếu tố ngoài bảng điểm và việc áp dụng lâm sàng sẽ yêu cầu xác nhận thêm trên các quần thể lớn hơn và đa dạng hơn.

Công việc này cũng phản ánh một xu hướng rộng hơn: các mô hình nền tảng được đào tạo trước trên các bộ dữ liệu khổng lồ và sau đó được điều chỉnh cho phù hợp với các nhiệm vụ y tế chuyên ngành đang tiến gần hơn đến phòng khám. Liệu các khái niệm học được từ sinh học miễn dịch khối u có thể chuyển thành các quyết định điều trị tốt hơn, nhanh hơn cho từng bệnh nhân hay không là câu hỏi mà vòng thử nghiệm tiếp theo sẽ phải trả lời.

Đi trước AI

Các mô hình nền tảng đang ngày càng chuyển từ văn bản và hình ảnh sang y học và khoa học. Theo dõi sự phát triển AI mới nhất định hình hoạt động nghiên cứu và chăm sóc sức khỏe.

Đọc thêm tin tức về AI →